Bagaimana cara kerja pencarian baru?

Dalam artikel ini , penulis mengklaim bahwa membimbing evolusi hanya dengan hal baru (tanpa tujuan eksplisit) dapat memecahkan masalah lebih baik daripada menggunakan tujuan eksplisit. Dengan kata lain, menggunakan ukuran kebaruan sebagai fungsi kebugaran untuk algoritma genetika bekerja lebih baik daripada fungsi kebugaran yang diarahkan pada tujuan. Bagaimana mungkin?

Seperti dijelaskan dalam jawaban untuk pertanyaan AI SE ini , GAS lebih 'memuaskan' daripada 'pengoptimal' dan cenderung tidak menjelajahi wilayah 'terpencil' di ruang pencarian. Sebaliknya, populasi cenderung mengelompok di daerah yang 'cukup baik' sesuai dengan fungsi kebugaran.

Sebaliknya, saya percaya pemikirannya adalah bahwa kebaruan memberi semacam kebugaran dinamis, cenderung mendorong populasi menjauh dari daerah yang ditemukan sebelumnya.

Pencarian kebaruan memilih "perilaku baru", berdasarkan definisi baru yang bergantung pada domain. Misalnya, hal baru dalam domain penyelesaian Labirin mungkin adalah "perbedaan rute yang dijelajahi". Akhirnya, jaringan yang mengambil setiap rute yang mungkin melalui labirin akan ditemukan, dan Anda kemudian dapat memilih yang tercepat. Ini akan bekerja jauh lebih baik daripada "tujuan" yang naif, seperti jarak ke tujuan, yang dapat dengan mudah menghasilkan optima lokal yang tidak pernah memecahkan labirin.

Dari Meninggalkan Tujuan: Evolusi melalui Pencarian untuk Kebaruan Sendiri (penekanan milikku):

Dalam pencarian kebaruan, alih-alih mengukur kemajuan keseluruhan dengan fungsi objektif tradisional, evolusi menggunakan ukuran kebaruan perilaku yang disebut metrik kebaruan. Akibatnya, pencarian yang dipandu oleh metrik seperti itu melakukan secara eksplisit apa yang dilakukan evolusi alami secara pasif, yaitu secara bertahap mengumpulkan bentuk-bentuk baru yang naik ke tangga kompleksitas.
Misalnya, dalam domain penggerak biped, upaya awal mungkin jatuh. Metrik kebaruan akan menghargai hanya jatuh dengan cara yang berbeda, terlepas dari apakah itu lebih dekat dengan perilaku objektif atau tidak. Sebaliknya, fungsi obyektif dapat secara eksplisit menghargai jatuh terjauh, yang kemungkinan tidak mengarah pada tujuan akhir berjalan dan dengan demikian mencontohkan optimum lokal yang menipu. Sebaliknya, dalam mencari hal-hal baru, serangkaian contoh dipertahankan yang mewakili penemuan-penemuan baru. Pencarian lebih lanjut kemudian melompat dari perilaku representatif ini. Setelah beberapa cara jatuh ditemukan, satu-satunya cara untuk dihargai adalah menemukan perilaku yang tidak langsung jatuh . Dengan cara ini, kompleksitas perilaku meningkat dari bawah ke atas.Akhirnya, untuk melakukan sesuatu yang baru, biped harus berhasil berjalan agak jauh meskipun itu bukan tujuan .