Reducing the Search Space of Neuroevolution using Monte Carlo Tree Search

Denne oppgaven undersøker muligheten for å bruke Monte-Carlo-tre-søk for å redusere søkeområdet til den velkjente maskinlæringsalgoritmen Neuroevolution of Augmenting Topologies, med sikte på å oppnå kortere kjøretider og bedre løsninger. Hvordan en kombinasjon av de to algoritmene kan konstrueres er undersøkt gjennom design, implementering og eksperimentering. Tre hovedmetoder er foreslått basert på eksperimentering utført i denne avhandlingen, samt erfaringen fra tidligere arbeid i feltet. Algoritmene ble testet på miljøer fra Open AI gym og sammenlignet med den opprinnelige algoritmen. Resultatene viser at ingen av de foreslåtte algoritmene er i stand til å overgå Neuroevolution of Augmenting Topologies. De produserer ofte større nettverksløsninger, lengre løpstider eller dårligere treningsformer. Men da dette er et tidlig forsøk på strategien, viser resultatene at arbeidet som foreslås i denne oppgaven kan fungere som et viktig grunnlag for videreutvikling i området. Koden for dette prosjektet er tilgjengelig på https://github.com/MrWe/NEAT_MCTS