UMEL

1
UMELÁ INTELIGENCIA prednáška c. 9
Prírodne inšpirované prehladávacie
algoritmy Marian.Mach_at_tuke.sk http//neuron.tuke
.sk/machm
2
Osnova prednášky

• Úvod
• Požiadavky na riešenú úlohu
• Priestor prehladávania
• Všeobecný prehladávací algoritmus
• Sledovanie cinnosti algoritmu
• Aplikácie
• Ukážky algoritmov
• (prehladávanie v akcii - SU)
• Záver

3
Prehladávanie inšpirované prírodou

• Postupné generovanie a testovanie riešení
  (kandidátov)
• potrebné preskúmat velké množstvá kandidátov pre
  nájdenie riešenia (typickytisíce až milióny)
• Prírodná inšpirácia
• je chápaná volne (a môže byt realizovaná v
  širokom rozsahu)
• nesnaží sa modelovat prírodné procesy
• cielom je použit vynálezy prírody pre riešenie
  úloh
• soft computing, computational intelligence

4
Požiadavky na riešenú úlohu

• tvar riešenia (prirodzený alebo transformácia)
• rozklad na zložky (atribúty a ich hodnoty)
• možnost ohodnotenia pokusu o riešenie
• porovnávanie riešení pomocou globálneho kritéria

(A1h1i),...,(Anhnk)
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 nepoužitelná
• postacuje výkonnost slabej metódy

6
Priestor prehladávania

• N-rozmerný priestor (N pocet atribútov)
• atribút súradná os
• hodnoty atribútu mapované na hodnotyna súradnej
  osi
• body priestoru reprezentujú potenciálne riešenia
  (kandidátov riešení)

7
Plocha vhodnosti

• (N1)-vá súradná os reprezentuje (ne)vhodnost
  riešení
• vhodnost nemusí byt definovaná (zakázaná oblast)
• hladáme extrém (podla definície vhodnosti)

h21
h22
h23
A2
h24
h11
h14
h13
h12
A1
8
Ukážka reprezentácie
Priestor riešení

• všeobecná úloha
• pevný pocet krokov
• triediaca úloha
• premenlivý pocet krokov
• selekcná úloha

Priestor prehladávania
0321224250
9
Všeobecný prehladávací algoritmus

• Pocet jedincov
• populacný alg.
• individuálny alg.
• Spôsob tvorby novej populácie
• exploration (random search)
• exploitation (gradient search)

Populácia jedincov
Koniec ?
Nová populácia
10
Sledovanie cinnosti algoritmu

• Individuálny / štatistický pohlad na populáciu
• Vývoj vhodnosti (priemernej, max. a min, ...)
• Iné miery (konvergencia, pokrytie priestoru
  prehladávania)

11
Aplikácie

• PIPA sa vo všeobecnosti používajú pre riešenie
• syntetických úloh
• (pseudo)optimalizacných úloh
• Castý výskyt ako pomocnej metódy (v pozadí)
• strojové ucenie / dolovanie dát
• neurónové siete
• úlohy s ohraniceniami
• KKUI
• Zostavovanie krmnych dávok hovädzieho dobytka

12
GECCO99

• 73 príspevkov v sekcii Real World Applications
• riadenie (riadenie skleníka, znalostné bázy pre
  fuzzy regulátory, optimálna priepustnost výrobnej
  linky)
• predikcia (magnetoencefalogramy epileptických
  pacientov, zhoršovanie vizuálneho pola pacientov)
• robotika (úchop predmetov, optimálna cesta)
• alokácia zdrojov (priradovanie frekv. kanálov)
• návrh (analógové a digitálne elektronické obvody)
• plánovanie (vzdušné hliadkovanie, casové rozvrhy)
• modelovanie (preteky v zbrojení - India a
  Pakistan)

13
Evolucný algoritmus

• Populacný (paralelný) algoritmus
• Pseudostochastický algoritmus

• Široká skupina algoritmov
• genetické algoritmy
• evolucné stratégie
• evolucné programovanie
• genetické programovanie
• diferenciálna evolúcia
• eugenická evolúcia

Inšpirácia

• Prirodzený výber (Darwin)
• Génová dedicnost (Mendel)

14
Selekcia

• Prehladávanie je riadené umelou evolúciou
  tvoriacou selekcný tlak
• kto sa reprodukuje
• vhodnejší jedinci majú väcšiu šancu než menej
  vhodní
• kto prežije
• oddelené generácie vs. viacgeneracné spolocenstvá

15
Tvorba potomkov

• Jedince (chromozómy) majú tvar genetického kódu
  reprezentovaného riešenia

• Typicky viacstupnový proces
• Premiešavanie genetického materiálu rodicov
• Zmena genetického materiálu (jeden alebo viac/
  mnoho rodicov)

Rodicia
kríženie
Genetické operátory
mutácia
Potomkovia
16
Základná štruktúra EA
Tvorba potomkov
Generovanie jedincov
Nová populácia
Vyhodnotenie potomkov
T T 1
Vyhodnotenie jedincov
Koniec ?
Výber rodicov
17
EA demo - pôvodná populácia
C
B
B SZ J J SV SZ JZ S J S
S C JZ SV JZ S JV SZ JZ JV JV SV
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
C
B
B SZ J J SV SZ JZ S JV JV
SV C JZ S JV SZ JZ J S S SV
JZ
19
Anjeli Smrtelníci

• Populacný (paralelný) algoritmus
• Stochastický algoritmus

• Dva typy jedincov
• smrtelníci (body v priestore prehladávania)
• anjeli (riadia beh vecí)
• Prehladávanie riadené umelým svetom
• Vhodnost dlžka života

Inšpirácia

• Komplexné chovanie ekologických systémov

20
Svet AS

• svet má konecné rozmery
• je uzavretý (toroidálny tvar)

21
Základná štruktúra AS
Pozbieranie mrtvych
Generovanie smrtelníkov
Klonovanie
Pohyb
Mutácia
Rozmiestnenie jedincov
Koniec ?
Skrátenie života
22
AS demo
D
D SZ SZ SV JV J SV JZ J J SZ
D
23
Umelé mravce (mravcie kolóny)

• Populacný (paralelný) algoritmus
• Pseudostochastický algoritmus

• Umelý mravec
• kladie a orientuje sa podla feromónovej stopy
• nie je úplne slepý
• stochastický výber cesty
• má pamät (nikdy nejde tam kde už bol)

Inšpirácia

• Kolektívne chovanie mravcích kolónií

24
Hladanie najkratšej cesty

• Charakter kladnej spätnej väzby

25
Prehladávanie

• Prehladávanie je vykonávané v umelom svete (v
  ktorom sa hladá najkratšia cesta)
• bod v pôvodnom priestore prehladávania je cestou
  v mravcom svete
• Je možné definovat vzdialenosti medzi bodmi
• Vhodnost sa použije na update feromónových stôp
  pozdlž ciest v mravcom svete
• Jedinec sa generuje ako náhodná cesta
• závisí od feromónovej stopy a od vzdialeností

26
Základná štruktúra UM
Kladenie ferom. stopy
Rozmiestnenie mravcov
Generovanie ciest
Rozmiestnenie mravcov
Vyhodnotenie ciest
Generovanie ciest
Koniec ?
Vyprchávanie feromónu
Vyhodnotenie ciest
27
UM demo
Vzdialenosti

• SZ SZ SV .....

Štart
Feromón
Štart
28
Simulované žíhanie

• Nie je populacným algoritmom
• Stochastický algoritmus

• Nezávisle objavený aj Cerným z Katedry
  teoretickej fyziky MFF UK v Bratislave
• Metóda vhodná na hladanie globálneho minima
• je to vlastne horolezecký algoritmus umožnujúci
  únik z lokálneho extrému

Inšpirácia

• Fyzikálna evolúcia makroskopic-kých systémov

29
Akceptácia nového riešenia

• Nové riešenie je akceptované podla vhodnosti na
  pravdepodobnostnom základe
• pre dosiahnutie rovnováhy systém zotrváva na
  každej teplote urcitý cas

30
Základná štruktúra SŽ
Generovanie jedinca
Koniec ?
Akceptácia
Vyhodnotenie jedinca
Vyhodnotenie
Generovanie jedinca
Koniec ?
Nastavenie teploty
31
SŽ demo
D
D SZ SZ SV JV J SV JZ J J SZ
D1
D2
D1 ... JV ...
D2 ... SV ...
32
Dynamické urcovanie vhodnosti

• Nie je samostatným algoritmom ale rozšírením
  iných algoritmov

• Urcovanie vhodnosti (tvar plochy vhodnosti)
  spôsobuje
• úloha je príliš lahká - nie je tlak na
  pokracovanie vývoja
• úloha je príliš obtiažna - algoritmus sa nevie
  zachytit

Inšpirácia

• Vztah dravec-korist

33
Koevolucné urcovanie vhodnosti

• Sútaženie (najcastejšie) dvoch populácií
• obe sa vyvíjajú
• jedna je stabilná (aktivujú sa jej rôzne casti)
• Dvojité prehladávanie
• toho istého priestoru prehladávania
• rôznych priestorov - každá populácia má svoj
  (jedna reprezentuje riešenia, druhá nejaké
  pomocné objekty)

34
Základná koevolucná štruktúra
...
...
Koniec ?
Koniec ?
...
...
Vyhodnotenie
Vyhodnotenie
Súboj
...
...