7 maja 2008
Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny
Optymalizacja lokalna Optymalizacja globalna Optymalizacja lokalna - metody gradientowe bardzo szybkie deterministyczne efekt zależy od parametrów poczatkowych
Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Metody optymalizacji globalnej oparte na mechanizmach doboru naturalnego i dziedziczności. Podstawowe operacje genetyczne: kodowanie, selekcja, krzyżowanie, mutacja.
Optymalizacja lokalna Optymalizacja globalna Przeszukiwanie systematyczne Badanie energii wszystkich konformacji mogacych odpowiadać minimum globalnemu. jedyna metoda dajaca pewność znalezienia rozwiazania wydajna dla małych czasteczek nierealna dla dużych układów o wielu stopniach swobody
Wstęp Optymalizacja lokalna Optymalizacja globalna Sieć neuronowa (sztuczna sieć neuronowa) to ogólna nazwa struktur matematycznych i ich programowych lub sprzętowych modeli, realizujacych obliczenia lub przetwarzanie sygnałów poprzez rzędy elementów, zwanych neuronami, wykonujacych pewna podstawowa operację na swoim wejściu. Oryginalna inspiracja takiej struktury była budowa naturalnych układów nerwowych, w szczególności mózgu.
Optymalizacja lokalna Optymalizacja globalna - zastosowania przetwarzanie informacji generalizacja problemów rozpoznawanie i klasyfikacja wzorców predykcja szeregów czasowych analiza danych statystycznych odszumianie i kompresja obrazu i dźwięku sterowanie i automatyzacja
Budowa neuronu Wstęp Optymalizacja lokalna Optymalizacja globalna (a) układ nerwowy (b) sztuczna sieć neuronowa
Budowa sieci neuronowej Optymalizacja lokalna Optymalizacja globalna
Uczenie sieci neuronowych Optymalizacja lokalna Optymalizacja globalna Algorytm wstecznej propagacji błędu: zestaw danych uczacych; obliczanie wartości sygnałów; dla ostatniej warstwy bład to różnica pomiędzy wartościa otrzymana a docelowa; rzutowanie wartości błędu na wewnętrzne warstwy (mnożenie przez odpowiednie wagi); modyfikacja wag
Optymalizacja lokalna Optymalizacja globalna -podsumowanie : moga być używane jako czarna skrzynka, ich efektywna wartość zależy od danych uczacych, przybliżaja badaną zależność za pomoca pewnej funkcji.
Algorytmy genetyczne Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie Dobór następujacych parametrów: rozmiar populacji (10-2000), sposób selekcji (13 sposobów), sposób (3 sposoby) i prawdopodobieństwo (0-1) krzyżowania sposób (2*13 sposobów) i prawdopodobieństwo (0-1) mutacji, schemat ewolucji (Darwin, Baldwin, Lamarck). W sumie około 2433600 kombinacji, 278 lat testów.
(Algorytmy genetyczne) 2 Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie Optymalizacja genetyczna parametrów algorytmu genetycznego: możliwość szybkiego znalezienia dobrych parametrów, różne parametry sa optymalne dla różnych procesów, nie ma idealnego zestawu dla wszystkich czasteczek.
Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie + algorytmy genetyczne Dobór parametrów algorytmu genetycznego przez sieć neuronową w oparciu o: różnorodność populacji (genotypy) różnorodność populacji (energie) skuteczność algorytmu
Badane czasteczki Wstęp Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie łańcuchy wodorowęglowe C 10 H 22, C 20 H 42 ergotamina met-enkefalina (Tyr-Gly-Gly-Phe-Met) pochodne met-enkefaliny
oprogramowanie, biblioteki Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie AMMP (Another Molecular Mechanics Program) wiazania harmoniczne katy harmoniczne katy torsyjne elektrostatyczne oddziaływania punktoych atomów potencjały Van der Waalsa GAUL (Genetic Algorithm Utility Library) FANN (Fast Artifitial Neural Network Library)
(Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny (Algorytm genetyczny) 2 C 20 H 42 rozmiar populacji 100 krzyżowanie jednopunktowe mutacja jednopunktowa (wszystkich osobników) selekcja ruletkowa prawdopodobieństwo krzyżowania 0.6 prawdopodobieństwo mutacji 0.3 met-enkefalina rozmiar populacji 50 krzyżowanie wielopunktowe mutacja wielopunktowa (losowych osobników) selekcja najlepszy z trzech prawdopodobieństwo krzyżowania 1 prawdopodobieństwo mutacji 0.3
Porównanie wyników Wstęp (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny algorytm C 10 C 20 Met Erg met1-36.3783-33.5627 175.759 792.546 met2-34.0050-30.2951 176.081 792.54 C 20-36.914-33.8394 187.1587 797.5103 najlepszy -36.914-34.157 172.41 791.99
(Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Sieć neuronowa - porównanie wyników atgorytm C 10 C 20 Met Erg ammp -22.0397-18.6159 246.6875 804.2938 gen -36.914-33.8394 175.759 792.54 sieć -34597-34.153 176.3027 793.1846
(Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Badane czasteczki met-cl met-oh met-ch 3 met-c 3 H 7 met-ph met-ph-ch 3
Pochodne met-enkefaliny - wyniki (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny czasteczka met1 met2 lan2 sieć met 175.759 176.081 187.1586 176.3027 met-cl 198.625 198.927 211.0004 201.7230 met-oh 176.004 176.91 185.2069 175.8490 met-ch 3 219.3953 218.767 227.6896 218.7623 met-c 3 H 7 235.7780 234.6990 246.7632 237.9240 met-ph 312.3210 312.7580 325.4413 311.8489 met-ph-ch 3 312.9470 310.9040 321.8651 310.2403
Wnioski Czasteczki o zbliżonej budowie potrzebuja podobnych parametrów algorytmu genetycznego. Sterowanie algorytmu genetycznego siecia neuronową poprawia zbieżność i zapobiega utknięciu w minimum lokalnym.
Widoki na przyszłość Inteligentne rozpoznawanie podobieństwa struktur. Metody półempiryczne. Większe układy. Połaczenie metod półempirycznych z mechanika molekularna.