Quality Diversity Algorithms

Wprowadzenie

Quality Diversity Algorithms (QD Algorithms) to rodzina algorytmów ewolucyjnych, których celem jest nie tylko znalezienie jednego najlepszego rozwiązania (jak w klasycznej optymalizacji), ale wygenerowanie całego zbioru różnorodnych, wysokiej jakości rozwiązań. Często nazywane są również Illumination Algorithms .

Główne założenie

Tradycyjne algorytmy ewolucyjne maksymalizują jedną funkcję celu (quality). Algorytmy QD jednocześnie promują:

• Quality – wysoka wydajność rozwiązania

• Diversity – różnorodność w określonej przestrzeni behawioralnej lub cechowej

Najważniejsze algorytmy QD

• MAP-Elites – najpopularniejszy algorytm QD, tworzący „mapę elit” – siatkę rozwiązań w różnych niszach

• NSLC (Novelty Search with Local Competition)

• CMA-ME (Covariance Matrix Adaptation MAP-Elites)

• QD-RL – połączenie Quality Diversity z Reinforcement Learning

• ME-ES (MAP-Elites with Evolution Strategies)

Zastosowania

• Projektowanie robotów (różnorodne morfologie i kontrolery)

• Generowanie treści kreatywnych (muzyka, grafika, architektura)

• Optymalizacja w grach i symulacjach

• Odkrywanie nowych rozwiązań w naukach inżynieryjnych

• Reinforcement Learning (eksploracja strategii)

• Neuroewolucja i architektura sieci neuronowych

Zalety Quality Diversity

• Znacznie większa eksploracja przestrzeni rozwiązań

• Odporność na lokalne minima

• Generowanie „repertuaru” rozwiązań zamiast jednego optimum

• Możliwość późniejszego wyboru rozwiązania najlepszego do konkretnego kontekstu

• Tworzenie innowacyjnych i nieoczywistych rozwiązań

office@freenetmedia.pl