32、多项式网络分层预测与自主移动机器人Emmy III相关研究

多项式网络分层预测与自主移动机器人Emmy III相关研究

多项式网络分层预测

多项式网络概述

多项式网络的优化比布尔网络复杂得多。即便确定了网络拓扑（识别问题），还需优化多项式函数的参数 (w_0, w_1, \cdots)（估计问题）。参数优化可基于递归子树回归、梯度、Partan 或共轭梯度学习规则等，拓扑优化则基于 GP 算法。

元控制、构建块与模块化

• 无关代码的作用 ：GP 生成的网络通常包含大量无关代码段，移除这些代码段不会显著改变网络计算的解。例如，((+ s 0)) 和 ((* s 1)) 就是无关代码段的简单例子。这些无关代码的作用是隔离重要的工作代码块，保护模块或构建块在重组（破坏性交叉）时不被破坏，类似于生物真核生物基因中的内含子。
• 元级策略 ：Iba 和 Sato 提出基于自引用表示的 GP 元级策略，使遗传和元遗传代码变异共同选择。后续研究尝试将元控制参数融入 GP，如功能树可包含边注释，这些注释作为元参数控制子树的重组。
• 模块化的两种解释
  • 新技术传播或组件设计替代 ：在模块化系统中，旧组件的新设计可轻松融入并快速传播，如汽车发动机中机械化油器被电子喷射技术取代。
  • 损伤控制或修复机制 ：模块化组织为“原本注定灭绝的种系的持续进化”提供了可能，如 Simon 的 Hora 和 Tempus 寓言所说明的。