第 70 节 进化算法和深度学习算法的结合（第1页）

在进化算法最初得到应用的时候，就有研究人员把它与神经网络结合起来，提出了神经元进化（Neuro-Evolution，NE）的概念。它的基本思想是使用遗传算法直接搜索神经网络策略空间 [222] 。

NE 的基本思路是把神经网络的技术规范以字符串表示或用染色体编码（见图 12.7）。染色体可以对任何相关的网络参数编码，包括突触权重值、处理单元的数量、连接（拓扑）、学习率等。然后，这些网络基因型在一系列世代中进化。将每一代每种基因型映射到网络表型（即实际网络），然后在问题环境中进行评估，并授予以某种期望的方式量化其性能的拟合度分数。在此评估阶段之后，通过各种可能的方案（如拟合度比例、线性排名、竞争选择等）根据拟合度从群体中选择基因型，然后通过交叉配对及可能的突变，形成通常的新基因型。这些新基因型取代最不适合的群体。重复该循环直到找到足够适合的网络，或直到满足一些其他判据才停止。

在图 12.7 中，神经元进化将每条染色体转化为神经网络表型并对任务进行评估。通过接收来自环境的输入（观察）并通过其神经网络传播它，以计算影响环境的输出信号（执行）。在评估结束时，根据网络的性能为网络分配一个拟合度值。在任务中表现良好的网络被配对以生成新网络。

这种方法可以被用于监督型学习和强化学习，从而把进化算法和深度学习算法结合在一起。DNN 有很多限制，但是进化算法没有什么限制；DNN 只使用很单一的搜索，但是进化算法是发散式搜索。有的研究人员在 DNN 的卷积层和全连接层之外又新加了一层神经元进化层，使之成为一种可进化 DNN。

最近几年，这种可进化深度神经网络架构已经应用于文字处理、视频游戏，并与 GAN 相结合（称为深度互动进化），在图像处理领域显示出强大的威力
（本章节未完结，点击下一页翻页继续阅读）