Evoluční algoritmy a umělý život

Evoluční algoritmy
a umělý život
Roman Neruda
Ústav informatiky AVČR
[email protected]
Olomouc, červen 2012
Od Darwina a Mendela ...
... k inteligentním agentům.
Umělý život
Odkazy:
●
Steven Levy: Artificial life. Pantheon books, New
York, 1992.
●
http://www.alife.org
●
http://www.his.atr.co.jp/~ray/
●
http://dllab.caltech.edu/avida/
●
http://biota.org/ksims/
●
http://www.frams.alife.pl/
●
http://www.cs.brandeis.edu/~zippy/alife-library.html
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)
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.
Artificial life
●
… reprodukce
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“
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
Logika reprodukce
Celulární automaty

Von Neumann:
 Sebereplikující
se
roboti
 Matematický model –
CA
 Studium chaotického
chování, emergence

Řád chaosu

Lindenmayerovy systémy
Popis rostoucích struktur
pomocí formálních
gramatik
 Nástroj k modelování
růstu rostlin, …
 (X → F-[[X]+X]+F[+FX]X), (F → FF)

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
Evoluce a adaptace
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
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)
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
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
Umělá inteligence
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.
Turingův stroj a test
●
Alan Turing – základy
teorie výpočtů,
●
Turingův stroj
●
Turingův test:
●
Poznat muže/ženu
●
Poznat člověka/stroj
●
Eliza
●
Paradox čínského
pokoje
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
Evoluční algoritmy
Odkazy:
●
●
●
●
●
Holland: Adaptation in natural and artificial
systems, MIT Press, 1992.
Goldberg: Genetic algorithms in Optimization,
Search and Learning, Addison-Wesley, 1989.
Koza: Genetic Programming, I-III, MIT Press, 1992,
1994, 1999.
Mitchell: Introduction to GA, MIT Press, 1996.
Hitch-hiker's guide to EC:
http://www.faqs.org/faqs/ai-faq/genetic/
Princip Genetických Algoritmů
●
Gen = zakódované
řešení problému
●
Fitness
●
Populace genů
●
Selekce:
–
Ruleta
–
Turnaje
●
Mutace
●
Křížení
Genetické programování
●
●
Evoluce programů
Reprezentace
syntaktickými stromy
●
S-expressions, LISP
●
Křížení,
●
Mutace,
●
Procedury
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.
Umělé neuronové sítě
Odkazy:
●
●
●
●
●
Haykin: Neural Networks, Prentice-Hall, 1999.
Hecht-Nielsen: Neurocomputing, Addison-Wesley,
Boston, MA, 1989.
Šíma, Neruda: Teoretické otázky neuronových sítí,
Matfyzpress, 1996.
http://www.gc.ssr.upm.es/inves/neural/ann1/anntut
orial.html
http://dsl.serc.iisc.ernet.in/~vikram/nn_intro.html
Perceptron
●
●
1943: McCulloch, Pitts:
formální neuron
1958: Rosenblatt:
perceptron
–
Lineárně separabilní
–
Učící algoritmus
–
Důkaz konvergence
–
Hardware
XOR
●
1969: Minsky, Pappert:
Perceptrons.
–
Neumí XOR
–
Sítě s více vrstavmi
asi nejde učit
–
Konec NS na 15 let
–
Kohonen, Hopfield,
Grossberg, Amari,
Rusové
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
Roboti
Khepera (2000 př.n.l.)
Khepera (2000 n.l.)
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
Jak řídit Kheperu pomocí NS
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
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
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
Budoucnost ?
Inteligentní agenti
Wearable computing
Kyborgové?
●
●
●
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 (?)