S mravencem ve Fukuoce

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