共分散行列適応進化戦略(CMA-ES)と自然勾配法 - satuma-portfolio
この記事は #kosen10s Advent Calendar 2017 の 9日目 の記事です． 前回は marin72_com さんの「#kosen10s だより 2017」でした． kosen10s，自由気ままにだけど秩序持ってのんびりやってていいところだと思います．僕みたいなプログラミング雑魚勢でもちゃんと居場所があるので，少しでもいいなと思った2010年卒の高専生はslackチームへおいでなさいまし． はじめに 今回は自分の研究テーマの1つである進化計算について，ちょっと紹介しようかと思います．まだまだ勉強中であるため，ところどころぼかしますがご容赦を． 遺伝的アルゴリズム(Genetic Algorithm; GA)や蟻コロニー最適化(Ant Colony Optimization; ACO)など進化計算にも様々な種類がありますが，対象とする問題は基本的に同じです．進化計算が取
Evolution strategies as a scalable alternative to reinforcement learning
Evolution strategies as a scalable alternative to reinforcement learning We’ve discovered that evolution strategies (ES), an optimization technique that’s been known for decades, rivals the performance of standard reinforcement learning (RL) techniques on modern RL benchmarks (e.g. Atari/MuJoCo), while overcoming many of RL’s inconveniences. In particular, ES is simpler to implement (there is no n
Welcoming the Era of Deep Neuroevolution
Safe mutations through gradient computations In a separate paper, we show how gradients can be combined with neuroevolution to improve the ability to evolve recurrent and very deep neural networks, enabling the evolution of DNNs with over one hundred layers, a level far beyond what was previously shown possible through neuroevolution. We do so by computing the gradient of network outputs with resp
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
https://rl-tokyo.github.io/resource/20170405-sekine.pdf
https://www.jstage.jst.go.jp/article/isciesci/60/7/60_292/_pdf
The CMA Evolution Strategy: A Tutorial