SlideShare une entreprise Scribd logo

Pathway Evolution Algorithm in Netlogo

S
Stephen Larroque

Le document présente un algorithme génétique basé sur des chemins, nommé 'Pathway Evolution Algorithm' (PEA), qui utilise des chemins comme unités d'évolution pour optimiser la diversité et la performance dans des réseaux biologiques. L'algorithme inclut des processus tels que la mutation et le crossover, tout en maintenant des propriétés d'élitisme et de recul sur des chemins précédents. Les conclusions soulignent des performances satisfaisantes et ouvrent des perspectives sur des applications biologiques et des extensions futures.

Technologie
1  sur  22
Télécharger pour lire hors ligne
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Pathway Evolution Algorithm in Netlogo
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)
Chemins = unité d’évolution 3 Individus
Chemins = unité d’évolution 4 CheminsIndividus
Chemins = unité d’évolution 5 Individus Chemins Équivalence!
Pourquoi utiliser des chemins? • Compacité • Expressivité • Capacité de stockage! Redondant! • Covariance des allèles (Price GR, 1970) • Mémoire • Multi-critères (linkage disequilibrium) 6
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
Interprétation graphique 8 Poids sur arcs = probabilité de marche aléatoire (sélection)
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
Tournoi par paire 10 • Apprentissage: (1 ± lambda) * poids (selon si gagnant ou perdant) • Arcs partagés non pénalisés (sauf si diversité)
Mutation et Crossover 11 Élitisme + Exploration!
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
Mémoire 13 • Premier apprentissage plus lent • Puis réutilise les anciens (mauvais) chemins • MGA constant en constraste
Linkage disequilibrium 14 • Double équilibre: [0 1] et [1 0] • PEA garde les deux!
Expansion / Contraction 15
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
– 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
Merci!
Slides Bonus
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)
Algorithme PEA 24
THE END

Contenu connexe

PPTX
Genetic Agorithm
Iman Ardekani
 
PPT
Genetic algorithm
garima931
 
PDF
Brain-Computer Interface and States of Vigilance
Stephen Larroque
 
PDF
A (quick) introduction to Magnetic Resonance Imagery preprocessing and analysis
Stephen Larroque
 
PDF
Diffusion Tensor Imaging (DTI) for the study of disorders of consciousness
Stephen Larroque
 
PDF
Open Anti-Cheat System (OACS)
Stephen Larroque
 
PDF
Recursive Neural Network summary
Stephen Larroque
 
PDF
Sma presentation-bani-hotel-larroque
Stephen Larroque
 
Genetic Agorithm
Iman Ardekani
 
Genetic algorithm
garima931
 
Brain-Computer Interface and States of Vigilance
Stephen Larroque
 
A (quick) introduction to Magnetic Resonance Imagery preprocessing and analysis
Stephen Larroque
 
Diffusion Tensor Imaging (DTI) for the study of disorders of consciousness
Stephen Larroque
 
Open Anti-Cheat System (OACS)
Stephen Larroque
 
Recursive Neural Network summary
Stephen Larroque
 
Sma presentation-bani-hotel-larroque
Stephen Larroque
 

Plus de Stephen Larroque (6)

PDF
Resilient algorithms data structures intro by Giuseppe F.Italiano
Stephen Larroque
 
PDF
Birdsong variability is modulated by LMAN in anterior forebrain pathway
Stephen Larroque
 
PDF
Glial cells and astrocytes: neural networks modulators?
Stephen Larroque
 
PDF
Tagged network (colored clique network) COGNITIVE 2015 by Stephen Larroque
Stephen Larroque
 
PDF
Simulation des raisonnements éthiques par logiques non-monotones
Stephen Larroque
 
PDF
Financement de la recherche en france, europe et dans le monde en 2014
Stephen Larroque
 
Resilient algorithms data structures intro by Giuseppe F.Italiano
Stephen Larroque
 
Birdsong variability is modulated by LMAN in anterior forebrain pathway
Stephen Larroque
 
Glial cells and astrocytes: neural networks modulators?
Stephen Larroque
 
Tagged network (colored clique network) COGNITIVE 2015 by Stephen Larroque
Stephen Larroque
 
Simulation des raisonnements éthiques par logiques non-monotones
Stephen Larroque
 
Financement de la recherche en france, europe et dans le monde en 2014
Stephen Larroque
 
Publicité

Pathway Evolution Algorithm 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)
  • 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!
  • 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
  • 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)