Reducing the Search Space of Neuroevolution using Monte Carlo Tree Search
Abstract
Denne oppgaven undersøker muligheten for å bruke Monte-Carlo-tre-søk for å redusere søkeområdet til den velkjente maskinlæringsalgoritmen Neuroevolution of Augmenting Topologies, medsikte på å oppnå kortere kjøretider og bedre løsninger. Hvordan en kombinasjon av de to algoritmene kan konstrueres er undersøkt gjennom design, implementering og eksperimentering.Tre hovedmetoder er foreslått basert på eksperimentering utført i denne avhandlingen, samterfaringen fra tidligere arbeid i feltet. Algoritmene ble testet på miljøer fra Open AI gym og sammenlignet med den opprinnelige algoritmen.Resultatene viser at ingen av de foreslåtte algoritmene er i stand til å overgå Neuroevolutionof Augmenting Topologies. De produserer ofte større nettverksløsninger, lengre løpstider ellerdårligere treningsformer. Men da dette er et tidlig forsøk på strategien, viser resultatene at arbeidet som foreslås i denne oppgaven kan fungere som et viktig grunnlag for videreutvikling iområdet.Koden for dette prosjektet er tilgjengelig på https://github.com/MrWe/NEAT_MCTS.