S mravencem ve Fukuoce na astronautickém kongresu IAF 2005 Japonsko Fakulta aplikované informatiky Univerzita Tomáše Bati ve Zlíně Ing. Zuzana Oplatková.

Prezentace na téma: "S mravencem ve Fukuoce na astronautickém kongresu IAF 2005 Japonsko Fakulta aplikované informatiky Univerzita Tomáše Bati ve Zlíně Ing. Zuzana Oplatková."— Transkript prezentace:

1 S mravencem ve Fukuoce na astronautickém kongresu IAF 2005 Japonsko Fakulta aplikované informatiky Univerzita Tomáše Bati ve Zlíně Ing. Zuzana Oplatková oplatkova@fai.utb.cz 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 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 F cost = |DataSet – F AP (t )|

9 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 ^ / - z / x

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) ParametrHodnota PathLength3 Step0.22 PRT0.21 PopSize200 Migrations50 MinDiv-0.1 Délka jedince50 ParametrHodnota NP2000 F2 CR0.2 Generation s 1000 Délka jedince 50

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

14 Výsledky simulací II - SOMA Počet příkazů Počet kroků Počet příkazů Maximum50 Minimum11 Průměr33 Počet ohodnocení účelové funkce u SOMA Minimum3 396 Maximum116 715 Průměr49 703 Počet kroků Maximum606 Minimum396 Průměr559

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

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) GP – (GA)AP – (SOMA,DE) počet jedinců4000200 počet ohodnocení1 000 000130 000 •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