Pathway Evolution Algorithm in Netlogo
-
Upload
stephen-larroque -
Category
Technology
-
view
68 -
download
4
Transcript of Pathway Evolution Algorithm in Netlogo
![Page 1: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/1.jpg)
![Page 2: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/2.jpg)
Pathway Evolution Algorithm
Par Stephen Larroque
Supervisé par Prof. S. Doncieux
Un algorithme génétique sur des chemins
21 Mars 2014
Par Fernando et al. (2011)
![Page 3: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/3.jpg)
Chemins = unité d’évolution
3
Individus
![Page 4: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/4.jpg)
Chemins = unité d’évolution
4
CheminsIndividus
![Page 5: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/5.jpg)
Chemins = unité d’évolution
5
Individus Chemins
Équivalence!
![Page 6: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/6.jpg)
Pourquoi utiliser des chemins?
• Compacité
• Expressivité
• Capacité de stockage! Redondant!
• Covariance des allèles (Price GR, 1970)
• Mémoire
• Multi-critères (linkage disequilibrium)
6
![Page 7: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/7.jpg)
Pathway Evolution Algorithm(s)• PEA = framework de GA basés sur des chemins.
• Cas spécial du Microbial GA (Harvey, 1996) = GA minimaliste
• Steady-state GA (Whitley, 1989)
• Reseau = population = ensemble de chemins superposés
• Chemin = un individu/candidat
• Fréquence chemin = produit des poids (proba) de ses arcs
• Fréquence phénotype = somme(fréquences chemins avec ce phénotype)
7
![Page 8: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/8.jpg)
Interprétation graphique
8Poids sur arcs = probabilité de marche aléatoire (sélection)
![Page 9: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/9.jpg)
Interprétation biologique• Réseau = génotype
• Chemin = phénotype
• Noeud = allele
• Couche = locus
• Fréquence phénotype = fréquence chemin(facile à calculer!)
• Mutation = Noisy Hebbian learning = Rapid structural plasticity (Adams P, 1998)
• Drop noeuds et arcs inutilisés = darwinisme/recyclage neuronal
9
![Page 10: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/10.jpg)
Tournoi par paire
10
• Apprentissage: (1 ± lambda) * poids(selon si gagnant ou perdant)
• Arcs partagés non pénalisés (sauf si diversité)
![Page 11: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/11.jpg)
Mutation et Crossover
11
Élitisme+
Exploration!
![Page 12: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/12.jpg)
Quelques propriétés et résultats
• Maintenance de la diversité en pénalisant les arcs partagés
• Tournoi K = 2 (paire) semble optimal
• Covariance phénotypes (MAJ d’un chemin affecte d’autres)
12
![Page 13: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/13.jpg)
Mémoire
13
• Premier apprentissage plus lent
• Puis réutilise les anciens (mauvais) chemins
• MGA constant en constraste
![Page 14: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/14.jpg)
Linkage disequilibrium
14
• Double équilibre:[0 1] et [1 0]
• PEA garde les deux!
![Page 15: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/15.jpg)
Expansion / Contraction
15
![Page 16: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/16.jpg)
Conclusion et ouverture• Bonnes performances générales, mais pas le meilleur
• Implémentation biologiquement plausible: neurones Izhikevich, circuit dopaminergique
• Préférences non rationnelles (via linkage diseq)?
• Extension: couches dynamiques (devines un nombre!)
• ACO = PEA?
• Parallèle avec TurboCodes? (C. Berrou)
• Chemins = unités d’évolution(avec des propriétés intéressantes!) 16
![Page 17: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/17.jpg)
– Evolvable Neuronal Paths: A Novel Basis for Information and Search in the Brain, Fernando C, Vasas V, Szathmáry E, Husbands P (2011), PLoS ONE 6(8)
– Selection and covariance, Price GR (1970), Nature 227: 520–521.
– The Microbial Genetic Algorithm, Harvey, I. (1996)
Références
![Page 18: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/18.jpg)
Merci!
![Page 19: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/19.jpg)
Slides Bonus
![Page 20: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/20.jpg)
Microbial Genetic Algorithm• Idée: définition minimale d'un GA?
– Selection
– Recombinaison
– Mutation (similaire à recombinaison uniforme)
• MGA = proposition d’un GA minimal
• Recombinaison = infection bactérienne = unité d’évolution
• Algorithme: 1 ligne!
– Pour chaque tournoi:• Pour chaque allele du perdant:
– Si random r < crossover+mutation:» allele = allele du gagnant si r < crossover
sinon allele = mutation(allele)
23
Harvey, I. (1996)
![Page 21: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/21.jpg)
Algorithme PEA
24
![Page 22: Pathway Evolution Algorithm in Netlogo](https://reader034.fdocuments.net/reader034/viewer/2022042707/588325911a28abe2758b611b/html5/thumbnails/22.jpg)
THE END