Розподілена реалізація методу нейроеволюції наростаючої топології

• Опубліковано в: : Проблеми програмування
• Дата: 2021
• Автори: Ашур, I.З., Дорошенко, А.Ю.
• Формат: Стаття
• Мова: Українська
• Опубліковано: Інститут програмних систем НАН України 2021
• Теми: Інструментальні засоби і середовища програмування
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/180671
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Розподілена реалізація методу нейроеволюції наростаючої топології / I.З. Ашур, А.Ю. Дорошенко // Проблеми програмування. — 2021. — № 3. — С. 3-15. — Бібліогр.: 18 назв. — укр.

У статті запропонована нова розподілена реалізація методу нейроеволюції наростаючої топології, яка, за наявності достатніх обчислювальних ресурсів, дозволяє радикально збільшити швидкість знаходження оптимальних конфігурацій нейронних мереж. З метою оптимізації продуктивності рішення, рівномірного розподілу завдань між вузлами та оптимального використання обчислювальних ресурсів була реалізована підтримка пакетної оцінки геномів. Експериментальна перевірка нової ре- алізації засвідчує, що, використовуючи запропоноване розподілене рішення, швидкість виконання методу нейроеволюції наростаючої топології в частині оцінювання згенерованих нейронних мереж на прикладі розглянутого завдання і середовища може зростати на декілька порядків. Despite the neuroevolution of augmenting topologies method strengths, like the capability to be used in cases where the formula for a cost function and the topology of the neural network are difficult to determine, one of the main problems of such methods is slow convergence towards optimal results, especially in cases with complex and challenging environments. This paper proposes the novel distributed implementation of neuroevolution of augmenting topologies method, which considering availability of sufficient computational resources allows drastically speed up the process of optimal neural network configuration search. Batch genome evaluation was implemented for the means of proposed solution performance optimization, fair, and even computational resources usage. The proposed distributed implementation benchmarking shows that the generated neural networks evaluation process gives a manifold increase of efficiency on the demonstrated task and computational environment.