Parte IV · Cap. 24 — Neuroevolução
*Evolutiva + conexionista · Controlejogos · Evolução de topologiapesos de rede.* Usa evolução para descobrir arquiteturas e pesos de redes neurais. Card:
../02-tipos-de-ia/04-evolutiva.kmd.
🎨 Figura
F-IV.24.0— Redes que evoluem. Brief: topologias de rede mudando ao longo de gerações (nós/conexões sendo adicionados), selecionadas por desempenho numa tarefa de controle.
1. Definição e história curta
Aplica algoritmos evolutivos (cap. 23) a redes neurais, evoluindo estrutura e pesos sem backprop. Marcos: NEAT (2002), HyperNEAT; ressurge em *neural architecture search* e como alternativa ao RL.
2. Fundamentos
- Biologia evolutiva — evolução de estruturas.
- Conexionismo — redes neurais como fenótipo.
- Otimização sem gradiente — busca populacional.
- Teoria de sistemas complexos — complexificação gradual.
3. Algoritmos e arquiteturas
- NEAT — evolui topologia + pesos; speciation protege inovação.
- HyperNEAT — gera padrões de conectividade (indireto).
- ES para RL — estratégias evolutivas competindo com policy gradient.
- NAS evolutivo — busca de arquiteturas de deep learning.
4. Insumos
- Hardware: CPU/GPU; muito paralelizável (avaliações independentes).
- Dados: ambiente/tarefa + função de aptidão.
- Estruturas de dados: genomas de rede (grafos), população.
- Sistemas: frameworks NEAT, infra de avaliação paralela.
5. Ciclo de vida especializado
| Etapa | Especialização |
|---|---|
| 0 Problema | Controle/jogo onde o gradiente é difícil; busca de arquitetura |
| 1 Dados | Ambiente + aptidão (recompensa da tarefa) |
| 2 EDA | Dificuldade da tarefa, fitness landscape |
| 3 Modelagem | Codificação de rede, operadores, speciation |
| 4 "Treino" | Evoluir populações de redes |
| 5 Avaliação | Desempenho na tarefa, complexidade da rede |
| 5.5 Homologação | Robustez, generalização |
| 6 Produção | Implantar a melhor rede evoluída |
| 7 Monitoramento | Desempenho em condições novas |
| 8 Retreino | Re-evoluir |
| 9 Governança | Conforme aplicação |
6. Capacidades, modos e modalidades
Controle/descoberta: agentes de jogo, controle robótico, descoberta de arquitetura; aprende sem backprop — útil em recompensas esparsas/não- diferenciáveis.
7. Limites, riscos e ética
Custo (muitas avaliações); escala limitada vs deep learning por gradiente; melhor em redes pequenas/médias. Complementa, não substitui, o gradiente.
8. Estado da arte e exemplos
NEAT e descendentes, evolution strategies para RL (OpenAI ES), NAS evolutivo; nicho onde gradiente falha ou a arquitetura é o alvo da busca.