Evolving Non-Dominated Parameter Sets for Computational Models from Multiple Experiments
Evolving Non-Dominated Parameter Sets for Computational Models from Multiple Experiments
复制标题
通过多次实验演化计算模型的非支配参数集
DOI：
10.2478/jagi-2013-0001
复制
发表时间：
2013
期刊：
影响因子：
--
通讯作者：
F. Gobet
中科院分区：
文献类型：
--
作者：
Peter Lane;F. Gobet
摘要建立鲁棒的、可重复的和最优的计算模型是许多科学理论家面临的一个关键挑战。心理学和认知科学面临着特殊的挑战，因为收集了大量的数据，许多模型不适合用于计算参数集的分析技术。特定的问题是为给定的数据集定位可接受的模型参数的全范围，并确认不同数据集的模型参数的一致性。解决这些问题将提供一个更好的理解计算模型的行为，从而支持一般和强大的模型的发展。在这篇文章中，我们解决这些问题，使用进化算法来开发参数的计算模型对多组实验数据，特别是，我们提出了“speciated非支配排序遗传算法”的发展模型在几个理论。我们讨论的问题，开发一个模型的分类使用29套数据和模型来自四个不同的理论。我们发现，进化算法生成高质量的模型，适合提供一个很好的适合所有可用的数据。
Abstract Creating robust, reproducible and optimal computational models is a key challenge for theorists in many sciences. Psychology and cognitive science face particular challenges as large amounts of data are collected and many models are not amenable to analytical techniques for calculating parameter sets. Particular problems are to locate the full range of acceptable model parameters for a given dataset, and to confirm the consistency of model parameters across different datasets. Resolving these problems will provide a better understanding of the behaviour of computational models, and so support the development of general and robust models. In this article, we address these problems using evolutionary algorithms to develop parameters for computational models against multiple sets of experimental data; in particular, we propose the ‘speciated non-dominated sorting genetic algorithm’ for evolving models in several theories. We discuss the problem of developing a model of categorisation using twenty-nine sets of data and models drawn from four different theories. We find that the evolutionary algorithms generate high quality models, adapted to provide a good fit to all available data.
DOI：
10.1037//0278-7393.26.6.1735
发表时间：
2000
期刊：
Journal of experimental psychology. Learning, memory, and cognition
影响因子：
--
作者：
Nosofsky,RM
通讯作者：
Nosofsky,RM