#neuroevolution

Innovative power systems demand smart control! ⚡🧠 This study compares Neuroevolution and Deep Reinforcement Learning to boost voltage stability, adaptability, and efficiency in grids. 🔌🤖 AI-driven strategies transform power management with faster decisions, reduced losses, and improved reliability for future smart energy networks. 🌍💡

World Top Scientists Awards

Visit Our Website 🌐: worldtopscientists.com

Nominate Now📝: https://worldtopscientists.com/award-nomination/?ecategory=Awards&rcategory=Awardee

The concept of neuroevolution is to use a genetic algorithm in order to produce a suitably evolved neural network to solve a problem.

Normally, neural networks use a system of training in which the network is trained through an algorithm which compares its “error” with the the desired output, and adjusts its internal weights slightly to reduce the error. Neuroevolution uses a system in which we create many neural networks (a “population” of neural networks), then apply Darwinian theory to “mutate” and “evolve” the internal weights of each member of the population based on the “fitness” of the network for the next generation, until a suitable neural network is evolved.

The example MARI/O demonstrates a complex version of a neuroevolution algorithm in which a neural network is created to play through a level of Super Mario World. This is using the NEAT (Neuroevolution of augmenting topologies) algorithm which not only adjusts the internal weights of the neural network, but adds neurons when necessary.

Daniel Shiffman’s series on neuroevolution provides an accessible (to those with a basic understandig of programming) introduction to neuroevolution and the types of situations it can be applied to.

Vortrag - Neuroevolution

Wir haben uns für unsere Präsentation die Neuroevolution angewandt auf das erlernen und selbstständige Spielen von Videogames zum Thema gemacht. Dazu haben uns zwei Projekte besonders angesprochen:

FlappyLearning

MarI/O

In beiden Fällen wurde ein Code geschrieben, welcher dem Computer dienen sollte, das vorliegende Spiel (Flappy Bird bzw Super Mario World) zu erlernen und zu meistern.

Leider können wir den Code aufgrund seiner Komplexität nicht genau erklären. Wir werden aber versuchen, die Grundidee etwas verständlicher zu machen.

Neuroevolution basiert auf einem “trial and error” Verfahren. Der Computer wird Mario solange nach vorne laufen lassen bis Mario stirbt. Der Computer lernt nun, dass er an der Stelle etwas anders machen muss, da er sonst nicht ans Ziel kommt. Diesen Vorgang wiederholt er nun so lange, bis Mario es heil ans Ende des Levels schafft

Durch diesen Vorgang entwickelt der Computer nun ein eigenes kleines Neuronennetz um das Level so schnell wie möglich durchzuspielen.

FlappyLearning: https://www.chromeexperiments.com/experiment/flappylearning

Source code: https://github.com/xviniette/FlappyLearning/blob/gh-pages/Neuroevolution.js

MarI/O: https://www.youtube.com/watch?v=qv6UVOQ0F44