Predykcja chaotycznych szeregów czasowych przy pomocy Algorytmów Genetycznych

1. Predykcja chaotycznych szeregów czasowych przy pomocy AlgorytmówGenetycznych mgr inż.Marcin Borkowski

2. W skrócie • Odległy cel • Ambitne założenia • Droga do celu • Ewoluujące wzorce • Karkołomna implementacja • Pierwsze wyniki • Dalsze problemy i prace mgr inż.Marcin Borkowski

3. Cel • Przewidywanie kolejnych wartości liczbowych szeregu czasowego na podstawie wiedzy o jego poprzednich wartościach Zastosować opracowaną metodę w praktyce Zostać bogatym ;-) mgr inż.Marcin Borkowski

4. Założenia • Sama wartość predykcji nie wystarczy, potrzeba współczynnika zaufania • W trudnych przypadkach system może dać kilka odpowiedzi • Praca i uczenie się systemu są operacjami tożsamymi mgr inż.Marcin Borkowski

5. Założenia • Predykcja na podstawie nie pełnych danych • Dalszy horyzont predykcji • Uwzględnianie wielu czynników podczas predykcji • Skalowalność mgr inż.Marcin Borkowski

6. Rozwiązanie ? • Wzorce pamięci mgr inż.Marcin Borkowski

7. Rozwiązanie ? • Odpytanie wzorca Zk mgr inż.Marcin Borkowski

8. Rozwiązanie ? • Mała rozbieżność punktów testowych prawdopodobnie pozostaje w korelacji z prawdopodobieństwem prawidłowej predykcji • Na odpowiedź systemu składa się wypadkowa odpowiedzi wszystkich wzorców mgr inż.Marcin Borkowski

9. Rozwiązanie ? • Odpytanie wzorców Z1-Zn Uczenie mgr inż.Marcin Borkowski

10. Rozwiązanie ? • Wzorce mało wiarygodne (w danej chwili) nie są brane do predykcji • w razie braku dość dużej liczby wzorców system nie daje odpowiedzi • Skalowanie to podstawa • Pozostaje problem jak zdobyć i utrzymać efektywny zbiór wzorców ? mgr inż.Marcin Borkowski

11. Rozwiązanie ewolucyjne • Wzorce mogą być osobnikami algorytmu genetycznego lub ewolucyjnego • ale: • nie chodzi o wyszukanie super osobnika, ale o skuteczną populacje. mgr inż.Marcin Borkowski

12. Rozwiązanie ewolucyjne • Klasyczny napór ewolucyjny zawodzi • Potrzeba nowych metod oceny • Potrzeba nowej metody selekcji • bieżąca nieprzydatność o niczym nie świadczy • Potrzeba prezentacji osobnika mgr inż.Marcin Borkowski

13. Implementacja • Wzorce przewidujące 1 krok, o stałej ilości segmentów • Reprezentacja binarna (bloki reprezentujące węzły (dystans od bieżącego pomiaru, wartość) • standardowe operatory genetyczne, selekcja ruletkowa ze skalowaniem mgr inż.Marcin Borkowski

14. Implementacja • Ocena (fitness)kumulacyjna: • jeżeli wzorzec był przydatny i wiarygodny i się sprawdził, jego ocena zwiększa się proporcjonalnie • jeżeli wzorzec mimo wiarygodności okazał się błędny proporcjonalnie traci ocenę • mało wiarygodny wzorzec mało zmienia swoją ocenę mgr inż.Marcin Borkowski

15. 1’sze wyniki • Początkowa populacja była losowa i algorytm musiał się nauczyć wzorców • Katastroficzne zapominanie • Zbyt silne dominowanie super osobników nad populacją mgr inż.Marcin Borkowski

16. 1’sze wyniki • Pozytywne (sprawdzone na drodze oszustwa) • udało się wypracować skuteczne skalowanie • udało się ze zbioru wyników wydobyć poprawne odpowiedzi mgr inż.Marcin Borkowski

17. Dalsze prace • Reasumując • brak sprawnej metody naboru do nowej populacji (metody oceny) • brak efektywnej prezentacji wzorca • i wiele dalszych prac mgr inż.Marcin Borkowski

18. EtapII • Reprezentacja bitowa pozostaje • Zmieniono zasady naboru i oceny • Zmieniono operatory • Dodano czynnik ścisku – algorytmy niszowe • Tymczasowa eliminacja skalowania, dane z zakresu <-1,1> mgr inż.Marcin Borkowski

19. EtapII • Nabór „rankingowy” inspirowany lepszymi niż nabór ruletkowy • Osobniki przed naborem są sortowane według przydatności • Podczas krzyżowania i mutacji powstające nowe osobniki są umieszczane na początku populacji (zastępują najsłabszych) mgr inż.Marcin Borkowski

20. EtapII • Operator krzyżowania zostawia w populacji oboje rodziców, dzieci są umieszczane na początku populacji • Operator mutacji zostawia oryginał, nowy osobnik z maksimum 1 mutacją jest przenoszony na początek populacji mgr inż.Marcin Borkowski

21. EtapII • Ocena osobnika • Każdy osobnik ma pewną długość n, pozwala to korzystając z dostępnych danych (seria N odczytów) sprawdzić N-n dopasowań. • Tylko dopasowania powyżej zadanego pułapu są uśredniane i uznawane za ocenę osobnika mgr inż.Marcin Borkowski

22. EtapII • Czynnik ścisku • Uniemożliwia superosobnikom zdominowanie populacji • Pozwala utrzymać w populacji wiele efektywnych, wysoko ocenianych osobnikow mgr inż.Marcin Borkowski

23. EtapII • Czynnik ścisku • Dla każdych 2 osobników w populacji wyliczany jest „dystans” • Jeżeli 2 osobniki są dość podobne (decyduje parametr) słabszy z nich zwiększa swój czynnik ścisku • Współczynniki ścisku dzielą wartość dopasowania mgr inż.Marcin Borkowski

24. EtapII • Czynnik ścisku • Odległość początkowo jako dystans Haminga • Różnica jednego bitu oznacza czasem dużą różnice we wzorcu! • Podobieństwo fizyczne wzorców pod rozkodowaniu chromosomu • Fizycznie niepodobne dopasowania mogą mieć zastosowania w podobnych przypadkach, jednak nie podlegają ściskowi! mgr inż.Marcin Borkowski

25. EtapII Prezentacja wyników testowych mgr inż.Marcin Borkowski

26. EtapIII • Nowe zastosowanie • Data Fitting • Zmiana reprezentacji chromosomu • Zmiana metody oceny • Zmiana metody predykcji • Zmiana metody liczenia dystansu mgr inż.Marcin Borkowski

27. EtapIII • Nowe zastosowanie • Wzorce można dopasowywać również wewnątrz szeregu i uzupełniać w ten sposób braki • Pokrywa to też poprzednie podejście predykcyjne • Umożliwia predykcje na kilka kroków w przód mgr inż.Marcin Borkowski

28. EtapIII • Zmiana reprezentacji chromosomu • Dotychczasowa wartość predykcji staje się ustalonym węzłem zero • Węzły są poprzesuwane o jeden dalej w kierunku starszych danych • Więcej osobników może teraz brać udział w predykcji mgr inż.Marcin Borkowski

29. EtapIII • Zmiana metody oceny • Podczas oceniania osobników pojawia się problem braku w danych • dla każdego węzła predykcji, któremu brakuje danej zakłada się maksymalne niedopasowanie • Do oceny brane są dopasowania tylko powyżej i równe średniej z danych (wyeliminowało to parametr) mgr inż.Marcin Borkowski

30. EtapIII • Zmiana metody predykcji • Każdy osobnik (dopasowanie) jest przypasowywane każdym węzłem do brakującej danej • Czyli każdy węzeł może stanowić o wartości predykcji, lub być jak poprzednio uwzględniany przy dopasowaniu mgr inż.Marcin Borkowski

31. EtapIII • Zmiana metody liczenia dystansu • Istotne dla dłuższych dopasowań o malej ilości węzłów • Porównuje się podobieństwo cząstkowych dopasowań (ocen) na danych uczących • Pozwala to uznać za podobne zupełnie różne fizycznie osobniki ! mgr inż.Marcin Borkowski

32. EtapIII Prezentacja wyników testowych mgr inż.Marcin Borkowski

33. Dziękuje za uwagę mgr inż.Marcin Borkowski