Wprowadzenie
Quality Diversity Algorithms (QD Algorithms) to rodzina algorytmów ewolucyjnych, których celem jest nie tylko znalezienie jednego najlepszego rozwiązania (jak w klasycznej optymalizacji), ale wygenerowanie całego zbioru różnorodnych, wysokiej jakości rozwiązań. Często nazywane są również Illumination Algorithms.
Główne założenie
Tradycyjne algorytmy ewolucyjne maksymalizują jedną funkcję celu (quality). Algorytmy QD jednocześnie promują:
- Quality – wysoka wydajność rozwiązania
- Diversity – różnorodność w określonej przestrzeni behawioralnej lub cechowej
Najważniejsze algorytmy QD
- MAP-Elites – najpopularniejszy algorytm QD, tworzący „mapę elit” – siatkę rozwiązań w różnych niszach
- NSLC (Novelty Search with Local Competition)
- CMA-ME (Covariance Matrix Adaptation MAP-Elites)
- QD-RL – połączenie Quality Diversity z Reinforcement Learning
- ME-ES (MAP-Elites with Evolution Strategies)
Zastosowania
- Projektowanie robotów (różnorodne morfologie i kontrolery)
- Generowanie treści kreatywnych (muzyka, grafika, architektura)
- Optymalizacja w grach i symulacjach
- Odkrywanie nowych rozwiązań w naukach inżynieryjnych
- Reinforcement Learning (eksploracja strategii)
- Neuroewolucja i architektura sieci neuronowych
Zalety Quality Diversity
- Znacznie większa eksploracja przestrzeni rozwiązań
- Odporność na lokalne minima
- Generowanie „repertuaru” rozwiązań zamiast jednego optimum
- Możliwość późniejszego wyboru rozwiązania najlepszego do konkretnego kontekstu
- Tworzenie innowacyjnych i nieoczywistych rozwiązań
Powiązane pojęcia
MAP-Elites • Novelty Search • Evolutionary Algorithms • Illumination Algorithms • CMA-ES • Neuroevolution • Divergent Search • Reinforcement Learning • Open-Endedness