Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok
Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék
2010 / Budapest
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
1 / 43
Genetikus - evolúciós algoritmusok
Genetikus - evolúciós algoritmusok...
kromoszóma reprezentáció költség (fitnessz) függvény kezdeti populáció kiválasztás (szelekció) reprodukció (keresztezés) mutáció leállási feltétel
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
2 / 43
Genetikus - evolúciós algoritmusok
"Függvényanalízis"
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
3 / 43
Genetikus - evolúciós algoritmusok
"Függvényanalízis"
Spektroszkópia...
a keresett csúcsok (maximális) száma adott normál (Gauss) eloszlások összegével közelítés Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
4 / 43
Genetikus - evolúciós algoritmusok
Térkép feliratozás
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
5 / 43
Genetikus - evolúciós algoritmusok
Térkép feliratozás
Genetikus algoritmusok használata térképek feliratozásában Adott n pont szeru˝ elem egy térképen. Mindegyik ponthoz tartozik egy ˝ rögzített, és négy alap téglalap alakú címke, melynek a mérete elore pozícióba írhatóak. A feladat a címkék egymást nem metszo˝ felhelyezése...
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
6 / 43
Genetikus - evolúciós algoritmusok
Algoritmusok tanulása
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
7 / 43
Genetikus - evolúciós algoritmusok
Algoritmusok tanulása
Truck backing problem A keresett függvény : u=g(x,y,cabt,trailert) PLUS(a,b) MINUS(a,b) MUL(a,b) DIV(a,b) ATG(a,b) IFLTZ(a,b,c)
a+b a-b a*b a/b, if b <> 0, else 1 atan2(a,b), if a<> 0, else 0 b, if a<0, else returns c
http://www.handshake.de/user/blickle/Truck/
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
8 / 43
Genetikus - evolúciós algoritmusok
TSP
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
9 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
TSP
Utazó ügynök
kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja"
keresztezés permutáció megörzése pld. egypontos keresztezés nem jó...
mutáció kromoszómán belüli sorrend felcserélése
http://www.lalena.com/ai/tsp/ http://www.dna-evolutions.com/dnaappletsample.html
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
10 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
11 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Fogolydilemma
Fogolydilemma - Prisoner’s dilemma ˝ Egy súlyos buntény ˝ kapcsán két gyanúsítottat letartóztat a rendorség. Mivel nem áll rendelkezésre elegendo˝ bizonyíték a vádemeléshez, ˝ ezért elkülönítik oket egymástól és mindkettejüknek ugyanazt az ajánlatot teszik. Amennyiben az elso˝ fogoly vall és társa hallgat, akkor ˝ az elobbi büntetés nélkül elmehet, míg a a másik, aki nem vallott, 10 év börtönt kap. Ha az elso˝ tagadja meg a vallomást és a második vall, akkor az másodikat fogják elengedni és az elso˝ kap 10 évet. Ha egyikük sem vall, akkor egy kisebb buntényért ˝ 6 hónapot kapnak mindketten. Ha mindketten vallanak, mindegyikük 6 évet kap.
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
12 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Fogolydilemma
Másik tagad Másik vall
Egyik tagad (Cooperate) Mindketten 6 hónapot kapnak Egyik 10 évet kap, másik szabad
Istenes Zoltán (ELTE-IK-PSZT)
Egyik vall (Defect) Egyik szabad, másik 10 évet kap Mindketto˝ 6 évet kap
Mesterséges Intelligencia alapjai
2010
13 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Fogolydilemma
Cooperate Defect
Cooperate 3, 3 5, 0
Defect 0, 5 1, 1
A, B = a két "játékos" C = Cooperate (tagadás), D = Defect (beárulás, vallomás) PA, PB = "jó pontok" A D D C C
B D C D C
PA 1 5 0 3
PB 1 0 5 3
Istenes Zoltán (ELTE-IK-PSZT)
megjegyzés büntetés a közös beárulásért jó beárulni a tagadót... ...rossz beárulva lenni közös tagadás
Mesterséges Intelligencia alapjai
2010
14 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Fogolydilemma
Mit tegyek, ha nem akarok börtönben ülni ? 1
ha a másik kooperál (hallgat), akkor érdemes vallani (beárulni) (5:0 a "javamra")
2
ha a másik vall (beárul), akkor érdemes nekem is vallani ˝ (1:1 mindkettonknek)
Bármit dönt a másik, nekem érdemesebb vallani (beárulni) !... És ha mégis mindketten kooperálnánk ?...
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
15 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Ismételt fogolydilemma
ismételt fogolydilemma : 1950-ben Merrill Flood és Melvin Drescher 1979-ben egy amerikai politológus, Robert Axelrod verseny 14 versenyzo˝ ˝ gyoztes a szociálpszichológus, Anatol Rapoport programja 1982-ben egy második versenyt, amelyen az összes résztvevo˝ tisztában volt az elözo˝ eredményével. Anatol Rapoport ismét ugyanazt a pályázatot küldte be (Tit for Tat névre keresztelte), és ismét nyert vele.
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
16 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Ismételt fogolydilemma stratégia
Genetikus algoritmus ? játék stratégia ? reprezentáció (kromoszóma) ?
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
17 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Ismételt fogolydilemma stratégia Tit for Tat stratégia: ˝ o˝ játékban", akkor "ebben a körben"... Ha "eloz Ha C C, akkor C (kooperáljunk...) Ha C D, akkor D (ha beárultál, akkor most én is...) Ha D C, akkor C (kooperálásra hajlok...) Ha D D, akkor D (tartom a beárulást...) Elso˝ játékban kooperálok... fegyverkezési verseny "aranyszabály" nemek harca
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
18 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Ismételt fogolydilemma stratégia - kromoszóma
Egy stratégia: ˝ o˝ játékra, és lépjünk az alapján... Emlékezzünk a 3 eloz Ha CC, CC, CC, akkor "C vagy D" Ha CC, CC, CD, akkor ... ... Ha DD, DD, DD, akkor ... kromoszóma : 64 bit (22 ∗ 22 ∗ 22 ) + pár bit az elso˝ játékokra
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
19 / 43
Genetikus - evolúciós algoritmusok
Fogolydilemma
Ismételt fogolydilemma - költségfüggvény
Hogyan lehet egy stratégiáról megtudni hogy mennyire jó ? mindegyik stratégiával (egyeddel) játszunk több játékot (ismételt fogolydilemmát) a játékokban elért eredménye mutatja a "jóságát" a stratégiák játszhatnak egymás ellen, "különféle környezetben"...
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
20 / 43
Genetikus - evolúciós algoritmusok
˝ Amoba
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
21 / 43
Genetikus - evolúciós algoritmusok
˝ Amoba
˝ Amoba játékállás-kiértékelo˝ mószerek összehasonlító vizsgálata kétszemélyes játékok gépi játékosának gyakori megvalósítási módszere a játékfarészlet elkészítése és kiértékelése fontos része a játékállások "pontos" kiértékelése több különbözo˝ játékállás kiértékelo˝ függvény paraméter beállítás, mint egy populáció egyedei ezek az egyedek (paraméter beállítások) egymással versenyeznek, a ˝ paraméter beállításokat egy-egy amobát játszó program használja a programok egymás ellen játszanak. ˝ az egyedek körmérkozése megmutatta a sikeresebb, jobb paraméter beállításokat, amelyeket felhasználva, keresztezés és mutáció után, egy újabb populáció, generáció kapható ˝ több generáció után egyre jobb amoba játékállás kiértékelo˝ függvény paraméterek kaphatók Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
22 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
23 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés
Rendezés összehasonlítás-csere párokkal ˝ meghatározott A cél fix hosszúságú számsorozatok rendezése elore összehasonlítás-csere párok alapján. Kérdés a minimális összehasonlítás csere párok. Példák 4 hosszú számsorra : buborék : 1-2, 2-3, 3-4, 1-2, 2-3, 1-2 (6 pár) 1-2, 3-4, 1-3, 2-4 (4 pár)
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
24 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - összehasonlítás-csere párok reprezentációja
1011 0101 0111 1001 1110 0100 1010 1001 1011 0101 0010 0111 0011 1100 1010 1001 (11,5) (7,9) (2,7) (14,4) (3,12) (10,9) azonos kromoszóma részlet : homozigóta különbözo˝ kromoszóma részlet : heterozigóta
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
25 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - keresztezés szülo˝ 1. (diploid) 11 2222 33 4444
11 33
2222 4444
szülo˝ 2. (diploid) 555 666 777 888
keresztezés 555 666 777 888
gaméta 1. (haploid) 11 4444
gaméta 2. (haploid) 777 666
ivadék (diploid) 11 4444 777 666
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
26 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - költségfüggvény
kevés, mindig változó rendezendo˝ számsorozat rendezésének a sikeressége ˝ probléma : az elég jó rendezések nem fejlodnek tovább... "evolúciós nyomás kell... ˝ ötlet : a teszt esetek (rendezendo˝ számsorozatok) is fejlodjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták"
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
27 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - költségfüggvény
kevés, mindig változó rendezendo˝ számsorozat rendezésének a sikeressége ˝ probléma : az elég jó rendezések nem fejlodnek tovább... "evolúciós nyomás kell... ˝ ötlet : a teszt esetek (rendezendo˝ számsorozatok) is fejlodjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták"
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
27 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - költségfüggvény
kevés, mindig változó rendezendo˝ számsorozat rendezésének a sikeressége ˝ probléma : az elég jó rendezések nem fejlodnek tovább... "evolúciós nyomás kell... ˝ ötlet : a teszt esetek (rendezendo˝ számsorozatok) is fejlodjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták"
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
27 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - költségfüggvény
kevés, mindig változó rendezendo˝ számsorozat rendezésének a sikeressége ˝ probléma : az elég jó rendezések nem fejlodnek tovább... "evolúciós nyomás kell... ˝ ötlet : a teszt esetek (rendezendo˝ számsorozatok) is fejlodjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták"
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
27 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - költségfüggvény
kevés, mindig változó rendezendo˝ számsorozat rendezésének a sikeressége ˝ probléma : az elég jó rendezések nem fejlodnek tovább... "evolúciós nyomás kell... ˝ ötlet : a teszt esetek (rendezendo˝ számsorozatok) is fejlodjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták"
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
27 / 43
Genetikus - evolúciós algoritmusok
"Rendezo˝ párok"
Rendezés - költségfüggvény
kevés, mindig változó rendezendo˝ számsorozat rendezésének a sikeressége ˝ probléma : az elég jó rendezések nem fejlodnek tovább... "evolúciós nyomás kell... ˝ ötlet : a teszt esetek (rendezendo˝ számsorozatok) is fejlodjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták"
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
27 / 43
Neurális hálózat
Neurális hálózat
Tanulási paradigmák: felügyelt tanulás (pld. karakter felismerés) felügyelet nélküli tanulás (pld. csoportosítás) ˝ megerosítéses tanulás (pld. játékok) Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
28 / 43
Neurális hálózat
N.E.R.O.
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
29 / 43
Neurális hálózat
N.E.R.O.
NERO
http://z.cs.utexas.edu/users/nn/nero/ Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
30 / 43
Neurális hálózat
N.E.R.O.
Neuro-Evolving Robotic Operatives 1/3
"ágensek" (robotok) 3D fizikai szimulációs környezet tanítható ágensek két játékfázis tanítás, "próbakörnyezetben" "harc"... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
31 / 43
Neurális hálózat
N.E.R.O.
Neuro-Evolving Robotic Operatives 2/3
tanítás egyre komplexebb környezetekben
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
32 / 43
Neurális hálózat
N.E.R.O.
Neuro-Evolving Robotic Operatives 3/3 Real-time Neuroevolution (rtNEAT) ágens "agy": neurális hálózat szenzorok a neurális háló bemenetei genetikus algoritmus, ˝ megerosítéses tanulás: egy populáció legjobbjai jutalmat, a legroszabbak büntetést kapnak a "jóságot" a felhasználó állítja be: különbözo˝ szempontoknak megfelelés (ellenfél megközelítése, célbatalálás, távolságok...) az "agy"at az életciklusa végén az algoritmus "kiértékeli".... N.E.R.O Neuro-Evolving Robotic Operatives : http://nerogame.org Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
33 / 43
Neurális hálózat
Hangya kolónia optimalizálás
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
34 / 43
Neurális hálózat
Hangya kolónia optimalizálás
Hangya kolónia optimalizálás - ant colony optimization
gráfban legrövidebb út keresés véletlenszeru˝ vándorlás élelem találása esetén vissza a bolyba, közben feromon nyomok hagyása ha feromon nyomot talál, akkor (véletlen vándorlás helyett) inkább követi ˝ a feromon nyom idovel elpárolog a rövidebb úton jobban megmarad a feromon nyom... http://www.nightlab.ch/antsim/
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
35 / 43
Neurális hálózat
Framsticks
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
36 / 43
Neurális hálózat
Framsticks
Framsticks
Lények evolúciós képességeinek a vizsgálata 3D környezet genotípus ábrázolja a lényeket: fizikai szerkezet ("test") neurális hálózat ("agy")
˝ → agy → környezet → érzékelok beavatkozók → környezet operátorok: mutáció, keresztezés, javítás energia követelmények irányított (fitnessz függvény), és spontán evolúció Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
37 / 43
Neurális hálózat
Labirintus
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
38 / 43
Neurális hálózat
Labirintus
Labirintusból kitalálás...
kromoszóma? mit reprezentál? költség függvény? operátorok: szelekció, keresztezés, mutáció? evolúció mukdése? ˝ Általános algoritmus
Egy adott labirintusból kromoszóma = útvonal ...
Istenes Zoltán (ELTE-IK-PSZT)
kromoszóma = "algoritmus" ...
Mesterséges Intelligencia alapjai
2010
39 / 43
Neurális hálózat
Labirintus
Labirintusból kitalálás...
kromoszóma? mit reprezentál? költség függvény? operátorok: szelekció, keresztezés, mutáció? evolúció mukdése? ˝ Általános algoritmus
Egy adott labirintusból kromoszóma = útvonal ...
Istenes Zoltán (ELTE-IK-PSZT)
kromoszóma = "algoritmus" ...
Mesterséges Intelligencia alapjai
2010
39 / 43
Neurális hálózat
Autóvezetés tanulás...
Tartalom 1
Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma ˝ Amoba "Rendezo˝ párok"
2
Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
40 / 43
Neurális hálózat
Autóvezetés tanulás...
Autóvezetés tanulás
a vezeto˝ érzékeli a környezetét ezek alapján irányítja az autót... mit érzékel a vezeto˝ (algoritmus)? mit tartalmaz a kromoszóma / neurális hálózat? mi az evolúciós algoritmus / neurális hálózat bemenete és kimenente (eredménye)? hogyan muködik ˝ az evolúciós algoritmus / neurális hálózat? ...
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
41 / 43
Neurális hálózat
Autóvezetés tanulás...
˝ Elonyök - hátrányok, továbbfejlesztés Hátrányok ˝ Elonyök
ha kicsi / változó az állapottér
sok paraméterrel
ha kevés a paraméter
jól párhuzamosítható
ha bináris / drága költségfüggvény
több jó megoldás
nincs "biztos" optimum Továbbfejlesztés új operátorok : pld. öregedés... pontosabb evolúciós modell : több populáció egymásra hatása... tanulás beépítése... adaptálódó kódolás, és paraméterek hierarchikus modell, meta... Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
42 / 43
Neurális hálózat
Autóvezetés tanulás...
Összefoglalás
Istenes Zoltán (ELTE-IK-PSZT)
Mesterséges Intelligencia alapjai
2010
43 / 43