1 / 25

S mravencem ve Fukuoce

S mravencem ve Fukuoce. na astronautickém kongresu IAF 2005 Japonsko. Ing. Zuzana Oplatková oplatkova@fai.utb.cz. Fakulta aplikované informatiky Univerzita Tomáše Bati ve Zlíně. 23. února 2006 Planetárium, Praha. Jak to celé začalo. Byla mi doporučena web stránka

lavey
Download Presentation

S mravencem ve Fukuoce

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. S mravencem ve Fukuoce na astronautickém kongresu IAF 2005 Japonsko Ing. Zuzana Oplatková oplatkova@fai.utb.cz Fakulta aplikované informatiky Univerzita Tomáše Bati ve Zlíně 23. února 2006 Planetárium, Praha

  2. Jak to celé začalo... • Byla mi doporučena web stránka http://www.estec.esa.nl/outreach/iaf • Následovalo napsání abstraktu • Čekání na výsledek předvýběru ESA • Poslání abstraktu přímo k výběru na kongres IAF • A výsledek se dostavil • Byla jste vybrána k ústní prezentaci • Poslat článek • Huráááááááá!!!! jede se do Japonska, teda letííí

  3. Můj projekt • Nastavení optimální trajektorie robota s využitím symbolické regrese • komparativní studie Analytického programování s Genetickým, kde robot byl definován jako umělý mravenec, který má sníst všechno jídlo na vyznačené cestě

  4. Symbolická regrese s použitím evolučních algoritmů • Genetické Programování – John Koza www.genetic-programming.com • Gramatická Evoluce – Conor Ryan www.grammatical-evolution.org • Analytické Programování – Ivan Zelinka www.ft.utb.cz/people/zelinka/ap

  5. Evoluční algoritmy • nástroj umělé inteligence pro optimalizaci • nalezení optimálních (nejlepších možných) hodnot nějaké zadané úlohy • příklad – obchodní cestující má seznam měst, které objet, nejlépe co nejrychleji a nejkratší cestou, aby se co nejvíce ušetřilo – času i financí • úlohu popisuje tzv. účelová funkce

  6. Evoluční algoritmy– účelová funkce • optimální hodnoty jsou v extrému (minimu) účelové funkce • příklady jednoduché jednoextrémové a složitějších víceextrémových funkcí

  7. Evoluční algoritmy – jak fungují • populace jedinců, kteří obsahují numerické hodnoty argumentů účelové funkce • v první populaci jsou hodnoty vygenerované náhodně • každý jedinec je ohodnocen kvalitou – jak moc se blíží k extrému – hodnota účelové funkce (CFE) • CFE je hlavním kriteriem pro vývoj populace na základě operací typu křížení jedinců, mutace jedinců a podobné operátory, které jsou různé pro různé evoluční algoritmy • cílem je vyšlechtit jedince, který (kteří) dosáhnou extrému

  8. Fcost = |DataSet – FAP(t )| Symbolická regrese – Analytické programování • nadstavba evolučních algoritmů • cílem je najít symbolický zápis, který proloží změřená data co nejlépe • Analytické programování zajišťuje generování symbolického zápisu a evoluční algoritmy hledají nejlepší zápis • účelová funkce je tedy rozdíl právě vygenerované funkce a dodaných ( změřených) dat • nejlepší řešení je takové, kde účelová funkce je nulová

  9. ^ / - z / x Analytické programování II • princip generování symbolického zápisu • funkční předpis je generován z jednoduchých funkcí • jedinec obsahuje číselné indexy • jednoduché funkce se seskládají do složitého až před ohodnocením kvality • operace evolučních algoritmů probíhají na číselném indexu

  10. Analytické programování III • Analytické programování pracuje nejen s klasickými matematickými funkcemi typu plus, minus, proměnné x, konstant, ale také • s textovými výrazy typu And, Nand – pro design elektronických obvodů • nebo s příkazy typu Jdi rovně, zahni vprava, zahni vlevo, jako je v případě umělého mravence

  11. Robot alias umělý mravenec Stezka Santa Fe Sada jednoduchých funkcí GFS0 = {Left, Right, Move} GFS2 = {IfFoodAhead, Prog2} GFS3 = {Prog3} Účelová funkce CV = 89 – NumberFood černá – jídlo, něco, co se dá sebrat šedá = bílá – volné políčko

  12. Použité evoluční algoritmy SamoOrganizující se Migrační Algoritmus (SOMA) Diferenciální Evoluce (DE)

  13. Výsledky simulací - DE DE simulací - 1 Potřebné kroky k sebrání veškerého jídla = 409 Počet ohodnocení účelové funkce = 9493

  14. Výsledky simulací II - SOMA

  15. Výsledky simulací III 594 kroků 396 kroků Nejrychlejší cesta z pohledu počtu kroků, ale jeden z nejdelších zápisů Nejkratší zápis, ale jedna z nejdelších cest, co se kroků týká

  16. Závěry • Analytické programování je schopné řešit problémy symbolické regrese • V porovnání s Genetickým programováním rychlejší (menší počet ohodnocení účelové funkce a menší počet jedinců v populaci) • AP umožňuje použít jakýkoli evoluční algoritmus, GP pouze Genetické algoritmy

  17. Závěry II – použití AP • matematická regrese – fitování neznámých dat vhodnou křivkou • design elektronických obvodů • nastavení optimální trajektorie robota • identifikace soustav v řízení • další aplikace typu řízení chaosu • vhodné posloupnosti příkazů pro činnost robota • ....

  18. A po práci legrace... • Cestě do Japonska předcházela návštěva centra ESTEC (Evropský vesmírný výzkum a technologické centrum) v Noordwijcku v Holandsku • prezentace o navigaci, vesmírné stanici, prohlídka centra – výzkumníci a kosmonauti v akci • Následovala sada fotek, které je možné vidět i na www.japan2005.ic.cz Aby prezentace nenabírala na své objemnosti

  19. ESTEC - foto

  20. Zamávali jsme ESTECu a čekal nás dlouhý let do Japonska...

  21. Typický japonský hotel - ryokan

  22. Japonské jídlo

  23. Kongres IAF 2005

  24. Kongres IAF 2005 II

  25. A to je vše  Děkuji za pozornost a někdy zase nashledanou Dotazy ráda zodpovím hned popř. na emailu oplatkova@fai.utb.cz

More Related