Sztuczne życie i algorytmy genetyczne

Slides:



Advertisements
Podobne prezentacje
PODZIAŁ STATYSTYKI STATYSTYKA STATYSTYKA MATEMATYCZNA STATYSTYKA
Advertisements

Algorytmy genetyczne.
„Wielokryterialna optymalizacja pracy systemu wytwarzania o strukturze przepływowej – algorytm memetyczny” Przygotował: Dominik Żelazny, IIAR.
Mechanizm wnioskowania rozmytego
Wprowadzenie do optymalizacji wielokryterialnej.
Programowanie genetyczne (Genetic Programming)
Badania operacyjne. Wykład 1
Modelowanie i symulacja
Sztuczne sieci neuronowe
Algorytmy genetyczne Motto:
Stochastyczne modele gier ewolucyjnych Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski.
Hybrydowe metody optymalizacji geometrii. Prezentacja wyników.
Zmienność organizmów i jej przyczyny
Nieelitystyczne algorytmy ewolucyjnej optymalizacji wielokryterialnej
Krzysztof Suchecki wybrana prezentacja z konferencji ECCS'07 w Dreźnie Interacting Random Boolean Networks.
Opracował: dr inż. Michał Krzemiński
Magda Kusiak Karol Walędzik prof. dr hab. Jacek Mańdziuk
SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE
Sieci Hopfielda.
Wstęp do interpretacji algorytmów
Zapis informacji Dr Anna Kwiatkowska.
Uniwersytet Warszawski
Algorytmy genetyczne.
Algorytmy genetyczne.
Podział komórki:.
Kod Graya.
Piotr Rybiński. 1. Wstęp 2. Opis systemu i narzędzi 3. Algorytm 4. Przykłady działania 5. Porównanie z rzeczywistym systemem rozwoju 6. Rozszerzenia systemu,
Hipoteza cegiełek, k-ramienny bandyta, minimalny problem zwodniczy
Sztuczne Sieci Neuronowe
Algorytm genetyczny.
Algorytmy memetyczne i ich zastosowania
Nauki ścisłe vs. złożoność świata przyrody
A. Sumionka. Starodawna gra marynarska; Gra dwu i wieloosobowa; Gracze wykonują ruchy naprzemian; Złożona ze stosów, w których znajduje się pewna ilość
Grzegorz Mendel Początki genetyki.
Model I/O bazujący na HSWN Problem uczenia sieci HSWN
Matematyka i system dwójkowy
W ą t e k (lekki proces) thread.
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
VII EKSPLORACJA DANYCH
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Do technik tych zalicza się: * sztuczne sieci neuronowe
METODY PODEJMOWANIA DECYZJI
KARTY DŹWIĘKOWE.
Metoda badań eksperymentalnych i quasi-eksperymentalnych
Wyszukiwanie maksimum funkcji za pomocą mrówki Pachycondyla Apicalis.
Biologia PREZENTACJA EWOLUCJA.
Przygotowanie do egzaminu gimnazjalnego
Zasady arytmetyki dwójkowej
Algorytmy Genetyczne Anna Tomkowska Politechnika Koszalińska
Adaptacyjne Systemy Inteligentne Maciej Bielski, s4049.
Wstęp do interpretacji algorytmów
SZTUCZNA INTELIGENCJA
Zbiory fraktalne I Automaty komórkowe.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
Podstawowe reguły dziedziczenia genów
Zmiany w informacji genetycznej
Nikogo nie trzeba przekonywać, że eksperymenty wykonywane samodzielnie przez ucznia czy prezentowane przez nauczyciela sprawiają, że lekcje są bardziej.
Darwinowska teoria doboru naturalnego
GeneracjeTechnologia Architektura przetwarzania 0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej.
2.22. Procesy i zasady kodowania informacji genetycznej
1.22. Odczytywanie informacji genetycznej – przepis na białko
Akademia ETI 2016 LABORATORIUM 2 – OBSŁUGA WYŚWIETLACZA GRAFICZNEGO.
Elementy cyfrowe i układy logiczne
Jak można wykorzystać swoją wiedzę z Matlaba
Podstawy Informatyki.
Systemy neuronowo – rozmyte
Układy asynchroniczne
Metody sztucznej inteligencji
Systemy eksperckie i sztuczna inteligencja
Zapis prezentacji:

Sztuczne życie i algorytmy genetyczne dr inż. Piotr Gołąbek

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

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

Konfiguracja stabilna: Gra w życie Konfiguracja stabilna:

Konfiguracja stabilna: Gra w życie Konfiguracja stabilna:

Konfiguracja quasi-stabilna: Gra w życie Konfiguracja quasi-stabilna:

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

Gra w życie - przykłady Konfiguracja ‘LifeConway’s Life Rabbits@0’ – z prostej kolonii – burzliwy rozwój Konfiguracja ‘Vanishing star@20’ –bogata kolonia znika Konfiguracja ‘Round2@20,@0’ – quasi stabilna bogata kolonia utrzymująca się przy życiu Demonstaracje za pomocą oprogramowania Mirek’s Cellebration (Demonstracje/MirekCell). Strona: http://www.mirekw.com/index.html, konfiguracje z tego slajdu są w kategorii ‘Life/Conway’s Life’

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

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

Przykład zastosowania Modelowanie sieci energetycznych Projekt CAPOW Instytutu Santa Fe (1998-2004) 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

CAPOW - przykład Przykład symulacji zjawiska cyklicznego zaniku energii (np. w wielkich miastach) – ‘2D Hodge’ Oprogramowanie w katalogu: ‘Demonstracje/Capow 2003 Light’, strona: http://www.cs.sjsu.edu/faculty/rucker/capow/

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

Sieci neuronowe SOM Przykład systemu z wbudowanymi mechanizmami samoorganizacyjnymi

Znaleźć najkrótszą drogę objazdu n miast i powrotu do punktu wyjścia Problem komiwojażera Znaleźć najkrótszą drogę objazdu n miast i powrotu do punktu wyjścia 5 3 4 1 2 START 27 Waga połączenia oznacza odległość, względnie koszt przemieszczenia się z miasta do miasta

Permutacje bez powtórzeń: 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)!

Problem komiwojażera Np. dla 30 miast: 29! = 8841761993739701954543616000000 Procesor 1GHz, rozpatrujący jedną trasę w jednym takcie zegara (1ns), czas wykonania: 8841761993739701954543 sek 2456044998261028320 godz. 102335208260876180 dni 279604394155399 lat Wiek Wszechświata: 15000000000 lat 18640 * wiek Wszechświata

Problem komiwojażera - SOM Prezentacja ‘TSP-2D’ Prezentacja ‘TSP-3D’ Demonstracja 2D w katalogu: ‘Demonstracje/Travelling Salesman Problem 2D’, Demonstracja 3D w katalogu: ‘Demonstracje/Travelling Salesman Problem 3D’

Tworzenie mapy kolorów Prezentacja ‘SOMDEMO’ W katalogu: ‘Demonstracje/Color Map SOM’, strona: http://www.ai-junkie.com/som1.html, lokalna kopia: ‘Demonstracje/Color Map SOM/Info’

Mapa topologiczna Dane o zamożności

Mapa topologiczna Mapa zamożności

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

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 Applet Javy w katalogu: ‘Demonstracje/Mrowka Langtona’

„Didaboty”

„Didaboty” Początek eksperymentu:

„Didaboty” Koniec eksperymentu:

Co robiły „Didaboty”? Film Film w katalogu: ‘Demonstracje/Didabots’, norweska strona: http://www.idi.ntnu.no/grupper/ai/eval/fdagene/, ale jest też jeszcze w Zurichu Film

„Didaboty” unikają przeszkód

„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

Ławica ryb Proste reguły: Prezentacja: ‘Fish’ 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’ Applet Javy w katalogu ‘Demonstracje/Fish’

Algorytmy genetyczne Algorytmy genetyczne – jedna z technik AI, która usiłuje wykorzystać taką wstępnie „zaprogramowaną” populację osobników, ewoluujących w narzuconych warunkach do rozwiązania użytecznych problemów Info na temat w katalogu: ‘Demonstracje/Genetic/Info’, ze strony: http://www.ai-junkie.com/gat1.htm

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..

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.

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

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.

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

Chromosomy Dach Długość Ilość miejsc Szerokość Wysokość Typ silnika Waga

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

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

Ewolucja w AG 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):

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

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

Biomorfy Prezentacja ‘Biomorph’ biomorph\apponly.htm Prezentacje w katalogu: ‘Biomorph1’, ‘Biomorph2’. Zalecana ‘Biomorph2’, ale opis genomu na jednym z następnych slajdów dotyczy Biomorph1

Biomorfy

Biomorfy 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

Użyteczne zastosowanie GA Wszelkie algorytmy optymalizacyjne Przykład – kółka Przykład – domy Demonstracja w katalogu: ‘Demonstracje/Genetic – TiddlyWinks’, info w pliku: ‘Demonstracje/Genetic/Info/Genetic Algorithm Tutorial 3.htm’, ze strony: http://www.ai-junkie.com/gat3.htm. Domy – prezentacje w katalogu ‘Demonstracje/Genetic House’, ze strony: http://www.arch.usyd.edu.au/~rob/

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

Genetic Art.. Ze stron: http://www.arch.usyd.edu.au/~rob/java/applets/genart/GenArt.html, http://mzlabs.com/gart/g4.html http://www-2.cs.cmu.edu/~mjw/