Pythonではじめるオープンエンドな進化的アルゴリズム

まえがき

Ⅰ部　基礎知識

1章　創造し続けるAIへ：オープンエンドな探索
    1.1　人工知能の学習と目的関数の役割
    1.2　目的型探索の限界
    1.3　終わりなき探索：オープンエンドな探索の可能性
    1.4　コンピュータを用いたオープンエンドな探索の実現方法
        1.4.1　集団的探索の力：共同での解決策探求
        1.4.2　未知の開拓：目的に囚われすぎない探索
        1.4.3　多様性の確保：多角的な視点からの探索
        1.4.4　環境の活用：探索空間の拡張
    1.5　まとめ

2章　進化的アルゴリズムの基礎
    2.1　NEATアルゴリズム
        2.1.1　遺伝的アルゴリズムの概要
        2.1.2　NEATアルゴリズムの概要
    2.2　NEATアルゴリズムの実装
        2.2.1　アルゴリズムの流れ
    2.3　XOR回路の実験
        2.3.1　ニューラルネットワーク（表現型）の初期構造
        2.3.2　サンプルプログラムの実装
        2.3.3　サンプルプログラムの実行
    2.4　迷路の実験
        2.4.1　迷路
        2.4.2　ロボット
        2.4.3　設定ファイル
        2.4.4　評価クラス
        2.4.5　評価関数
        2.4.6　実行
        2.4.7　サンプルプログラムの実行
    2.5　ロボットの実験
        2.5.1　ロボットの構造
        2.5.2　評価クラスと実行方法
        2.5.3　評価関数
        2.5.4　実行
        2.5.5　サンプルプログラムの実行
    2.6　CPPN
        2.6.1　CPPNの概要
        2.6.2　CPPNの利点
        2.6.3　CPPNアルゴリズムの実装
    2.7　CPPN-NEATアルゴリズム
        2.7.1　CPPNによる画像生成の仕組み
        2.7.2　Picbreeder
        2.7.3　CPPN-NEATによるロボット構造の進化
    2.8　CPPN-NEATアルゴリズムの実装
        2.8.1　アルゴリズムの流れ
        2.8.2　主なクラス
        2.8.3　実行
        2.8.4　サンプルプログラムの実行
    2.9　まとめ

Ⅱ部　発散的な探索

3章　新規性探索アルゴリズム
    3.1　新規性を追求する目的のない探索
    3.2　目的関数に基づくアプローチの限界
    3.3　新規性探索アルゴリズムのアプローチ
    3.4　二足歩行ロボットの実験
    3.5　新規性探索アルゴリズムと目的型探索の違い
    3.6　新規性探索アルゴリズムがうまくいく3つの理由
        3.6.1　理由1：現在と過去を比べることは簡単である
        3.6.2　理由2：単純な行動から複雑な行動へと進化していく
        3.6.3　理由3：思わぬ行動が目的達成の足がかりとなる
    3.7　新規性探索アルゴリズムの実装
        3.7.1　新規性計算モジュールの導入
        3.7.2　個体の行動データの取得
        3.7.3　アルゴリズムの流れ
    3.8　迷路タスク
        3.8.1　MazeControllerEvaluatorNSクラス
        3.8.2　実行
        3.8.3　サンプルプログラムの実行
    3.9　ロボットタスク
        3.9.1　EvogymControllerEvaluatorNSクラス
        3.9.2　実行
        3.9.3　サンプルプログラムの実行
        3.9.4　目的型探索との比較
    3.10　まとめ

4章　品質多様性アルゴリズム
    4.1　生態学的ニッチと品質多様性アルゴリズム
    4.2　Map-Elitesアルゴリズム
    4.3　Map-Elitesアルゴリズムの応用事例
        4.3.1　ソフトロボットの設計への応用
        4.3.2　適応的なロボット設計への応用
        4.3.3　人間にも難しいゲームのクリア
    4.4　Map-Elitesアルゴリズムの実装
        4.4.1　アルゴリズムの流れ
        4.4.2　主なクラス
        4.4.3　行動記述子の設計
        4.4.4　実行
        4.4.5　サンプルプログラムの実行
        4.4.6　平らな地面を歩くタスク： Walker-v0
        4.4.7　行動記述子を設定して実行する
    4.5　まとめ

Ⅲ部　共進化による探索

5章　共進化アルゴリズム
    5.1　共進化とは
        5.1.1　最小基準共進化アルゴリズム
        5.1.2　環境に制約を加える
    5.2　MCCアルゴリズムの実装
        5.2.1　アルゴリズムの流れ
    5.3　迷路実験
        5.3.1　ブートストラップ
        5.3.2　実行
        5.3.3　サンプルプログラムの実行
    5.4　まとめ

6章　POETアルゴリズム
    6.1　共進化：複雑で多様な環境への適応
        6.1.1　POETアルゴリズムの概要
        6.1.2　POETアルゴリズムがうまくいく理由
    6.2　POETアルゴリズムの実装
        6.2.1　アルゴリズムの流れ
        6.2.2　Evolution Gymでの実装
    6.3　サンプルプログラムの実行
        6.3.1　前に進むタスク：Parkour-v0
        6.3.2　回転することに報酬が与えられるタスク：Parkour-v1
        6.3.3　環境に関するパラメータ
    6.4　まとめ

Ⅳ部　オープンエンドな探索のこれから

7章　おわりに
    7.1　生成モデルによるオープンエンドなアルゴリズムの新展開
    7.2　多様なゲームステージを生成する
        7.2.1　大規模言語モデルを利用したゲームステージの生成
        7.2.2　新規性探索アルゴリズムを活用した多様なステージ生成
    7.3　多様なエージェントを生成する　
    7.4　大規模言語モデルの可能性
        7.4.1　従来の遺伝子エンコーディングとランダムな突然変異の限界
        7.4.2　大規模言語モデルによるエンコーディングと賢い探索
        7.4.3　 Picbreederによる人間との相互作用を取り入れたオープンエンドな探索
        7.4.4　現代版Picbreederとその進化
    7.5　オープンエンドなアルゴリズムのさらなる発展に向けて
        7.5.1　複数エージェントによる戦略の共進化
    7.6　さいごに
    7.7　まとめ

付録A　Evolution…Gym入門
    A.1　Evolution Gymと仮想世界のロボット
    A.2　ロボットの設計
    A.3　ロボットの観測値
    A.4　サンプルプログラムを実行する
    A.5　サンプルプログラムで提供しているロボットの構造
    A.6　結果を可視化する

参考文献
索引