Адаптація алгоритму NEAT для комплексних задач з допомогою Quality Diversity

Розглянуто сутність алгоритму NEAT (NeuroEvolution of Augmenting Topologies) для розв’язання задач оптимізації нейронних мереж і еволюції їхніх топологій. Здійснено огляд поточного стану використання NEAT і його пристосувань у дослідженнях еволюційного обчислення. Обґрунтовано необхідність підходу Quality Diversity (QD) для підвищення різноманітності та якості розв’язків у комплексних задачах. Описано концепцію QD та її вплив на пошук інноваційних рішень у межах різнопланових пошукових просторів. Описано застосування ViE- NEAT, який поєднує переваги виживання найпридатніших рішень із принципом підтримки різноманітності. Зіставлено основні аспекти ViE-NEAT із традиційним NEAT, проаналізовано переваги використання алгоритму виживаності порівняно з конкурентними методами. Докладно описано алгоритм MAP-Elites, який демонструє альтернативний підхід до пошуку розв’язків із забезпеченням багатоманітності «освітленого» простору ознак, що можна інтегрувати з NEAT для формування диверсифікованішої популяції рішень. Основну увагу приділено методології інтеграції NEAT з MAP-Elites алгоритмами для створення адаптованої стратегії пошуку. Із урахуванням базових принципів NEAT визначено можливості його розширення для ефективного розв’язання нових задач, які не обмежені традиційними параметричними просторами. Проаналізовано результати, що демонструють ефективність використання адаптованого алгоритму NEAT порівняно з традиційними підходами до еволюції нейронних мереж.