情報処理学会 第75回全国大会講演要旨

進化的神経回路網は、進化的アルゴリズムを用いてニューラルネットを最適化する手法であり、多くの学習問題に有効であることが知られている。とくに、強化学習問題におけるポリシー探索手法としての応用に多くの成功例が見られる。その一つとしてNEAT(Neuro Evolution of Augmenting Topologies)を取り上げる。進化的神経回路網には、共通に大域最適解への陥りという問題がある。NEATには、大域的局所解の陥りへの対策として「種分化」「適応度共有」の2つのNiching手法が導入されている。本研究では「適応度共有」に着目する。適応度共有は、革新的なトポロジを持ったネットワーク構造を持つ個体を保護する役割を果たしている。この「適応度共有」に種ランク付けという提案手法を導入し、既存NEATとの性能を比較する。性能比較にはベンチマーク問題を設定する。問題設定においては性能の向上が見られた。