Evolucijski algoritmi

Petar urkovi
FSB Zagreb
Zavod za robotiku i automatizaciju proizvodnih sustava

Sadraj

Podruje EA i osnovna ideja Povijesni pregled Bioloke inspiracije: Darwinova teorija evolucije (pojednostavljeno!) Genetika (pojednostavljeno!) Motivacija za EA to mogu EA: primjeri podruja primjene Demo: evolucijsko rjeenje problema magic square
Petar urkovi Umjetna inteligencija

Vi ste ovdje
Petar urkovi Umjetna inteligencija

Poloaj EA
EA pripada znanosti o raunalima (raunarstvo) EA ne pripada prirodnim znanostima (biologija) Biologija je dala inspiraciju i terminologiju EA mogu biti upotrijebljeni u biolokim eksperimentima

Petar urkovi Umjetna inteligencija

Osnovna metafora Evolucijskih Algoritama

EVOLUCIJA RJEAVANJE PROBLEMA

Okoli Jedinka Dobrota (Fitness)

Problem Potencijalno rjeenje Kvaliteta

Fitness ansa za privljavanje i reprodukciju Kvaliteta ansa za rasprostranjivanje novih rjeenja

Petar urkovi Umjetna inteligencija

Kratka povijest 1: prethodnici

1948, Turing: predlae genetsko ili evolucijsko traenje 1962, Bremermann optimizacija evolucijom i rekombinacijom 1964, Rechenberg uvodi evolucijske strategije 1965, L. Fogel, Owens and Walsh uvodi evolucijsko programiranje 1975, Holland uvodi genetske algoritme 1992, Koza uvodi genetsko programiranje
Petar urkovi Umjetna inteligencija

Alan Turing

John Holland

Kratka povijst 2: Uspon EA

1985: prva meunarodna konferencija (ICGA) 1990: prva meunarodna konferencija u Europi (PPSN) 1993: prvi znanstveni asopis EC journal (MIT Press) 1997: pokretanje Europske EC Istraivake mree EvoNet

Petar urkovi Umjetna inteligencija

EA danas
3 velike EC konferencije, 10tak manjih 3 znanstvena asopisa >1000 objavljenih lanaka u 2007 neprebrojivo (itaj: mnogo) aplikacija neprebrojivo (itaj: ?) konzultantskih i R&D firmi

Petar urkovi Umjetna inteligencija

Darwinova evolucija 1: Preivljavanje najboljeg (fittest)

Sve okoline imaju konane/ograniene resurse
(mogu opskrbljivati samo ogranien broj jedinki)

ivotni oblici imaju osnovne instinkte/ivotne cikluse usmjerene prema reprodukciji Stoga je potrebna odgovarajua selekcija Jedinke koje se najuspjenije bore za resurse imaju poveanu ansu za reprodukciju

Petar urkovi Umjetna inteligencija

Darwinova evolucija 2: Raznovrsnost pokree promjenu

Fenotipska obiljeja:
Ponaajne / fizike razlike koje predstavljaju odziv spram okoline Djelomino odreeno naslijeem, a djelomino faktorima tijekom razvoja Jedinstveni svakoj jedinci, djelomino kao rezultat sluajnih (random) promjena

Ako fenotipska obiljeja:

Rezultiraju poveanom ansom za reprodukciju Mogu biti naslijeena

tada e imati tendenciju poveane uestalosti pojavljivanja u nadolazeim generacijama, I voditi novim kombinacijama obiljeja
Petar urkovi Umjetna inteligencija

Darwinova evolucija: Saetak

Populacija se satoji od razliitih jedinki Kombinacija obiljeja koja su bolje prilagoena ima tendenciju uestalijeg pojavljivanja Jedinke su jedinice selekcije Varijacije su posljedice sluajnih promjena i osiguravaju konstantan izvor raznovrsnosti; spojeno sa selekcijom to znai da: Populacija je jedinica evolucije Note the absence of guiding force
Petar urkovi Umjetna inteligencija

Metafora adaptivnog krajolika (Wright,

1932) Moe predoiti populaciju s n obiljeja u n+1 dimenzionalnom prostoru (krajoliku) s visinom kao mjerom dobrote (fitness) Svaka jedinka (fenotip) predstavlja jedinstvenu toku na krajoliku Populacija je stoga oblak toaka, koji se pomie po krajoliku tijekom vremena kako evoluira - prilagodba

Petar urkovi Umjetna inteligencija

Primjer s dva obiljeja

Obiljeje 2 Obiljeje 1

Petar urkovi Umjetna inteligencija

Metafora adaptivnog krajolika

Selekcija gura populaciju u smjeru uzbrdo Genetski drift: evolucija nije jednosmjerni proces uzbrdo sluajne varijacije mogu uzrokovati skretanje cijele populacije u smjeru nizbrdo te uvjetovati naputanje lokalnih optimuma ali isto tako i pronalaenje boljeg lokalnog ili globalnog optimuma

Petar urkovi Umjetna inteligencija

Prirodna genetika
Sve informacije potrebne za izgradnju nekog organizma nalaze se u DNA tog organizma Genotip odreuje fenotip Geni fenotipska svojstva: sloeno preslikavanje
Jedan gen moe utjecati na vie obiljeja (pleiotropija) Vie gena moe utjecati na jedno svojstvo (poligenija)

Male promjene genotipa uvjetuju male fenotipske promjene (npr., visina, boja kose, oiju)
Petar urkovi Umjetna inteligencija

Geni i Genom
Geni se nalaze u dijelovima DNA koje zovemo kromosomima Kod veine stanica, dvije su kopije kromosoma (diploizam) Sav genetski materijal neke jedinke nazivamo Genom Unutar jedne vrste veina je genetskog materijala ista
Petar urkovi Umjetna inteligencija

Primjer: Homo Sapiens

Ljudska DNA organizirana je u kromosome Ljudske tjelesne stanice sadre 23 para kromosoma koji zajedno definiraju fizika svojstva ovjeka

Petar urkovi Umjetna inteligencija

Reproduktivne stanice
Gamete (muke i enske stanice) sadre 23 individualna kromosoma (ne 23 para) Stanice s jednim kromosomom zovemo Haploidnim Tijekom mejoze, parovi kromosoma podloni su postupku krianja

Petar urkovi Umjetna inteligencija

Krianje tijekom mejoze

Parovi kromosoma se poravnaju i dupliciraju
Unutranji parovi se poveu i izmjene meusobno dijelove

Na kraju imamo po jednu kopiju oevog/majinog kromosoma plus dvije potpuno nove kombinacije

Petar urkovi Umjetna inteligencija

Oplodnja
Spermij od oca Jajna stanica od majke

Stanica nove osobe (zigota)

Petar urkovi Umjetna inteligencija

10

Nakon oplodnje
Zigota se brzo dijeli tvorei mnotvo stanica istog genetskog sadraja Iako sve stanice sadre iste gene, ovisno o tome npr. gdje se u organizmu nalaze, pokazuju drugaije ponaanje Taj proces razliitog ponaanja tijekom razvoja naziva se ontogeneza

Petar urkovi Umjetna inteligencija

Mutacija
Povremeno se dijelovi genetskog materijala malo promijene To znai da dijete moe imati dijelove gena koje nije moglo naslijediti od roditelja Posljedica moe biti
katastrofalna: potomak nije sposoban za ivot (najvjerojatnije) neutralno: nova obiljeja nemaju utjecaja prednosno: pojavljuju se vrlo dobra nova obiljeja

Petar urkovi Umjetna inteligencija

11

Motivacije za EA: 1
Priroda je oduvijek davala inspiraciju znanstvenicima, inenjerima, umjetnicima Najbolji problem solver poznat u prirodi je: (ljudski) mozak koji je stvorio kota, New York, ratove Evolucijski mehanizam koji je stvorio ljudski mozak (Darwin: porijeklo vrsta) Odgovor 1 neuroraunarstvo Odgovor 2 evolucijsko raunarstvo

Petar urkovi Umjetna inteligencija

Motivacije za EA: 2
Razvoj, analiza, primjena problem solving metoda odnosno algoritama je osnovni problem u matematici i raunarstvu Vrijeme za detaljnu analizu procesa se smanjuje Kompleksnost problema se poveava Posljedica Robusne problem solving metode potrebne

Petar urkovi Umjetna inteligencija

12

Problem tip 1 : Optimizacija

Imamo model sustava i eljeni izlaz, traimo ulaze za koje dobivamo eljeni izlaz

npr. raspored sati za sveuilita, bolnice itd. dizajn konstrukcije

Petar urkovi Umjetna inteligencija

Primjer optimizacije 1: Sveuilini raspored

Iznimno velik prostor traenja Raspored mora biti dobar Dobar je definirano s mnogo (suprostavljenih) kriterija Raspored mora biti izvediv Veina prostora traenja rezultira neizvedivou
Petar urkovi Umjetna inteligencija

13

Petar urkovi Umjetna inteligencija

Primjer optimizacije 2: Nosa satelita

Optimiziran dizajn nosaa satelita za NASA-u s ciljem smanjenja vibracija konstrukcije Evolucija: konstrukcije nosaa Fitnes: otpornost na vibracije

Evolucijska kreativnost

Petar urkovi Umjetna inteligencija

14

Petar urkovi Umjetna inteligencija

Primjer optimizacije 2: Nosa satelita

20%bolje priguenje vibracijaodsvih konvencionalnih pristupa Problem priguenja u svemiru nema zraka

Petar urkovi Umjetna inteligencija

15

Primjer optimizacije 2: struktura satelita

Konvencionalni nosa

Konstrukcijanosaa razvijenaEA

Petar urkovi Umjetna inteligencija

Problemi tipa 2: Modeliranje

Imamo skup ulaza / izlaza i traimo model koji za svaki poznati ulaz daje toan izlaz

Evolucijsko strojno uenje

Petar urkovi Umjetna inteligencija

16

Primjer modeliranja: sposobnost klijenata banke

Britanska banka razvila je model sposobnosti kako bi predvidjela ponaanje korisnika usluga Evolucija: model predvianja Fitness: tonost modela na poznatim podacima
Petar urkovi Umjetna inteligencija

Problem tipa 3: Simulacija

Imamo poznati model i elimo vidjeti odziv modela na razliite pobude / ulaze

Koristi se kao odgovor na pitanje to ako kod razvoja umjetnih dinamikih okolia npr. Evolucijska ekonomija, Artificial life
Petar urkovi Umjetna inteligencija

17

Demonstracija: magic square

Za zadanu 10x10 mreu i mali 3x3 kvadrat u njoj Problem: poredati na mrei brojeve 1-100 tako da Svi horizontalni, vertikalni i dijagonalni pravci daju sumu 505 Mali 3x3 kvadrat daje rjeenje 1-9

Petar urkovi Umjetna inteligencija

Demonstracija: magic square

Evolucijski pristup rjeavanju problema: rje problema: Kreirati sluajni poetni raspored mree Napraviti N mutanata poetnog rasporeda Zadrati mutanta s najmanjom grekom Prekinuti kada je ukupna greka nula

Petar urkovi Umjetna inteligencija

18

Demonstracija: magic square

Magic square je kvadrat u kojemu je zbroj vrijednosti u svim pravcima konstantan i ima iznos jednak magic constant Software razvio M. Herdy, TU Berlin Zanimljivi parametri:
Step1: mala mutacija, sporo & nalazi optimum Step10: velika mutacija, brzo & ne nalazi (preskae optimum) Mstep: mutacija se ugaa on-line, brzo & pogaa optimum Start: dvoklik na ikonu dolje

Izlaz: klik na TUBerlin logo

Petar urkovi Umjetna inteligencija

C:\!Petar\NASTAVA\ SB\Umjetna_Intelige

19