Analyse des Einflusses von Zufallszahlengeneratoren auf den NeuroEvolution of Augmenting Topologies Algorithmus

Abstract

In dieser Arbeit wird untersucht, wie sich unterschiedliche Zufallszahlengeneratoren auf den NeuroEvolution of Augmenting Topologies (NEAT) Algorithmus auswirken, indem die Pseudozufallszahlengeneratoren Xorshift, Mersenne Twister und Complementary-Multiply-With-Carry hinsichtlich ihrer Auswirkungen auf drei klassische Problemstellungen evaluiert werden: k-XOR, Spiraldaten-Klassifikation und Two-Pole-Balancing. Die Experimente analysieren, inwiefern Unterschiede in der Zufallszahlenerzeugung die Netzwerkevolution beeinflussen. Die resultierenden Leistungsmetriken werden mittels einer ANOVA-Analyse statistisch aus-gewertet, um mögliche Unterschiede zwischen den PRNGs zu identifizieren. Die Ergebnisse liefern wertvolle Erkenntnisse über die Robustheit von NEAT gegenüber der Wahl des Zufallszahlengenerators und tragen zur besseren Charakterisierung evolutionärer Algorithmen bei.

This study examines the effects of different random number generators on the NeuroEvolution of Augmenting Topologies (NEAT) algorithm by evaluating the pseudorandom number generators Xorshift, Mersenne Twister, and Complementary-Multiply-With-Carry in three benchmark problems: k-XOR, spiral data classification and two-pole balancing. The experiments analyze, whether differences in random number generation influence network evolution. The resulting performance metrics are statistically evaluated using an ANOVA to identify potential differences between the PRNGs. The findings provide valuable insights into the robustness of NEAT concerning the choice of PRNG and contribute to a better understanding of evolutionary algorithms.