13、进化技术在神经网络中的应用与展望

进化技术在神经网络中的应用与展望

1. 模块化视觉模型与网络进化

模块的形成有助于系统的生存和发展。在更复杂的系统中，需要一个“控制”网络来决定在刺激反射动作时，哪个感官网络具有优先级，这或许与意识的起源有关。有趣的是，如果感官分布在全身而非集中在头部，大脑以及意识是否会进化出来就存在疑问，因为感觉神经节可能不会在同一位置聚集。

在进化复杂的执行器响应时，有多种方法。对于较低级的生物形式，其肢体可能只有一个自由度。可以通过分阶段进化网络并逐步解除执行器的约束，形成更复杂的网络。也可以从类似水螅的单一均匀神经网结构开始，让网络的“身体”发展出突起（肢体），使部分网络孤立出来形成反射，而不太孤立的部分形成动作。前者具有简单性的优点。

2. 进化技术的应用领域

2.1 任务复杂度层次

进化技术并非解决人工神经网络（ANN）优化问题的通用方案，其应用领域按复杂度排序如下：
| 复杂度 | 应用示例 |
| — | — |
| 简单 | 简单的模式分类或重建，如简单字符识别 |
| 较复杂 | 更复杂的映射函数，如手写字符识别 |
| 复杂 | 任意拓扑结构的复杂网络，如自主车辆控制系统的控制网络 |
| 非常复杂 | 具有多重映射和多层输入输出的复杂网络 |

2.2 不同复杂度系统的适用技术

2.2.1 简单模式识别系统

简单模式识别系统，如计算机生成字符的识别，通常较容易设置。有经验的ANN设计者可以大致估计所需网络的规模，但不太有经验的设计者会面临困难，而且得到的网络通常不是最优的。通过添加单元来增长网络的系统