Kvalitativno usmerjanje genetskih algoritmov pri vodenju dinamičnih sistemov

1. DIPLOMSKA NALOGA Kvalitativno usmerjanje genetskih algoritmov pri vodenju dinamičnih sistemov Gregor Leban mentor: prof. dr. Ivan Bratko

2. Namen • Genetski algoritmi pri svojem delovanju običajno ne uporabljajo nobenega znanja o problemu, ki ga rešujejo. • Dodatno znanje → pohitritev razvoja? • Moja eksperimentalna domena: vodenje dinamičnih sistemov • Kvalitativno znanje

3. Voziček z navpično postavljeno palico Naloga: premik vozička iz začetnega stabilnega položaja X0 do stabilnega ciljnega položaja X1, ne da bi pri tem padla palica.

4. Kontejnerski žerjav Naloga: premik tovora iz začetnega položaja (X0,L0) do ciljnega položaja (X1,LG), pri čemer tovor na cilju ne sme nihati

5. Vodenje dinamičnega sistema • bang-bang način vodenja (2 vrednosti za silo) • Kontroler je bil predstavljen v obliki kontrolne tabele

6. Kvalitativno sklepanje • Posplošene vrednosti spremenljivk • O vsaki spremenljivki imamo 2 podatka: • Vrednost spremenljivke • Vrednost odvoda • Vrednosti spremenljivke so lahko: • Odlikovane vrednosti (npr. za X’): minf, mmax, zero, max, inf • Interval med dvema sosednjima o.v.: zero..max • Smeri spreminjanja: inc, std, dec • Kvalitativne omejitve • Y=M+(X), Y=M-(X) • Pospešek = deriv(Hitrost) • Z = sum(X,Y)

7. Iskanje kvalitativne rešitve • QSIM za Prolog (I. Bratko) • Kvalitativna modela dinamičnih sistemov mL’’cos  + (m+M)X’’ + mL ’sin  = F ( J - mL2 ) ’’ + mLX’’ - mgL  = 0 X’’ = - M0+() + M0+(F) ’’ = M0+() - M0+(F) • Postopek: • Izgradnja prostora veljavnih stanj • Povezava med sosednjimi stanji • Iskanje poti v grafu • Velikost grafa: 300 stanj, 1000 prehodov

8. Primer kvalitativne rešitve za voziček

9. Genetski algoritem • Implementacija: • Reprodukcija v stabilnem stanju • Linearna normalizacija • Operatorja: mutacija, dvomestno križanje • Funkcija uspešnosti: VAL = 1000*UP + 1000*GOAL - • Eksperimenti: • Različne oblike kontrolnih tabel • Dolžine osebkov: • Do 600 bitov pri vozičku • Do 2300 bitov pri žerjavu • Razne verjetnosti mutacije

10. Uporaba kvalitativne rešitve v genetskem algoritmu • Spremenil operator mutacije: • Naključno izbiranje ene vrstice kontrolne tabele. • Preveri, ali za izbrano vrstico obstaja stanje v kvalitativni rešitvi, ki bi enolično določalo pravilno vrednost sile. • Če tako stanje obstaja in je trenutna vrednost sile napačna, potem spremeni vrednost sile in končaj. Sicer se vrni na točko 1. • Če v 10 poskusih ne izvedemo prilagojene mutacije izvedemo običajno naključno mutacijo

11. Rezultati za primer vozička

12. Rezultati za primer žerjava

13. Zaključki • Poskusi kažejo, da se z uporabo kvalitativne rešitve znatno pohitri razvoj genetskega algoritma • prednosti in slabosti

14. Prednosti uporabe kvalitativne rešitve • Opazna pohitritev razvoja osebkov. Tipične dosežene pohitritve: • za voziček: 2 – 3 kratna • za žerjav: 2 – 50 kratna • Kvalitativna rešitev je robustna, neodvisna od vrednosti parametrov

15. Težave pri uporabi kvalitativne rešitve • Potrebne so posplošitve modela • Časovno zahtevno iskanje kvalitativnih rešitev • Veliko število možnih vedenj. Kako izbrati pravo vedenje? • Mutacija, ki uporablja kvalitativno znanje, potrebuje 10 krat več časa za izračun, kot običajna mutacija

16. Nadaljnje delo • uporaba drugih kvalitativnih rešitev, ki jih kvalitativna modela ponujata • indukcija kvalitativnega modela iz posnetkov vodenja • pohitritev iskanja kvalitativne rešitve • spremembe v kvalitativnem modelu • usmerjeno preiskovanje prostora stanj

17. Vprašanja?