dc.contributor.advisor | Pauline Haddow | |
dc.contributor.author | Vaardal, Jakob Myklebust | |
dc.date.accessioned | 2022-11-03T18:19:59Z | |
dc.date.available | 2022-11-03T18:19:59Z | |
dc.date.issued | 2022 | |
dc.identifier | no.ntnu:inspera:112046434:33278298 | |
dc.identifier.uri | https://hdl.handle.net/11250/3030018 | |
dc.description.abstract | Livet på jorden vitner til en eksplosjon av kreativitet som har skapt et enormt
mangfold av ulike organismer. Ved hjelp av ett løp med evolusjon har egenskaper
som både fotosyntese, flyvning og menneskelig intelligens oppstått. Selv om evo-
lusjon har fylt verden med utallige komplekse skapelser, stopper den ikke der.
Evolusjon fortsetter å presentere oss med nye svar til spørsmålet om overlevelse
og reproduksjon for hver eneste generasjon. Denne egenskapen for tilsynelatende
uendelig skapning av nye utfordringer og deres løsninger er hva feltet åpen evo-
lusjon forsøker å etterligne.
Masteroppgaven utforsker algoritmen Paired Open-Ended Trailblazer (POET)
som tilhører feltet åpen evolusjon. POET er en ko-evolusjonær algoritme som
søker å uendelig generere problemer med økende vanskelighetsgrad og deres stadig
mer komplekse løsninger. Vi anvender POET i et nytt forsterkende læringsmiljø
og kombinerer POET med NeuroEvolution of Augmenting Topologies (NEAT)
for første gang. Det nye miljøet fungerer som en spennende ny lekeplass for å
utforske POETs evne til å skape og løse problemer med økende vanskelighets-
grad, mens NEAT lar topologien til de kunstige nevrale nettverks løsningene til
å gradvis kompleksifiseres.
Ved å bruke vår modell blir en mangfoldig læreplan med økende kompleksitet
generert, samtidig som den løser mange av de genererte utfordringene. Under
de ko-evolusjonære kjøringene observerer vi konvergens og åpne egenskaper om
det er noen. En ablasjons studie er også utført for å undersøke viktige POET-
komponenter som minimal-kriteriet og målbytte. Et spennende funn er at noen
komponenter i POET-algoritmen ikke ser ut til å være så viktige som tidligere
antatt. | |
dc.description.abstract | Life on earth displays an explosion of creativity and diversity. One single run
of evolution has managed to create both photosynthesis, flight and human intel-
ligence; and is still presenting us with new solutions to the problem of survival
and reproduction on earth. This capability for never-ending creation of novel
organisms is what the field of open-ended evolution is trying to replicate.
In this work, we will explore the Paired Open-Ended Trailblazer (POET)
algorithm, which belongs to the field of open-ended evolution. POET is a coevo-
lutionary algorithm seeking to endlessly generate problems of increasing difficulty
and their increasingly complex solutions through the enforcement of a minimal
criterion and goal-switching. Previously POET has been shown to generate and
solve complex problems in robot locomotion control and general game-playing
environments. Challenges that were solved in the robot locomotion envi-
ronment were found not solvable by direct optimization or direct-path curriculum
building.
We apply POET to a new type of reinforcement learning environment and
combine POET with NeuroEvolution of Augmenting Topologies (NEAT) for the
first time. The novel environment serves as an exciting new playground for ex-
ploring POET’s ability to create and solve problems of increasing complexity.
At the same time, NEAT allows artificial neural network controller topology to
increase in complexity incrementally.
Our model is shown to generate a diverse curriculum of increasing complexity
while solving many of the generated challenges. During the model’s coevolution-
ary runs, we observe open-ended tendencies, if there are any. We also impor-
tantly perform an ablation study to investigate essential POET components like
the minimal-criterion and goal-switching. Excitingly, we find that some parts of
the POET algorithm seem not to be as important as previously believed. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Exploring the Paired Open-Ended Trailblazer algorithm | |
dc.type | Master thesis | |