Simulátory umělého života Aplikovatelné v environmentálních informačních systémech.

Prezentace na téma: "Simulátory umělého života Aplikovatelné v environmentálních informačních systémech."— Transkript prezentace:

1 Simulátory umělého života Aplikovatelné v environmentálních informačních systémech

2 Umělá inteligence Top down přístup

3 Umělý život Bottom up přístup

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

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

6 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”

7 Silný umělý život Emergence Život na úrovni biologického života

8 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

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

10 Genetické algoritmy

11 Prohledávání stavového prostoru, hledání vhodného řešení, optimalizace

12 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”

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

14 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.)

15 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

16 Neuronové sítě

17 Algoritmy, které stavbou a funkcí napodobují mozkové buňky

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

19

20

21 Celulární automaty

22 Inspirován chováním buňek a tkání

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

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

25

26 Simulátory umělého života Agent based simulátory

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

28

29

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

31

32

33

34

35

36

37 Vývojová prostředí pro vývoj umělého života NetLogo Repast Simphony

38

39

40

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

42 Děkuji za pozornost