Autoren: Ingo Paenke, Bernhard Sendhoff, Jon Rowe,

Slides:



Advertisements
Ähnliche Präsentationen
Memetische Algorithmen …der Versuch einer Einordnung
Advertisements

INZEST- und INZUCHTVERPAARUNGEN
Agent-Based Computational Economics: Simulations in Finance Doktorandenseminar Simulationen Sommersemester 2002 Joachim Wack Dipl. Kaufmann Joachim Wack.
in einer jahrgangsübergreifenden Klasse
Sozialdarwinismus Gruppe 1.
Die Entstehung neuer Arten
Körperbau und Verhalten geben Hinweise auf die Evolution
Simulated Annealing Marco Block & Miguel Domingo Seminar : Maschinelles Lernen und Markov KettenSommersemester 2002.
Replikationsarchitekturen Informationsverwaltung von Netzen Sommersemester 2003 Konrad Kretschmer
Einkommensungleichheit
Genetische Algorithmen
Genetische Algorithmen
Computerkurs: Quantitative Auswertung biochemischer Experimente Guten Morgen.
Die Grundstruktur des Kopierens
Universität Dortmund, Lehrstuhl Informatik 1 EINI II Einführung in die Informatik für Naturwissenschaftler und Ingenieure.
3.4 Genetische und evolutionäre Algorithmen
Die moderne Evolutionstheorie
eXtreme Programming (XP)
Definition: Anlage - Umwelt
Kombination von AOP und FOP Ein Vortrag für das Seminar erweiterte Programmiertechniken von Samuel Simeonov im Sommersemester 2007.
PowerPoint-Folien zur 2. Vorlesung „Evolutionsstrategie II“
Ingo Rechenberg PowerPoint-Folien zur 6. Vorlesung Evolutionsstrategie I Handlungsregeln, die aus der nichtlinearen Theorie der (1 + 1) - ES folgen.
PowerPoint-Folien zur 7. Vorlesung „Evolutionsstrategie II“
PowerPoint-Folien zur 1. Vorlesung „Evolutionsstrategie I“
PowerPoint-Folien zur 7. Vorlesung „Evolutionsstrategie II“
Ingo Rechenberg PowerPoint-Folien zur 7. Vorlesung Evolutionsstrategie II Die goldene Regel der Evolution, das größte kleine Sechseck und das Maximum-Minimum-Distanz-Problem.
PowerPoint-Folien zur 10. Vorlesung „Evolutionsstrategie I“
Evolution in verteilten Systemen Der Evolutionäre Trader
The Emergence of a Language in an Evolving Population of Neural Networks Angelo Cangelosi, Domenico Parisi.
Tutorium
Ingo Rechenberg PowerPoint-Folien zur 2. Vorlesung Evolutionsstrategie II Auf dem Weg zu einer ES-Algebra - Kalkül der geschachtelten Evolutionsstrategien.
Probleme der Modellspezifikation
Modellierung der cerebralen CO 2 -Reaktivität Vortrag im Rahmen des Studentenseminars Physik in der Biologie am Linda Spindeler.
Farbtransfer zwischen Bildern und Bildsequenzen
Tormann Lorenz Maierhofer Die Test-Umgebung Tor: 5x Roboter-Durchmesser Ball: Wird jeweils in Richtung einer zufälligen Position im Tor geschossen.
Abschlussvortrag zur Studienarbeit
Evolutionäre Algorithmen AS1-7
Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Wintersemester.
Intelligent Design und Darwinismus
Information und Fitness
… oder wie finde ich den Weg
Das Sportmotorische Konzept
„Von nichts kommt nichts!“ Oder doch? Evolution im Computer
FAMILIENERNÄHRERINNEN AUF DEM ARBEITSMARKT:
Empirische Softwaretechnik
KINSHIP BEHAVIOR Seminar aus angewandter Spieltheorie Christian Artner.
Berechenbares Chaos - unvorhersehbare Wirklichkeit
Using latent semantic analysis to find different names for the same entity in free text Präsentation und Diskussion des Papers Im Rahmen des PS Web-Information.
Evolutionäre Algorithmen AS1-7
Ilka Rehr, Geodätisches Institut, Leibniz Universität Hannover
Lernmodelle und Experimentelle Untersuchungen
ANN - Simulator Rainer Trummer Ferdinand Schober Christian Spielberger.
PowerPoint-Folien zur 7. Vorlesung „Evolutionsstrategie II“
Universität Karlsruhe (TH) Forschungsuniversität · gegründet 1825 Lehrstuhl für Programmiersysteme Fakultät für Informatik 1 Anforderungen und Probleme.
Trans-well Migrations-Assay
Warum fliegen Flugzeuge?
Videospiel und Sportpraxis- (K)ein Widerspruch. Gliederung 1. Einleitung 2. Studie (Hebbel-Seeger, 2008) 3. Ergebnisse 4. Vor- und Nachteile spielbasierten.
Wiederholung/Zusammenfassung
Evolutionärer Entwurf neuronaler Netze
Evolutionäre Algorithmen Rüdiger Brause
WIFO Werbeklimaindex 3. Quartal 2012 Fachgruppe Werbung und Marktkommunikation Salzburg 9. November 2012.
Kosten- und Finanzmittelplanung
Programmierung von CNC-Messgeräten mit genetischen Algorithmen Simeon Perlov.
CL Tree MW 31.1 Business Intelligence Wintersemester 2015 / 2016 Stanislav Prokupetz.
Focusing Search in Multiobjective Evolutionary Optimization through Preference Learning from User Feedback Thomas FoberWeiwei ChengEyke Hüllermeier AG.
Spärliche Kodierung von Videos natürlicher Szenen Vortragender: Christian Fischer.
Energy as a driver in open-ended evolution Von Tim Hoverd & Susan Stepney Präsentation von Sebastian Schrage.
Projektabschluss
Adaptive Symboldetektion für mobile Festplattenlesesysteme
 Präsentation transkript:

On the Adaptive Disadvantage of Lamarckianism in Rapidly Changing Environments Autoren: Ingo Paenke, Bernhard Sendhoff, Jon Rowe, und Chrisantha Fernando Sommersemester 2012 Luise Hogrefe 11001881

Gliederung Einleitung Modell Ergebnisse Fazit und Ausblick Luise Hogrefe Proseminar Artificial Life

Einleitung Lamarckismus: Die Ergebnisse des lebenslangen Lernens an die Nachkommen weitergeben. Ist es unter allen Umständen positiv zu Lernen und Gelerntes an die Nachkommen weiterzugeben? Luise Hogrefe Proseminar Artificial Life

Modell (1/4) f(P0|E0) > f(P1|E0) , f(P0|E1) < f(P1|E1) (1) Umweltzustände: E0, E1 Phänotypen: P0, P1 Fitness: f Genotyp: x ∈ [0; 1] Bernoulli-Verteilung (Null-Eins-Verteilung): p Lernfähigkeit: L f(P0|E0) > f(P1|E0) , f(P0|E1) < f(P1|E1) (1) p(P1) = x , p(P0) = 1 − x (2) p(P1|x, E0, L) = φ(x,L) , p(P1|x, E1, L) = 1 − φ(1 − x,L) (3) φ(x,L) = { = 0, if L = 1 = X1/(1-L), else Luise Hogrefe Proseminar Artificial Life

Modell (2/4) p(P1|x, E1, L) = 1 − φ(1 − x,L)={ Phänotyp: P1 , Umwelt: E1 p(P1|x, E1, L) = 1 − φ(1 − x,L)={ = 1, if L = 1 = (1-X)1/(1-L), else Lernen (L > 0) verbessert die Erbanlage in Richtung des fitten Phänotypen. Je höher das L, desto größer ist die Verbesserung. Luise Hogrefe Proseminar Artificial Life

Modell (3/4) p(P1|x, E0, L) = φ(x,L) = { Phänotyp: P1 , Umwelt: E0 p(P1|x, E0, L) = φ(x,L) = { = 0, if L = 1 = X1/(1-L), else Das falsche Lernen (L > 0) verschlechtert die Erbanlage. Je höher das L, desto größer ist die Verschlechterung. Luise Hogrefe Proseminar Artificial Life

Implementationsdetails (für die nachfolgenden Experimente): Modell (4/4) Implementationsdetails (für die nachfolgenden Experimente): 100 Individuen Individuum reproduziert f/f‘ Nachkommen d.h. Population konstant in jeder Generation x‘ = λp+(1−λ)x Mutationsrate σ = 0.0001 Luise Hogrefe Proseminar Artificial Life

Ergebnisse (1/5) Experiment 1: T: Durchschnittszeit zwischen zwei Umweltveränderungen λ: Lamarckismus Parameter Luise Hogrefe Proseminar Artificial Life

Ergebnisse (2/5) zusammenfassend Bei schnell wechselnder Umwelt wird die Fitness besser ohne Lamarckismus Bei langsam wechselnder Umwelt wird die Fitness besser mit purem Lamarckismus Luise Hogrefe Proseminar Artificial Life

Ergebnisse (3/5) Experiment 2: Überprüfung, ob sich der optimale Lamarckismusparameter entwickelt, wenn jedes Individuum λ im Genotypen codiert. Mutation σ = 0.0001 L = 0.5 Luise Hogrefe Proseminar Artificial Life

Ergebnisse (4/5) Experiment 3: Überprüfung, ob Lamarckismus die Evolution der Lernfähigkeit L beeinflusst. Luise Hogrefe Proseminar Artificial Life

Ergebnisse (5/5) Lamarckismus unterdrückt die Evolution der Lernfähigkeit in langsam wechselnder Umwelt … und erleichtert sie in schnell wechselnder Umwelt Erklärung: Großes T → geringer Selektionsdruck Kleines T → hoher Selektionsdruck → In langsam wechselnder Umwelt ist Lamarckismus von Vorteil, aber es entwickelt sich eine geringere Lernfähigkeit → In schnell wechselnder Umwelt ist Lamarckismus von Nachteil, aber es entwickelt sich ein höhere Lernfähigkeit Luise Hogrefe Proseminar Artificial Life

Fazit und Ausblick Lamarckismus ist von Nachteil in sich schnell ändernden Umweltbedingungen Der Nachteil ist damit zu erklären, dass in dem Fall Lamarckismus quasi die Entwicklung des Genotyp behindert Der Vorteil in langsam wechselnder Umwelt entsteht dadurch, dass der Genotyp schneller an das Optimum gelang als bei rein zufälliger Mutation Einige Aspekte werden in dem Modell nicht berücksichtigt, deswegen soll das Modell in Zukunft noch erweitert werden. Luise Hogrefe Proseminar Artificial Life

mögliche Erweiterungen des Modells: Fazit und Ausblick mögliche Erweiterungen des Modells: Abhängigkeiten zwischen L und λ modellieren Lernkosten berücksichtigen Fitnesstal ebnen Luise Hogrefe Proseminar Artificial Life

Vielen Dank für Ihre Aufmerksamkeit! Fragen? Luise Hogrefe Proseminar Artificial Life