Pathway Evolution Algorithm reproduction in Netlogo

2. Pathway Evolution Algorithm
Par Stephen Larroque
Supervisé par Prof. S. Doncieux
LRQ3000@gmail.com
Un algorithme génétique sur des chemins
21 Mars 2014
Par Fernando et al. (2011)

3. Chemins = unité d’évolution
3
Individus

4. Chemins = unité d’évolution
4
CheminsIndividus

5. Chemins = unité d’évolution
5
Individus Chemins
Équivalence!

6. Pourquoi utiliser des chemins?
• Compacité
• Expressivité
• Capacité de stockage! Redondant!
• Covariance des allèles (Price GR, 1970)
• Mémoire
• Multi-critères (linkage disequilibrium)
6

7. 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

8. Interprétation graphique
8
Poids sur arcs = probabilité de marche aléatoire (sélection)

9. 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

10. Tournoi par paire
10
• Apprentissage: (1 ± lambda) * poids
(selon si gagnant ou perdant)
• Arcs partagés non pénalisés (sauf si diversité)

11. Mutation et Crossover
11
Élitisme
+
Exploration!

12. 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

13. Mémoire
13
• Premier apprentissage plus lent
• Puis réutilise les anciens (mauvais) chemins
• MGA constant en constraste

14. Linkage disequilibrium
14
• Double équilibre:
[0 1] et [1 0]
• PEA garde les deux!

15. Expansion / Contraction
15

16. 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

17. – 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

18. Merci!

19. Slides Bonus

20. 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)

21. Algorithme PEA
24

22. THE END