Evoluční algoritmy a umělý život

Rozměr: px

Začít zobrazení ze stránky:

Download "Evoluční algoritmy a umělý život"

Ondřej Ovčačík
před 8 lety
Počet zobrazení:

1 Evoluční algoritmy a umělý život Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Olomouc, červen 2012

2 Od Darwina a Mendela...

3 ... k inteligentním agentům.

4 Umělý život

5 Odkazy: Steven Levy: Artificial life. Pantheon books, New York,

his.atr.co.jp/~ray/ http://dllab.caltech.edu/avida/ http://biota.

6 Podstata života? Kombinace 4 elementů Voda, vzduch, oheň, zem (Empedokles) Duše/psyche/anima (Demokritos) 3 duše (Aristoteles) Nic (Descartes) Élan vital (Bergson) Elektřina (M. Shelly)

7 Dnešní biologie Živé organismy lze charakterizovat jako strukturálně vysoce složité, hierarchicky uspořádané, termodynamicky otevřené a autoregulující se nukleoproteinové soustavy, jejichž podstatnými vlastnostmi jsou metabolismus, autoreprodukce a schopnost vyvíjet se. (Rozsypal a kol, 1994) Things with the capacity for metabolism and motion. Life is a self-sustained chemical system capable of undergoing Darwinian evolution. Life is matter that can reproduce itself and evolve as survival dictates.

schopnost vyvíjet se. (Rozsypal a kol, 1994) Things with the capacity for metabolism and motion.

8 Artificial life reprodukce

9 A-life, život jaký by mohl být Studuje základní rysy, procesy a zákony života Pomocí počítačových modelů, hardwarových robotů a biochemických technologií Soft, hard, wet

10 Silný a slabý ALife Umělý život Život je abstraktní proces, který nezávisí na médiu (Von Neumann) Slabý: Život je jen biologický, sw a hw simulace nám objasňují jeho mechanismy. Silný: Umělá inteligence Silná: cílem je stvořit umělý myslící systém Slabá: systémy, které se chovají v určitém kontextu inteligentně Umělé neuronové sítě Evoluční algoritmy Symbolické uvažování

Silný: Umělá inteligence Silná: cílem je stvořit umělý myslící systém Slabá: systémy, které

11 Logika reprodukce

12 Celulární automaty Von Neumann: Sebereplikující se roboti Matematický model CA Studium chaotického chování, emergence

13 Řád chaosu Lindenmayerovy systémy Popis rostoucích struktur pomocí formálních gramatik Nástroj k modelování růstu rostlin, (X F-[[X]+X]+F[+FX]X), (F FF)

14 Hejna, stáda, roje Craig Reynolds: boid Pohyb hejn ptáků se dá popsat 3 jednoduchými pravidly Aplikace v počítačové grafice Aplikace v řešení úloh umělé inteligence Mravenčí algoritmy: nepřímá komunikace

15 Evoluce a adaptace

16 Tierra, svět je operační systém T. S. Ray simulace ekologických vztahů v počítači: Živočich = sebereplikující se software Zdroje = paměť a čas procesoru Evoluce = mutace, vymírání Parazitismus

17 Karl Simms, operační systém je svět Karl Simms: vývoj abstraktních organismů s reálnými fyzikálními zákony Řízení neuronovou sítí Emergence chování pohyb, plavání, V 90.letech superpočítač, dnes PC (3DVCE)

zákony Řízení neuronovou sítí Emergence chování

18 Golem, roboti už jdou Spojení evoluce a 3D tiskárny Evoluce robotických živočichů řízených umělou neuronovou sítí v SW simulátoru Realizace a testování v HW prototypu

19 Budoucnost patří bakteriím? Martyn Amos: DNA computing Zákodujme problém do DNA, Nechme přírodu počítat Bio-počítač hraje piškvorky Řešení problému obchodního cestujícího pomocí svítící E.coli

20 Umělá inteligence

21 2 problémy Umělá: člověk s čipem v mozku, geneticky modifikované organismy Inteligence: schopnost individua účelně jednat, rozumně myslet a efektivně se vyrovnávat se svým okolím a. The capacity to acquire and apply knowledge. b. The faculty of thought and reason.

22 Turingův stroj a test Alan Turing základy teorie výpočtů, Turingův stroj Turingův test: Poznat muže/ženu Poznat člověka/stroj Eliza Paradox čínského pokoje

23 Umělá inteligence Inteligentní chování Učení Schopnost adaptace Symbolická Expertní systémy, formální logika Výpočetní Řízení Neuronové sítě Plánování Evoluční algoritmy Rozpoznávání (řeč, písmo, obrázky) Fuzzy logika

24 Evoluční algoritmy

25 Odkazy: Holland: Adaptation in natural and artificial systems, MIT Press, Goldberg: Genetic algorithms in Optimization, Search and Learning, Addison-Wesley, Koza: Genetic Programming, I-III, MIT Press, 1992, 1994, Mitchell: Introduction to GA, MIT Press, Hitch-hiker's guide to EC:

26 Princip Genetických Algoritmů Gen = zakódované řešení problému Fitness Populace genů Selekce: Ruleta Turnaje Mutace Křížení

27 Genetické programování Evoluce programů Reprezentace syntaktickými stromy S-expressions, LISP Křížení, Mutace, Procedury

28 Proč evoluce funguje? Mutace = náhodné změny Selekce = pohyb správným směrem Věta o schématech: GA rekombinují kompaktní parciální řešení při hledání optima. Nadějná řešení se množí exponenciálně. Implicitní paralelismus: GA s n jedinci v populaci pracuje zhruba jako n3 izolovaných hledačů. Křížení: výměna informací Zabraňuje uvíznutí v lokálních minimech.

29 Umělé neuronové sítě

30 Odkazy: Haykin: Neural Networks, Prentice-Hall, Hecht-Nielsen: Neurocomputing, Addison-Wesley, Boston, MA, Šíma, Neruda: Teoretické otázky neuronových sítí, Matfyzpress, orial.html

31 Perceptron 1943: McCulloch, Pitts: formální neuron 1958: Rosenblatt: perceptron Lineárně separabilní Učící algoritmus Důkaz konvergence Hardware

32 XOR 1969: Minsky, Pappert: Perceptrons. Neumí XOR Sítě s více vrstavmi asi nejde učit Konec NS na 15 let Kohonen, Hopfield, Grossberg, Amari, Rusové

33 Back Propagation Učení sítě = nastavení hodnot vah dle tréningové množiny Učení s učitelem Nelineární optimalizace - minimalizace chyby Metoda největšího spádu, apod. Derivaci de/dw lze odvodit

34 Roboti

35 Khepera (2000 př.n.l.)

36 Khepera (2000 n.l.)

37 Khepera HW průměr 7cm, výška 3cm váha 80g, uveze 250g rychlost 0,02 m/s 0,5 m/s procesor Motorola 68331, 25MHz 512KB RAM 2 servo motorky 8 aktivních infra čidel (5cm dosah) moduly (věže) pro komunikaci, zrak, hmat

38 Jak řídit Kheperu pomocí NS

39 Jak učit NS pomocí GA Učitel nehodnotí každý krok (nejde to) Evidují se 'správné' a 'špatné' typy chování To je zakódováno v účelové funkci (fitness) GA Hlavní problém GA v ER: volba fitness obecná vs. konkrétní více kritérií najednou(multiobjective optimization) Softwarová simulace Desítky pokusů, stovky jedinců, tisíce generací

40 Úloha: Prohledávání bludiště Nejprve malé bludiště Dobré chování: Nenaráží do stěn kolečka se točí (stejným směrem) prohledává prostor Vyvine se optimální strategie pohybu v bludišti Není závislá na konkrétním prostředí Robot si nic nepamatuje

41 Úloha: Dělejte to ve skupině Více robotů se má koordinovaně pohybovat ve skupině Nenarážet do sousedů rozeznat jiného robota od stěny není pro krátkozrakou Kheperu jednoduché musí proaktivně zkoumat z různých úhlů Následovat vůdce (má na zádech žárovku) Robustnost - všichni ve skupině mají stejný 'mozek' Důležité: Kdokoliv může být vůdcem

42 Budoucnost?

43 Inteligentní agenti

44 Wearable computing

45 Kyborgové?

46 V rámci umělé inteligence: hybridní metody Soft computing: EA+NS+Fuzzy Soft + tradiční UI (symbolická) Soft + hard computing (numerika, statistika) V IT: inteligentní (adaptivní) agenti Autonomní software, Mobilní, komunikativní, sociální Nálady, emoce, model dle lidské mysli Kolem nás: všudypřítomné počítače Smart devices, ubiquitus, wearable computing V nás: Kyborgové, DNA computing (?)

Podobné dokumenty

Přírodou inspirované metody umělé inteligence

Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy