Simulátory umělého života Aplikovatelné v environmentálních informačních systémech

Umělá inteligence Top down přístup

Umělý život Bottom up přístup

Umělý život Inspirovaný přírodními jevy chováním živočišných buněk fungováním lidských neuronů rozmanitostí společenství

Slabý umělý život Lidský konstrukt, který ač není živý, nám může přinést mnoho informací a nových možností jak řešit různé problémy.

Silný umělý život “ Umělý život je všeobecná metoda, podstatou které je generovat z jednoduchých mikroskopických spolupracujících prvků takové chování na úrovni makrokosmické, které je možno interpretovat jako projev života”

Silný umělý život Emergence Život na úrovni biologického života

fgfgffbf Predikce z konference v roce 1956 Počítač se do roku 1970 Stane šachovým velmistrem Naučí komponovat hudbu na úrovni klasiků Vysloví tautologickou větu na poli matematiky Porozumí přirozenému jazyku a bude sloužit jako překladač

fgfgffbf Predikce z konference v roce 1956 Počítač se do roku 1970 Stane šachovým velmistrem Porozumí přirozenému jazyku a bude sloužit jako překladač

Genetické algoritmy

Prohledávání stavového prostoru, hledání vhodného řešení, optimalizace

Genetické algoritmy “Z populace se (kvazi)náhodně vyberou dva chromozomy, které si křížením vymění opět (kvazi)náhodně vybranou část řetězců. Výsledné chromozómy se pak ještě podrobí mutaci, která překlopí náhodně zvolené bity. Takto nově vytvořená dvojice se vrací do populace, kde vytěsní dvojici kvazináhodně vybraných chromozómů s malou silou”

Genetické algoritmy Chromosom = možný kandidát na řešení Genetické operátoryRekombinace Mutace Inicializace Inverze Selekce

Genetické algoritmy Najít vhodnou reprezentaci potenciálních řešení problému (vhodně zvolit „formát“ chromozomu) Najít způsob, jak vytvořit počáteční populaci chromozomů tak, aby představovaly přípustná řešení Sestavit účelovou funkci, díky níž budeme schopni rozhodnout, který jedinec je „lepší“ a který „horší“ Zvolit nebo vytvořit vhodné genetické operátory, které ovlivňují tvorbu nových potomků Vhodně nastavit různé parametry používané v GA (velikost populace, pravděpodobnosti uplatnění genetických operátorů, apod.)

Genetické algoritmy t := 0 Initialize G(0) Evaluate G(0) do while not Done t := t + 1 Select G(t) from G(t-1) Crossover G(t) Mutate G(t) Evaluate G(t) loop / inicializuj počáteční generaci / proveď ohodnocení / dokud není splněna ukončovací podmínka / proveď přirozený výběr / aplikuj křížení / aplikuj mutaci / proveď ohodnocení

Neuronové sítě

Algoritmy, které stavbou a funkcí napodobují mozkové buňky

Neuronové sítě Algoritmy, které stavbou a funkcí napodobují mozkové buňky Používají se například k rozpoznáváním tváří, učení

Celulární automaty

Inspirován chováním buňek a tkání

Celulární automaty Síť konečných automatů, které přecházejí z jednoho stavu do druhého podle toho, v jakých stavech se nacházejí sousední automaty

Celulární automaty Může sloužit k simulaci fyzikálních dějů, společenských jevů jako například urbanizace

Simulátory umělého života Agent based simulátory

Simulátory umělého života Agent based simulátory Species, Framesticks Scripbots, Biogenesis, Critterding

Simulátory umělého života Non agent based simulátory Cafun, Cellular automata explorer, Fast cellular automata simulator, Golly

Vývojová prostředí pro vývoj umělého života NetLogo Repast Simphony

Návrh vlastního simulátoru Nejvhodnějším je patrně celulární automat Jádro (Konečný automat typu Moore, Mealy…) Okolí (Neumannovské, Moorovské…) Vizualizace (3D, 2D…) Pravidla (.LIFE,.RLE…)

Děkuji za pozornost