Apprentissage progressif basé sur la population

Apprentissage progressif basé sur la population

L’objectif de traitement de l’information de l’algorithme d’apprentissage progressif basé sur la population (PBIL) est de réduire la mémoire requise par l’algorithme génétique. Cela se fait en réduisant la population d’une solution candidate à un seul prototype vecteur d’attributs à partir duquel des solutions candidates peuvent être générées et évaluées. Des mises à jour et des opérateurs de mutation sont également effectués sur le vecteur prototype, plutôt que sur les solutions candidates générées.

L’algorithme d’apprentissage progressif basé sur la population conserve un vecteur prototype à valeur réelle qui représente la probabilité que chaque composant soit exprimé dans une solution candidate. L’algorithme suivant fournit un pseudocodes de l’algorithme d’apprentissage incrémentiel basé sur la population pour maximiser une fonction de coût.

apprentissage progressif basé sur la population

PBIL a été conçu pour optimiser la probabilité des composants des ensembles à faible cardinalité, tels que les bits dans une chaîne binaire. L’algorithme a une très petite empreinte mémoire (par rapport à certains algorithmes évolutifs basés sur la population) compte tenu de la compression des informations dans un seul vecteur prototype. Des extensions à de l’apprentissage progressif basé sur la population ont été proposées pour étendre la représentation au-delà des ensembles aux vecteurs à valeur réelle.

Les variantes de PBIL qui ont été proposées dans l’article original incluent la mise à jour du vecteur prototype avec plus d’une solution candidate compétitive (comme une moyenne des meilleures solutions candidates) et l’éloignement du vecteur prototype de la solution candidate la moins compétitive à chaque itération. De faibles taux d’apprentissage sont préférés, tels que 0,1.

Partager
fr_FRFR
%d blogueurs aiment cette page :