SYSTEMY (ALGORYTMY) MRÓWKOWE



Podobne dokumenty
ALGORYTMY IMMUNO- LOGICZNE

OBLICZENIA EWOLUCYJNE

METODY HEURYSTYCZNE wykład 7

Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji

OBLICZENIA EWOLUCYJNE

METODY HEURYSTYCZNE 7

Plan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne

Problem Komiwojażera - algorytmy metaheurystyczne

PROJEKTOWANIE BAZ REGUŁ

Algorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Algorytm genetyczny (genetic algorithm)-

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010

Metody przeszukiwania

Techniki optymalizacji

OBLICZENIA EWOLUCYJNE

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Tworzenie gier na urządzenia mobilne

Algorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Wybrane podstawowe rodzaje algorytmów

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009

Generowanie i optymalizacja harmonogramu za pomoca

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

Techniki optymalizacji

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

Algorytmy genetyczne w interpolacji wielomianowej

Algorytmy ewolucyjne 1

Wyznaczanie strategii w grach

Algorytmy genetyczne

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH

ALGORYTMY GENETYCZNE ćwiczenia

Heurystyki. Strategie poszukiwań

oporność odporność oporność odporność odporność oporność

Optymalizacja. Wybrane algorytmy

Algorytmy genetyczne

Planowanie drogi robota, algorytm A*

Zadania laboratoryjne i projektowe - wersja β

Obliczenia inspirowane Naturą

KARTA MODUŁU KSZTAŁCENIA

Propozycje tematów zadań

Algorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie

Archipelag Sztucznej Inteligencji

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA

6. Klasyczny algorytm genetyczny. 1

Dobór parametrów algorytmu ewolucyjnego

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO KONSTRUKCJI

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

3. MINIMAX. Rysunek 1: Drzewo obrazujące przebieg gry.

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Algorytmy metaheurystyczne podsumowanie

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

Metody Rozmyte i Algorytmy Ewolucyjne

10. Wstęp do Teorii Gier

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

Algorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja Instytut Informatyki Uniwersytetu Wrocławskiego

Rozwiązywanie problemów metodą przeszukiwania

Lp. tydzień wykłady seminaria ćwiczenia

Adam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej)

WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH

Algorytmy genetyczne w optymalizacji

Model Marczuka przebiegu infekcji.

Aproksymacja funkcji a regresja symboliczna

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Mrówka Pachycondyla apicalis

Algorytmy ewolucyjne (3)

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie

Tworzenie gier na urządzenia mobilne

Algorytmy mrówkowe (ang. Ant Colony Optimization)

Problemy z ograniczeniami

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Wykład 4. Droga i cykl Eulera i Hamiltona

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy

GRY I ZABAWY UMYSŁOWO- LOGICZNE JAKO FORMA UPOWSZECHNIANIA KULTURY. Donata Fraś

RYNEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWNOLEGLE BLOKI CIEPŁOWNICZE

Automatyczny dobór parametrów algorytmu genetycznego

Problem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.

Programowanie genetyczne, gra SNAKE

Obliczenia Naturalne - Algorytmy immunologiczne

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo)

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski

Tomasz M. Gwizdałła 2012/13

Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne)

Drzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II

Algorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny

MODELOWANIE RZECZYWISTOŚCI

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

Teoria i metody optymalizacji

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

Obliczenia ewolucyjne - plan wykładu

Transkrypt:

OLIZNI WOLUYJN ITNSS. STRT OMPUTTION ITNSS. OMPUTTION INITIL SUGenration SNING HROM. TO OMPUTRS chromosome VOLUTIONRY OPRTORS N RIVING ITNSS. wykład 7 VLU fitness f. value MIGRTION PHS ITNSS. communication OMPUTTION with other SLTION sugenrations YS TRMINTION ONITION NO SYSTMY (LGORYTMY) MRÓWKOW N 2 Mrówki sąs praktycznie ślepe, lecz potrafią znaleźć najkrótsz tszą drogę do pożywienia i z powrotem. Ich oserwacja yła a inspiracją do powstania (origo,, 996) nowego typu algorytmów zwanych mrówkowymi (ant ant algorithms, ant systems) Zastosowania - zad. optymalizacji kominatorycznej: prolem komiwojażera; harmonogramowanie wyznaczanie tras w sieciach telekomunikacyjnych; wyznaczanie optymalnych tras w ruchu miejskim. 3 food source N - nest 4 Systemy azujące na inteligencji masowej populacja mrówek (podonie jak w ). Każda mrówka w populacji poszukuje rozwiązania zania (najkrótszej drogi). Pozostawianie feromonu na trasie. Wyór r trasy na podstawie ilości feromonu Wielokrotne powtarzanie: trasa optymalna. 5 zas (t) jest dyskretny; W każdej jednostce czasu każda mrówka przemieszcza się o d = pozostawiając jednostkę feromonu. W chwili t = 0 rak feromonu na wszystkich krawędziach. Znaleźć najkrótszą drogę między i...

6 z do t = 0 t = 6 6 6 6 t = 2 t = 2 6 6 6 6 z do 6 6 6 6 Proste podąż ążanie ścieżką z największ kszą ilości cią fero-monu szykie utknięcie w optimum lokalnym. http://iridia.ul.ac.e iridia.ul.ac.e/~ /~mdorigo/o/o.htmlo.html Potrzena jest eksploracja ścieżek ek mrówki wyierają ścieżki z prawdopodoieństwem proporcjonalnym do intensywności śladu feromonowego na niej. To, że e mrówka wyierze daną ścieżkę zależy y zarówno od intensywności feromonu jak równier wnież np. odległości od następnego miasta (TSP). W celu zapewnienia raku nieograniczonego wzrostu ilości feromonu parowanie feromonu. 9 0 NTURLNY SYSTM IMMUNOLOGIZNY: LGORYTMY IMMUNO- LOGIZN Jego zadaniem jest ochrona żywego organizmu przed działaniem aniem ocych struktur mających charakter chorootwórcze rcze (patogeny( patogeny), jak wirusy, akterie, grzyy czy niewłaściwie funkcjonujące ce komórki. Wszystkie te struktury, które wywołuj ują reakcję immunologiczną,, nazywane sąs antygenami. ardzo ogólnie: rozpoznawanie antygenów w na zasadzie swój-ocy i eliminowanie tych drugich. 2

Może yć przedstawiony w postaci warstwowej: Limfocyty komórki, ędące głównymi g składowymi adaptacyjnego systemu immunologicznego.. Skóra podstawowa ariera ochronna. 2. Warstwa fizjologiczna (temperatura, ph) stwarza warunki niekorzystne dla rozwoju ocych organizmów. 3. Odporność wrodzona (nieswoista) 4. Odporność adaptacyjna (swoista) rozpoznawanie i eliminacja antygenów w przez odpowiednie komórki 3 Limfocyty (głównie typów T i ) ) w wielkich ilościach krążą w płynach p ustrojowych system immunologiczny jest systemem zdecentralizowanym a wszystkie jego komórki mogą się dowolnie przemieszczać. Limfocyty rozpoznają napotykane antygeny i pomagają je eliminować,, przy czym mogą ze soą lokalnie współpracowa pracować. 4 Limfocyty typu - produkcja przeciwciał rozpoznających antygen. Limfocyty typu T - rozpoznawanie swój-ocy. uże zróżnicowanie limfocytów: - pozwala na rozpoznawanie wielu różnych r antygenów; - pierwotnie zyt mała a licza komórek rozpoznających antygen y go zwalczyć. 5 6 SZTUZNY SYSTM IMMUNOLOGIZNY (rtificial Immune System, IS) Ziór metod oliczeniowych inspirowanych zasadami działania ania układ adów odpornościowych kręgowc gowców. w. Tylko niektóre elementy naturalnych układ adów w sąs rane pod uwagę,, typowo: mutacja limfocytów w, proliferacja cja, komórki pamięci, rozpoznawanie antygenów w z użyciem u limfocytów i T. Niektóre zastosowania: - optymalizacja (patogen reprezentuje optimum gloalne, szukane jest najlepiej dopasowane przeciwciało); - zagadnienia zw. z ezpieczeństwem sieciowym (np. NIS - network intrusion detection system) - uczenie maszynowe; - systemy agentowe. 7 IS - POJĘI: Komórka macierzysta wzorzec akceptowany w systemie; Przeciwciało oiekt rozpoznający oiekty nie ędące komórkami macierzystym (wzorce niepożą żądane). ntygen oiekt rozpoznawany i uaktywniający przeciwciała. Komórka pamięciowa przechowuje informacje o rozpoznanym antygenie; przy kolejnym ataku antygenu zostaje on dużo o szyciej rozpoznany. Proliferacja namnażanie anie się komórek. Hipermutacje mutacje, których częstotliwo stotliwość jest przynajmniej o jeden rząd d wielkości większa, niż innych mutacji w organizmie (zwykle jeszcze częś ęściej).

POSTWOW MHNIZMY: POSTWOW MHNIZMY: Selekcja klonalna (limfocyty ) Selekcja negatywna (limfocyty T) el namnożenie odpowiednich przeciwciał,, iorących udział w zwalczaniu danego antygenu. Uaktywnione limfocyty dzielą się produkując c wiele klonów, które następnie przechodzą hipermutację y wytworzyć lepiej dopasowane przeciwciała. a. la powstałej populacji zmutowanych klonów oceniany stopień dopasowania każdego z nich do antygenu. Słao S dopasowane sąs usuwane, dorze dopasowane pozostają. el utworzenie zioru przeciwciał - detektorów, które nie sąs uaktywniane przez komórki macierzyste. W procesie selekcji negatywnej limfocytom T pokazywane sąs komórki własne. w Jeśli dany limfocyt rozpozna którąś z nich, jest on usuwany. Nie podlegają mutacji. 9 20 http://www.ipipan.waw.pl www.ipipan.waw.pl/~ /~stw/ais/ks/natural.html http://www.alife.pl www.alife.pl/sztuczny_system_odpornosciowy Przykład: IS autorstwa prof.. Wacława awa Kusia. Losowe wygenerowanie komórek pamięciowych. 2. Komórki pamięciowe proliferują i mutują tworząc c limfocyty (licza klonów w zależy y od przystosowania). 3. Oliczenie wartości przystosowania dla limfocytów w. 4. Selekcja na podstawie odległości między każdą komórk rką pamięciow ciową a limfocytami. 5. Mechanizm zatłoczenia usuwa podone komórki pamięci. 6. Procedura jest powtarzana do spełnienia warunku zakończenia (np. licza iteracji). 22 LGORYTMY IMMUNOGNTYZN Są połą łączeniem mechanizmów w genetycznych (ewolucyjnych) i immunologicznych; IS i mają wiele cech wspólnych, np. działanie anie na populacji osoników, stosowanie mechanizmów w selekcji. W algorytmach immunogenetycznych stosowane sąs operatory krzyżowania, mutacji i selekcji (jak ) przy zachowaniu populacji antygenów w i przeciwciał (jak IS). zęsto: do generowania populacji przeciwciał,, y poddać je immunologicznej selekcji negatywnej. unkcja przystosowania zwykle miary azujące na stopniu dopasowania przeciwciała a do antygenu (jak w IS). PRZYKŁY ZSTOSOWŃ 23 24

UKŁNI PLNU LKJI Jest prolemem należą żącym do klasy NP-trudnych trudnych. Wiele nietrywialnych ograniczeń. Zadanie opisuje się poprzez: listę nauczycieli n; listę grup g; listę terminów t; listę sal s. Zadanie polega na wygenerowaniu pewnej czteroargumentowej relacji określonej na ziorze nauczycieli, grup, sal i godzin zajęciowych ciowych,, do której należą wszystkie takie i tylko takie czwórki n,g,s,t, że nauczyciel n prowadzi zajęcia z grupą g w sali s i w terminie t. Ograniczenia:. Twarde: Zadana jest licza godzin dla każdego nauczyciela i każdej klasy; W każdej sali i terminie jest tylko jeden nauczyciel; Nauczyciel nie może e uczyć dwu grup naraz; W każdej sali z zaplanowanymi zajęciami znajduje się nauczyciel. 25 26 Ograniczenia: Programy wspomagające układanie planu, np: 2. Miękkie: ele dydaktyczne (rozłożenie przedmiotów w w tygodniu); ele personalne (pozostawienie wolnych niektórych terminów dla niektórych nauczycieli); ele organizacyjne (dodatkowy nauczyciel na każdy termin na zastępstwo). Zadanie układania planu lekcji rozwiązane zane z użyciem u zostało o pomyślnie przetestowane np. dla danych z dużej szkoły y w Mediolanie (99)... 27 PROGRMOWNI ROGI W ŚROO- WISKU RUHOMGO ROOT el: Znalezienie się roota w punkcie docelowym ez zaguienia się i kolizji z jakimkolwiek oiektem. Nawigator ewolucyjny (Michalewicz) - połą łączenie planowań: zawczasu i ieżą żącego drogi roota: Początkowo: (planowanie( zawczasu) ) poszukiwanie najlepszej drogi (rozwiązanie zanie optymalne): Rozwiązania: zania: roga planowana jest na wstępie (skuteczne skuteczne jedynie przy założeniu, że środowisko poruszania się roota jest dokładnie znane i nie zmienia się). Wiedza o otoczeniu jest czerpana na ieżą żąco poprzez adanie otoczenia lokalnego ( (pozwala pozwala to na ominięcie nieznanych jak i ruchomych przeszkód). 29 a 30

Planowanie ieżą żące rozwiązuje zuje prolemy związane zane z nowymi oiektami na wcześniej zaplanowanej trasie. a d a d a d e UNIKNI KOLIZJI N MORZU Oiekt ruchomy (np. statek) może e yć nieezpieczny dla oiektu własnegow jeśli: Wszedł w zakres oserwacji (5- mil morskich przed dzioem i 2-42 4 mile za rufą); Może e przeciąć kurs zadany w nieezpiecznej odległości (jej wartość zależy y od pogody, rejonu pływania i prędko dkości statku); f e unkcja przystosowania uwzględni dnić powinna zarówno warunki ezpieczeństwa żeglugi jak i warunki ekonomiczne. 3 32. Stała a prędko dkość statku własnego: w v =.6w. Stała a prędko dkość statku własnego: w v = 5.6w 33 34. Zmienna prędko dkość (mutacja prędko dkości) v = {3.6;.6; 3.6}w W GRH (OTHLLO) Gra: Rywalizacja prowadzona przez uczestników w zgodnie z ustalonymi regułami, y osiągn gnąć założony ony cel. Podział: Losowe ( (ruletka); Takie, w których element losowy wpływa na rozgrywkę (rydż); eterministyczne ( (szachy). 35 36

Gra: Gracze wykonują kolejne ruchy (podejmują decyzje) ze zioru ruchów dopuszczalnych aż do osiągni gnięcia stanu końcowego cowego. Rozgrywka jest poszukiwaniem takich ruchów gracza, które zapewnią mu zwycięstwo stwo. Liście takiego drzewa oznaczają stany końcowe gry: wygrane, remisowe lu przegrane dla gracza. 37 rzewo reprezentuje wszystkie możliwe rozwią-zania zania, np.: warcay: 0 40 węzłów; w; szachy: 0 20 węzłów. w. el gry: znalezienie strategii wygrywającej (niezależnie od posunięć przeciwnika). W ogólnym przypadku wymaga to zudowania i przeszukania całego drzewa zwykle niemożliwe liwe. W efekcie: zwykle ada się tylko część drzewa (możliwie jak najgłę łęiej). 3 Othello (reversi): rozgrywka jest skomplikowana; rak dorego programu grającego; 3 znane strategie gry:. Maksymalnej liczy punktów prowadzi zwykle do lokady ruchów w gracza. 2. Pól l ważonych (cel: przejęcie pól p strategicznych ). 3. Mnimalnej liczy pionków (minimalizacja liczy włas-nych pionów, y zwiększy kszyć możliwo liwości ruchu stosowana ślepo prowadzi do przegranej ). 40 Zast.. do tworzenia programów w grających:. jako narzędzie wspomagające proces szukania dorej strategii gry. Program grający nie wykorzystuje podczas gry, lecz ma wudowaną strategię (znalezioną wcześniej za pomocą ). 2. Zastosowanie jako wudowanego grającego. modułu Proces poszukiwań można opisać za pomocą drzewa rozwiąza zań (korzeń stan początkowy, węzły w kolej- ne stany, jakie ędą możliwe po wykonaniu danego ruchu). na każdym etapie gry odpowiada za znalezienie opty- malnego posunięcia przez program grający. 4