MAP-Elites: как искать не «лучшее», а «лучшее в каждой нише»
Классические методы оптимизации — градиентный спуск, генетические алгоритмы с элитизмом, CMA-ES — заточены под одну вещь: найти один глобальный максимум функции приспособленности. Всё остальное население на пути к этому максимуму считается расходным материалом и отбрасывается.Но во многих задачах нас интересует не единственное решение, а набор разнообразных хороших решений:
MAP‑Elites: как искать не «лучшее», а «лучшее в каждой нише»
Проблема, которую не решает обычная оптимизацияКлассические методы оптимизации — градиентный спуск, генетические алгоритмы с элитизмом, CMA‑ES — заточены под одну вещь: найти один глобальный максимум функции приспособленности. Всё остальное население на пути к этому максимуму считается расходным материалом и отбрасывается.Но во многих задачах нас интересует не единственное решение, а набор разнообразных хороших решений:Эволюционная робототехника
Я хотел повторить Growing Neural CA за вечер. Ушёл месяц
22 эксперимента, 9 потолков, один champion и неприятная правда про дисциплину экспериментаМесяц назад я прочитал на Хабре статью про нейронные клеточные автоматы. Маленькие нейросети управляют клетками на сетке, клетки сами собираются в букву T или крест, и всё это обучается без учителя через что-то вроде эволюции. Я подумал: круто, повторю за пару вечеров, посмотрю как себя ведёт.Эта статья — про то, что было дальше. Спойлер: пара вечеров превратилась в месяц, я провёл 22 эксперимента, упёрся в потолок IoU 0.44 на простой букве T, и главное чему научился — это вообще не про нейросети.
