Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Sztuczne życie i algorytmy genetyczne dr inż. Piotr Gołąbek.

Podobne prezentacje


Prezentacja na temat: "Sztuczne życie i algorytmy genetyczne dr inż. Piotr Gołąbek."— Zapis prezentacji:

1 Sztuczne życie i algorytmy genetyczne dr inż. Piotr Gołąbek

2 Soft computing Algorytmy genetyczne – hipotetyczne zasady rządzące zjawiskiem życia Sztuczne sieci neuronowe – fizjologiczne podstawy funkcjonowania naszego mózgu Logika rozmyta – sposób rozumowania właściwy człowiekowi

3 Gra w życie John Conway (lata sześćdziesiąte) Zasady: –komórka która ma mniej niż dwóch sąsiadów obumiera (z samotności) –komórka, która ma więcej niż trzech sąsiadów obumiera (z zatłoczenia) –w pustym polu, które ma dokładnie trzech sąsiadów rodzi się nowa komórka

4 Gra w życie Konfiguracja stabilna:

5 Gra w życie Konfiguracja stabilna:

6 Gra w życie Konfiguracja quasi-stabilna:

7 Gra w życie Wiele kolonii kończy swój rozwój na stabilnych lub quasi stabilnych konfiguracjach Wiele kolonii znika Są też konfiguracje, które rozwijają się dość burzliwie

8 Gra w życie - przykłady Konfiguracja Life Conways Life – z prostej kolonii – burzliwy rozwój Konfiguracja Vanishing –bogata kolonia znika Konfiguracja – quasi stabilna bogata kolonia utrzymująca się przy życiu

9 Automaty komórkowe Gra w życie jest przykładem automatu komórkowego Automat komórkowy to dyskretny, dynamiczny model rządzony lokalnymi regułami oddziaływań Zamiast opisywać całe zjawisko globalnie, próbuje się zdefiniować lokalne reguły, prowadzące do analizowanego globalnego efektu

10 Automaty komórkowe Można zastosować inne reguły np. konfiguracja Larger than Life Globe Seed_r27 Większe sąsiedztwo, wiele stanów (starzenie się), zmienione reguły rodzenia się, przetrwania i obumierania

11 Przykład zastosowania Modelowanie sieci energetycznych Projekt CAPOW Instytutu Santa Fe ( ) Sieć energetyczna jest złożonym dynamicznym, równoległym systemem, rządzonym lokalnymi oddziaływaniami Takie złożone, równoległe systemy są praktycznie nieprzewidywalne, w tym sensie, że nie ma krótszej drogi predykcyjnej niż symulacja zachowania się systemu – np. za pomocą automatu komórkowego

12 CAPOW - przykład Przykład symulacji zjawiska cyklicznego zaniku energii (np. w wielkich miastach) – 2D Hodge

13 Zjawisko samoorganizacji Lokalne oddziaływania prowadzą do wyłaniania się globalnych, regularnych struktur Podstawowe dwa rodzaje lokalnych oddziaływań to współzawodnictwo o zasoby i współpraca (inhibicja i aktywacja) Współzawodnictwo o zasoby ma jedną podstawową przyczynę – zasoby są ograniczone

14 Sieci neuronowe SOM Przykład systemu z wbudowanymi mechanizmami samoorganizacyjnymi

15 Problem komiwojażera Znaleźć najkrótszą drogę objazdu n miast i powrotu do punktu wyjścia START 27 Waga połączenia oznacza odległość, względnie koszt przemieszczenia się z miasta do miasta

16 Problem komiwojażera Próbne trasy: (1,2,3,4,5,1), (1,2,3,5,4,1), (1,2,5,3,4,1),... Permutacje bez powtórzeń: (START,n-1,n-2,...,1,START) Ilość wszystkich możliwości: (n-1)!

17 Problem komiwojażera Np. dla 30 miast: 29! = Procesor 1GHz, rozpatrujący jedną trasę w jednym takcie zegara (1ns), czas wykonania: sek godz dni lat Wiek Wszechświata: lat * wiek Wszechświata

18 Problem komiwojażera - SOM Prezentacja TSP-2D Prezentacja TSP-3D

19 Tworzenie mapy kolorów Prezentacja SOMDEMO

20 Mapa topologiczna Dane o zamożności

21 Mapa topologiczna Mapa zamożności

22 Wracając do sztucznego życia... Spostrzeżenia z gry w życie: –Proste reguły rządzące ewolucją prowadzą do bogactwa struktur –Mimo to, powstają regularne, stabilne struktury –Mała zmiana reguł prowadzi do znaczącej zmiany powstających struktur

23 Mrówka Langtona Inny prosty automat komórkowy – na żółtym polu skręca w lewo, na szarym polu – skręca w prawo, po wejściu na pole, zmienia jego kolor na przeciwny Mimo dość chaotycznego zachowania, nieuchronnie powstają regularne wzorce (szlak prowadzący po przekątnej) Demonstracja mrówki Langtona

24 Didaboty

25 Początek eksperymentu:

26 Didaboty Koniec eksperymentu:

27 Co robiły Didaboty? Film

28 Didaboty unikają przeszkód

29 Didaboty Pewne cechy morfologiczne robotów (ustawione rozbieżnie czujniki zbliżeniowe) oraz pewne cechy środowiska (granice areny) sprawiają, że roboty zachowują się w taki a nie inny sposób

30 Ławica ryb Proste reguły: –Każda ryba stara się zająć pozycję będącą średnią pozycji jej sąsiadów –Każda ryba stara się być skierowana w tę samą stronę, co jej sąsiedzi –Każda ryba unika kontaktu z sąsiadami –Oczywiście każda ryba ucieka w panice przed rekinem! Prezentacja: Fish

31 Algorytmy genetyczne Algorytmy genetyczne – jedna z technik AI, która usiłuje wykorzystać taką wstępnie zaprogramowaną populację osobników, ewoluujących w narzuconych warunkach do rozwiązania użytecznych problemów

32 Algorytmy genetyczne Każdy organizm ma zestaw wstępnie zaprogramowanych cech, zakodowanych w genach Geny połączone są w łańcuchy zwane chromosomami Każdy gen ma swoje znaczenie, np. może odpowiadać za kolor oczy, podatność na jakąś chorobę, itp..

33 Algorytmy genetyczne Kiedy organizmy rozdzielnopłciowe rozmnażają się, potem dostaje mieszankę genów swoich rodziców – następuje tzw. rekombinacja Dodatkowo geny podlegają mutacjom – zmieniają się losowo (np. pod wpływem promieniowania) Zmiana genotypu pociąga za sobą zmianę fenotypu.

34 Algorytmy genetyczne Z drugiej strony każdy organizm podlega mechanizmom selekcji naturalnej: organizmy dobrze przystosowane mają większe szanse przetrwania (i pomyślności) organizmy źle przystosowane giną mając małe szanse na przekazanie swojego genotypu potomstwu. Jest to darwinowska koncepcja ewolucji. Każdy gatunek jest alternatywnym rozwiązaniem problemu przetrwania

35 Algorytmy genetyczne AG starają się naśladować naturę i stosować podobne mechanizmy do rozwiązywania użytecznych dla człowieka problemów. Populacja organizmów poddawanych ewolucji przy użyciu AG stara się wykształcić osobniki jak najlepiej przystosowane, tj. jak najlepiej rozwiązujące zadany problem. Genotyp każdego osobnika stanowi propozycję rozwiązania problemu. W trakcie ewolucji osobniki poddawane są mechanizmom selekcji, krzyżowania i mutacji.

36 Algorytmy genetyczne Pierwszy krok AG to zaprojektowanie sposobu kodowanie rozwiązania – ustalenie struktury chromosomu: z ilu genów (cech, składowych) chromosom się składa, jak jest kodowana wartość poszczególnych cech Chromosom zazwyczaj jest po prostu ciągiem liczb, często stosowany jest kodowanie binarne, w wyniku czego chromosom staje się ciągiem zer i jedynek

37 Chromosomy Ilość miejsc Szerokość Wysokość Długość Typ silnika Dach Waga

38 Algorytmy genetyczne Algorytm zaczyna od stworzenia całkowicie losowej populacji osobników. Chromosomy tych osobników mają losowe wartości. Każdy osobnik (chromosom) poddawany jest ocenie przez tzw. funkcję przystosowania. Wartość tej funkcji określa, czy osobnik jest lepszym czy gorszym rozwiązaniem problemu

39 Ewolucja w AG Każdy krok ewolucji składa się z następujących operacji: –Z populacji losowana są dwa osobniki przeznaczone do krzyżowania. Proces jest losowy, ale szansa na wylosowanie zależy od wartości funkcji przystosowania dla danego osobnika

40 Ewolucja wAG –Rozstrzygane jest przez losowanie, czy wybrane osobniki poddawane są krzyżowaniu (szansa na skrzyżowanie jest zwykle dość duża, typowo – 0.7). –Jeśli dochodzi do krzyżowania, osobniki wymieniają się fragmentami chromosomów (punkt podziału chromosomów jest losowany):

41 Ewolucja w AG –Przeprowadzana jest mutacja chromosomów ale tylko z pewnym (bardzo małym) prawdopodobieństwem. Mutacja polega na zamianie wylosowanego bitu na przeciwny

42 Algorytmy genetyczne Nadrzędną rolę pełni funkcja przystosowania, która wyznacza kierunek ewolucji, poprzez bezpośrednie oddziaływanie na krytyczną składową algorytmu – krzyżowanie Przykład - biomorfy

43 Biomorfy Prezentacja Biomorph biomorph\apponly.htm

44 Biomorfy

45 Geny: –Kąt gałęzi skierowanych do góry –Kąt gałęzi skierowanych do dołu –Wydłużenie gałęzi do góry –Wydłużenie gałęzi do dołu –Smukłość (wydłużenie) organizmu –Gradient – gwałtowność skracania się gałęzi –Kolor

46 Użyteczne zastosowanie GA Wszelkie algorytmy optymalizacyjne Przykład – kółka Przykład – domy

47 Po co losowość Gdyby ewolucja przebiegała bez elementu losowego, mogłaby zabrnąć w ślepą uliczkę Losowość pozwala na okresowe zróżnicowanie puli rozważanych rozwiązań W ten sposób więcej rozwiązań ma szansę być sprawdzonych

48 Genetic Art..


Pobierz ppt "Sztuczne życie i algorytmy genetyczne dr inż. Piotr Gołąbek."

Podobne prezentacje


Reklamy Google