1 / 34

U MEL Á I NTELIGENCI A prednáška č. 9

U MEL Á I NTELIGENCI A prednáška č. 9. Prírodne inšpirované prehľadávacie algoritmy Marian.Mach @ tuke.sk http ://neuron.tuke.sk/~machm. Osnova prednášky. Úvod Požiadavky na riešenú úlohu Priestor prehľadávania Všeobecný prehľadávací algoritmus Sledovanie činnosti algoritmu Aplikácie

Download Presentation

U MEL Á I NTELIGENCI A prednáška č. 9

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. UMELÁ INTELIGENCIA prednáška č. 9 Prírodne inšpirované prehľadávacie algoritmy Marian.Mach@tuke.sk http://neuron.tuke.sk/~machm Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  2. Osnova prednášky • Úvod • Požiadavky na riešenú úlohu • Priestor prehľadávania • Všeobecný prehľadávací algoritmus • Sledovanie činnosti algoritmu • Aplikácie • Ukážky algoritmov • (prehľadávanie v akcii - SU) • Záver Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  3. Prehľadávanie inšpirované prírodou • Postupné generovanie a testovanie riešení (kandidátov) • potrebné preskúmať veľké množstvá kandidátov pre nájdenie riešenia (typickytisíce až milióny) • Prírodná inšpirácia • je chápaná ‘voľne’ (a môže byť realizovaná v širokom rozsahu) • nesnaží sa modelovať prírodné procesy • cieľom je použiť vynálezy prírody pre riešenie úloh • soft computing, computational intelligence Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  4. (A1=h18)(A2=h26) (A1=h13)(A2=h29) nízka vhodnosť vysoká vhodnosť Požiadavky na riešenú úlohu • tvar riešenia (prirodzený alebo transformácia) • rozklad na zložky (atribúty a ich hodnoty) • možnosť ohodnotenia ‘pokusu o riešenie’ • porovnávanie riešení pomocou globálneho kritéria (A1=h1i),...,(An=hnk) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  5. Metódy slabé a silné Background (domain) knowledge Silná metóda Ideálna slabá metóda Slabá metóda Slabá metóda Silná • neexistuje silná metóda • silná metóda z praktických dôvodov nepoužiteľná • postačuje výkonnosť slabej metódy Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  6. h21 h22 h23 A2 h24 h11 h14 h12 h13 A1 Priestor prehľadávania • N-rozmerný priestor (N = počet atribútov) • atribút = súradná os • hodnoty atribútu mapované na hodnotyna súradnej osi • body priestoru reprezentujú potenciálne riešenia (kandidátov riešení) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  7. Plocha vhodnosti • (N+1)-vá súradná os reprezentuje (ne)vhodnosť riešení • vhodnosť nemusí byť definovaná (zakázaná oblasť) • hľadáme extrém (podľa definície vhodnosti) h21 h22 h23 A2 h24 h11 h14 h12 h13 A1 Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  8. Ukážka reprezentácie Priestor riešení • všeobecná úloha • pevný počet krokov • triediaca úloha • premenlivý počet krokov • selekčná úloha Priestor prehľadávania 0321224250 Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  9. Všeobecný prehľadávací algoritmus • Počet jedincov • populačný alg. • individuálny alg. • Spôsob tvorby novej populácie • ‘exploration’ (random search) • ‘exploitation’ (gradient search) Populácia jedincov Koniec ? Nová populácia Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  10. vhodnosť vhodnosť max max generácia generácia Sledovanie činnosti algoritmu • Individuálny / štatistický pohľad na populáciu • Vývoj vhodnosti (priemernej, max. a min, ...) • Iné miery (konvergencia, pokrytie priestoru prehľadávania) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  11. Aplikácie • PIPA sa vo všeobecnosti používajú pre riešenie: • syntetických úloh • (pseudo)optimalizačných úloh • Častý výskyt ako ‘pomocnej’ metódy (v pozadí) • strojové učenie / dolovanie dát • neurónové siete • úlohy s ohraničeniami • KKUI: • Zostavovanie kŕmnych dávok hovädzieho dobytka Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  12. GECCO’99 • 73 príspevkov v sekcii Real World Applications • riadenie (riadenie skleníka, znalostné bázy pre fuzzy regulátory, optimálna priepustnosť výrobnej linky) • predikcia (magnetoencefalogramy epileptických pacientov, zhoršovanie vizuálneho poľa pacientov) • robotika (úchop predmetov, optimálna cesta) • alokácia zdrojov (priraďovanie frekv. kanálov) • návrh (analógové a digitálne elektronické obvody) • plánovanie (vzdušné hliadkovanie, časové rozvrhy) • modelovanie (preteky v zbrojení - India a Pakistan) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  13. Evolučný algoritmus • Populačný (paralelný) algoritmus • Pseudostochastický algoritmus • Široká skupina algoritmov: • genetické algoritmy • evolučné stratégie • evolučné programovanie • genetické programovanie • diferenciálna evolúcia • eugenická evolúcia Inšpirácia: • Prirodzený výber (Darwin) • Génová dedičnosť (Mendel) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  14. Selekcia • Prehľadávanie je riadené umelou evolúciou tvoriacou selekčný tlak • kto sa reprodukuje • vhodnejší jedinci majú väčšiu šancu než menej vhodní • kto prežije • oddelené generácie vs. viacgeneračné spoločenstvá Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  15. Tvorba potomkov • Jedince (chromozómy) majú tvar ‘genetického kódu’ reprezentovaného riešenia • Typicky viacstupňový proces • Premiešavanie genetického materiálu rodičov • Zmena genetického materiálu (jeden alebo viac/ mnoho rodičov) Rodičia kríženie Genetické operátory mutácia Potomkovia Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  16. Základná štruktúra EA Generovanie jedincov Nová populácia Tvorba potomkov Vyhodnotenie jedincov T = T + 1 Vyhodnotenie potomkov Koniec ? Výber rodičov Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  17. EA demo - pôvodná populácia B C B: SZ J J SV SZ JZ S J S S C: JZ SV JZ S JV SZ JZ JV JV SV Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  18. EA demo - nová populácia B: SZ J J SV SZ JZ S J S S C: JZ SV JZ S JV SZ JZ JV JV SV B’ C’ B’: SZ J J SV SZ JZ S JV JV SV C’: JZ S JV SZ JZ J S S SV JZ Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  19. Anjeli & Smrteľníci • Populačný (paralelný) algoritmus • Stochastický algoritmus • Dva typy jedincov • smrteľníci (body v priestore prehľadávania) • anjeli (riadia beh vecí) • Prehľadávanie riadené umelým svetom • Vhodnosť ~ dĺžka života Inšpirácia: • Komplexné chovanie ekologických systémov Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  20. Svet A&S • ‘svet’ má konečné rozmery • je uzavretý (toroidálny tvar) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  21. Základná štruktúra A&S Generovanie smrteľníkov Klonovanie Pozbieranie mŕtvych Rozmiestnenie jedincov Mutácia Pohyb Koniec ? Skrátenie života Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  22. A&S demo D D: SZ SZ SV JV J SV JZ J J SZ D’ Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  23. Umelé mravce (mravčie kolóny) • Populačný (paralelný) algoritmus • Pseudostochastický algoritmus • Umelý mravec: • kladie a orientuje sa podľa feromónovej stopy • nie je úplne slepý • stochastický výber cesty • má pamäť (nikdy nejde tam kde už bol) Inšpirácia: • Kolektívne chovanie mravčích kolónií Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  24. Hľadanie najkratšej cesty • Charakter kladnej spätnej väzby Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  25. Prehľadávanie • Prehľadávanie je vykonávané v umelom svete (v ktorom sa hľadá najkratšia cesta) • bod v pôvodnom priestore prehľadávania je cestou v mravčom svete • Je možné definovať vzdialenosti medzi bodmi • Vhodnosť sa použije na update feromónových stôp pozdĺž ciest v mravčom svete • Jedinec sa generuje ako náhodná cesta • závisí od feromónovej stopy a od vzdialeností Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  26. Základná štruktúra UM Rozmiestnenie mravcov Generovanie ciest Kladenie ferom. stopy Generovanie ciest Vyhodnotenie ciest Rozmiestnenie mravcov Koniec ? Vyhodnotenie ciest Vyprchávanie feromónu Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  27. S SV JV J JZ S S S SZ SV SV SV JV JV JV J J J JZ JZ JZ SZ SZ SZ UM demo Vzdialenosti • SZ SZ SV ..... Štart Feromón Štart Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  28. Simulované žíhanie • Nie je populačným algoritmom • Stochastický algoritmus • Nezávisle objavený aj Černým z Katedry teoretickej fyziky MFF UK v Bratislave • Metóda vhodná na hľadanie globálneho minima • je to vlastne horolezecký algoritmus umožňujúci únik z lokálneho extrému Inšpirácia: • Fyzikálna evolúcia makroskopic-kých systémov Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  29. pravdepodobnosť T1 > T2 > T3 1.0 T1 T2 T3 vhodnosť akt. Akceptácia nového riešenia • Nové riešenie je akceptované podľa vhodnosti na pravdepodobnostnom základe • pre dosiahnutie rovnováhy systém zotrváva na každej teplote určitý čas Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  30. Základná štruktúra SŽ Generovanie jedinca Koniec ? Akceptácia Vyhodnotenie jedinca Generovanie jedinca Vyhodnotenie Koniec ? Nastavenie teploty Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  31. SŽ demo D D: SZ SZ SV JV J SV JZ J J SZ D1 D2 D1: ... JV ... D2: ... SV ... Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  32. Dynamické určovanie vhodnosti • Nie je samostatným algoritmom ale rozšírením iných algoritmov • Určovanie vhodnosti (tvar plochy vhodnosti) spôsobuje: • úloha je príliš ľahká - nie je tlak na pokračovanie vývoja • úloha je príliš obtiažna - algoritmus sa nevie ‘zachytiť’ Inšpirácia: • Vzťah dravec-korisť Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  33. Koevolučné určovanie vhodnosti • Súťaženie (najčastejšie) dvoch populácií • obe sa vyvíjajú • jedna je stabilná (aktivujú sa jej rôzne časti) • Dvojité prehľadávanie • toho istého priestoru prehľadávania • rôznych priestorov - každá populácia má svoj (jedna reprezentuje riešenia, druhá nejaké pomocné objekty) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  34. Základná koevolučná štruktúra ... ... Koniec ? Koniec ? ... ... Vyhodnotenie Vyhodnotenie Súboj ... ... Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

More Related