1 / 28

Artificial Intelligence (AI)

Artificial Intelligence (AI). สัปดาห์ที่ 9 A* with Terrain cost and evolutionary algorithms อ.เทพฤทธิ์ สินธำรงรักษ์ เรียบเรียง. Agenda. A* with Terrain cost Evolutionary Genetic algorithm Ant colony optimization Introduction to database system. A* ( ทบทวน ).

yoshi-acosta
Download Presentation

Artificial Intelligence (AI)

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. Artificial Intelligence (AI) สัปดาห์ที่ 9 A* with Terrain cost and evolutionary algorithms อ.เทพฤทธิ์ สินธำรงรักษ์เรียบเรียง

  2. Agenda • A* with Terrain cost • Evolutionary • Genetic algorithm • Ant colony optimization • Introduction to database system

  3. A* (ทบทวน) • อ่านว่า “เอ-สตาร์” เป็นวิธีพัฒนาขึ้นมาเพื่อแก้ปัญหา Local Optimum โดยจะเปลี่ยนสมการ Fitness Function เป็น • f(n) = g(n)+h(n)

  4. การกำหนดค่า g (ทบทวน) แบบที่ 1 แบบที่ 2

  5. ตัวอย่างการคำนวณหาเส้นทางเดิน (ทบทวน) 7 6 5 4 3 2 1 1 2 3 4 5 6 7

  6. ตัวอย่างการคำนวณหาเส้นทางเดิน (ทบทวน) 7 6 5 4 3 2 1 1 2 3 4 5 6 7

  7. ตัวอย่างการคำนวณหาเส้นทางเดิน (ทบทวน) 7 6 5 4 3 2 1 1 2 3 4 5 6 7

  8. ตัวอย่างการคำนวณหาเส้นทางเดิน (ทบทวน) 7 6 5 4 3 2 1 1 2 3 4 5 6 7

  9. A* with terrain cost A*: f = g + h A* with terrain cost: f = g + h โดยที่ g คือ total cost from start h คือ heuristic โดยที่ g คือ total cost from start + terrain cost h คือ heuristic เพิ่มตรงนี้ terrain แปลว่า ภูมิประเทศ

  10. Example A*: f = g + h โดยที่ g คือ total cost from start h คือ heuristic ปัญหา คือ ??

  11. Example A* with terrain cost A* f = g + h g = total cost from start + terrain cost h =heuristic

  12. Example A* with terrain cost A* f = g + h g = total cost from start + terrain cost h =heuristic

  13. Influenced by the enemy firing zone and skill

  14. Genetic Algorithm • Genetic Algorithm หรือ วิธีการเชิงพันธุกรรม เกิดมาจากแนวคิดที่ว่า ลูกที่ดีย่อมเกิดจากพ่อแม่ที่ดี • Mendel บิดาแห่งวิชาพันธุศาสตร์ ค้นพบว่าลักษณะต่างๆของสิ่งมีชีวิต เช่นลักษณะผิวของเมล็ดพืช สีของเมล็ดพืช ฯลฯ ที่ถูกถ่ายทอดไปยังลูกหลานนั้น ถูกควบคุมโดยหน่วยควบคุมลักษณะที่เรียกว่ายีน (Gene) ซึ่งแต่ละยีนจะเรียงตัวอยู่บนโครโมโซม (Chromosome) ภายในเซลล์

  15. Encoding genetic algorithm

  16. Data Representation

  17. แนวคิด • วิธีเชิงพันธุกรรมเป็นวิธีการค้นหาคำตอบโดยมีพื้นฐานมาจากกระบวนการคัดเลือกทางธรรมชาติ (Natural Selection) และกระบวนการคัดเลือกทางพันธุศาสตร์ (Natural Genetics Selection) โดยการคัดเลือกสตริง (String) ที่มีความเหมาะสมจากกลุ่มของสตริงทั้งหมดด้วยวิธีการสุ่ม จากการนำสตริงเหล่านี้ไปผ่านกระบวนการคัดเลือกสตริงที่มีความเหมาะสม ซึ่งสตริงที่มีความเหมาะสมนี้คือคำตอบที่ดีที่สุดหรือใกล้เคียงคำตอบที่ดีที่สุดวิธีเชิงพันธุกรรมซึ่งไม่ใช่การสุ่มแบบง่ายๆ แต่มันเป็นการใช้ข้อมูลในอดีตอย่างมีประสิทธิภาพเพื่อพิจารณาจุดที่จะต้องค้นหาใหม่โดยคาดหวังว่าสมรรถนะของการค้นหาจะดีขึ้น

  18. ความแตกต่างจากหลักการอย่างอื่นความแตกต่างจากหลักการอย่างอื่น • วิธีเชิงพันธุกรรมถูกพัฒนาขึ้นโดย Holland, et al., (1975) โดยมีเป้าหมายในการวิจัย 2 อย่างคือ ข้อแรก เพื่อสรุปและดัดแปลงการใช้กระบวนการทางธรรมชาติให้ถูกต้องมากที่สุด สองเพื่อออกแบบและสร้างซอฟต์แวร์ที่รักษากลไกที่สำคัญของธรรมชาติ และวิธีเชิงพันธุกรรมแตกต่างกับวิธีการค้นหาและการหาค่าที่เหมาะที่สุดแบบอื่นๆคือ • 1. วิธีเชิงพันธุกรรมทำงานโดยการเข้ารหัสสตริงเป็นชุดพารามิเตอร์ • 2. วิธีเชิงพันธุกรรมเป็นการค้นหาจากทั้งประชากรไม่ใช้ค้นหาจากเพียงตำแหน่งๆเดียว • 3. วิธีเชิงพันธุกรรมใช้ข่าวสารที่เป็นผลลัพธ์ (ฟังก์ชันเป้าหมาย) โดยไม่ใช้การอนุพันธ์หรือความรู้อื่นๆ • 4. วิธีเชิงพันธุกรรมจะเป็นวิธี Probabilistic ไม่ใช่ Deterministic

  19. ใช้หลักการของ Roulette ในการคัดเลือกคำตอบ

  20. Using Genetic Algorithms to solve in n-Queen game Code by SWAPNIL MARATHE

  21. Ant Colony Optimization (ACO)

  22. Ant Colony Optimization • Ant Colony ซึ่งอัลกอริทึมนี้มีเป้าหมายที่จะค้นหาเส้นทางที่เหมาะสม โดยจำลองมาจากนิสัยของมดที่ค้นหาเส้นทางระหว่างแหล่งอาหารและรังของมัน โดยการทิ้งสารที่เรียกว่าฟีโรโมน(Pheromone) ไว้ตามเส้นทางที่มันเดินไป จำนวนฟีโรโมนที่อยู่ระหว่างเส้นทางขึ้นอยู่กับความยาวของเส้นทางและปริมาณอาหารที่แหล่งอาหาร ฟีโรโมนนี้จะส่งข้อมูลให้กับมดตัวอื่นให้มีความสนใจมัน เส้นทางจะมีความน่าสนใจถ้าอยู่ใกล้กับรังหรือมดเดินผ่านเส้นทางบ่อยครั้งหรือแหล่งอาหารมีจำนวนมากซึ่งเส้นทางนั้นจะมีความหนาแน่นของฟีโรโมนมากด้วยเช่นกัน โดยภาพรวมแล้วกระบวนการนี้นำไปสู่การขนส่งอาหารที่มีประสิทธิภาพของ Ant Colony

  23. Ant Colony Optimization • Ant Colony System (ACS) ถูกนำเสนอ (Dorigo and Gambardella, 1997) โดยสร้างขึ้นมาเพื่อเพิ่มประสิทธิภาพของ AS โดย ACS ไม่ได้อยู่บนพื้นฐานของ Ant System อีกต่อไป ด้วยสร้างหลักการทำงานใหม่เพื่อเพิ่มประสิทธิภาพการทำงาน โดยที่มีความต่างจาก Ant System สามหลักการ คือ • 1.ACS จะพัฒนาในส่วนของการจำเส้นทางในการเดินของมด โดยจะทำให้มดมีประสบการณ์ในการจำเส้นทางมากขึ้น และจะมีผลต่อการตัดสินใจในการเลือกเส้นทางมากขึ้นด้วย • 2.การลบล่องรอยของฟีโรโมนและการวางฟีโรโมนนั้น จะทำในส่วนที่เป็นเส้นทางที่ดีที่สุดเท่านั้น • 3.ในแต่ละเส้นทางที่มดเดินผ่านไปนั้น มดจะเอาฟีโรโมนออกด้วย เพื่อที่จะทำให้เกิดการเพิ่มเส้นทางหรือโอกาสในการเลือกเส้นทางอื่น

  24. Best known solutions for two problem of the TSP.

  25. ตัวอย่างการคำนวณ Local Update Global Update

  26. โจทย์ตัวอย่าง GA มีเมืองทั้งหมด 4 เมือง ได้แก่ A, B, C และ D จงใช้ Genetic algorithm คำนวณหาระยะทางเดินที่ใกล้ที่สุด โดยกำหนดให้ Population = 4, Maximum literation = 2, %50-Crossover และ 25%-Mutation ขั้นตอนที่ I ขั้นตอนที่ II

  27. โจทย์ตัวอย่าง ACO • โจทย์ตัวอย่าง มีเมืองทั้งหมด 4 เมือง ได้แก่ A, B, C และ D จงใช้ Ant colony optimization คำนวณหาระยะทางเดินที่ใกล้ที่สุด โดยกำหนดให้ q0เป็น 0.9,Beltaเป็น 2, จำนวนมดมี 1 ตัวนอกเหนือจากนั้นให้ค่า Pheromone รวมถึงพารามิเตอร์ทุกตัวเป็น 0.1 ขั้นตอนที่ I ขั้นตอนที่ II

  28. จบการนำเสนอ

More Related