46、DXNN 学习算法的代际进化机制解析

DXNN 学习算法的代际进化机制解析

1. 引言

在神经网络的发展中，DXNN 学习算法以其独特的代际进化机制展现出强大的适应性和高效性。本文将详细介绍 DXNN 学习算法的初始化阶段、参数调整阶段以及选择与后代分配阶段，探讨其如何在不同阶段优化神经网络，避免拓扑膨胀，实现高效的进化。

2. 初始化阶段

在初始化阶段，每个创建的元素的代数都被设置为 0。首先会创建一个大小为 X 的初始种群，种群中的每个智能体都从一个最小网络开始，其最小起始拓扑结构取决于研究者为系统设定的传感器和执行器的总数。
- 网络拓扑结构
- 若神经网络仅设置 1 个传感器和 1 个执行器，且 vl = 1，则 DXNN 从包含单个神经元的单个皮层开始。例如，在双杆平衡控制问题中，若输出是长度为 1 的向量，神经网络就由单个神经元组成。
- 若智能体初始时有 N 个传感器和 K 个执行器，初始神经网络将包含两层完全互连的神经元。第一层包含 S 个神经元，第二层包含 A1 +… + Ak 个神经元，其中 S 是传感器的总数，Ai 是发往执行器 i 的向量大小。
- 皮层到神经元的链接类型
- 单类型链接 ：皮层从其一个传感器向神经元发送单个值。
- 块类型链接 ：皮层向神经元发送一个传感器输出的整个向量。
- 全类型链接 ：皮层向神经元发送其传感器列表中所有传感器的向量连接列表。

这些不同的链接类型增加了系统的灵活性，使神经元能够