Przeprowadzono eksperyment wykorzystujący trójwarstwowy perceptron, z sześcioma neuronami w warstwie wejściowej i piętnastoma w obu warstwach ukrytych. W warstwach ukrytych wykorzystana została sigmoidalna funkcja aktywacji, natomiast w warstwie wyjściowej wykorzystano funkcję liniową.

Procesom przekształceń ewolucyjnych były poddane następujące parametry sieci:

• szybkość nauki (learning rate) dla warstw ukrytych i wyjściowej

• bezwładność (momentum)

• parametry funkcji kary (penalty function)

• współczynnik odcięcia wag (weight cut-off threshold)

 

Wynik działania sieci przedstawiony jest na poniższym rysunku (dwa wykresy odwzorowują odpowiednio rzeczywisty i przewidziany przez sieć kształt sygnału). Serie czasowe oparte są o funkcję Mackey-Glass-a, z parametrem opóźnienia (delay) równym 30 i krokiem (step) 10, a zakres sygnału waha się od 0,2 do 1,4. Jak widać na rysunku, jeszcze przed 50 krokiem sieć neuronowa była w stanie dokładnie w miarę odwzorować przebieg sygału.

 

Kolejny wykres przedstawia błąd predykcji dla całej sieci neuronowej, jak i błąd predykcji dla wyróżnionych agentów. Mimo, że błąd dla pojedynczych agentów jest czasem dość duży, to jako całość system potrafi dość dokładnie przewidzieć przebieg sygnału już po kilkudziesięciu krokach symulacji. W miarę upływu czasu zauważalne jest "wygładzanie" i stabilizacja wykresu.

Kolejny wykres prezentuje liczbę agentów w systemie w zależności od czasu. Jak wiadomo agenty mają zdolność do reprodukcji, a te dysponujące niską energią życiową z dużym prawdopodobieństwem umierają. W dobrze zaprojektowanym systemie po pewnym czasie populacja agentów powinna się stabilizować, co widoczne jest na rysunku poniżej.

 

 

 

 

 

Wraz ze stabilizacją populacji, stabilizować powinna się też średnia wartość energii życiowej agentów. Zależność energii życiowej od czasu prezentuje poniższy wykres.

 

Opis działania systemu EvNet

Opis działania systemu EvNet