Intelligenza e Natura Andrea Roli [email protected]Dipartimento di Scienze - Universit ` a degli Studi “G. D’Annunzio” Intelligenza e Natura – p.1 Intelligenza e natura La natura ha sviluppato tecniche “intelligenti” per risolvere problemi. Per esempio: Adattamento alle variazioni ambientali Il sistema immunitario Coordinazione tra insetti sociali (le termiti costruiscono termitai senza un progetto, le formiche muovono oggetti grandi senza un coordinatore, ecc.) Intelligenza e Natura – p.2 Metafora naturale I sistemi (intelligenti) basati su metafora naturale utilizzano modelli di fenomeni e processi naturali per risolvere problemi. Caratteristiche: Robustezza Adattatività Modelli subsimbolici Obiettivi: Risoluzione di problemi Progettazione di sistemi adattativi Simulazione Esperimenti controllati Intelligenza e Natura – p.3 Sistemi Swarm intelligence Computazione evolutiva Reti neurali Sistemi immunitari artificiali Chimica artificiale Intelligenza e Natura – p.4
20
Embed
Auto-organizzazione...Auto-organizzazione Il principio fondamentale del successo di sistemi a intelligenza collettiva è l’auto-organizzazione: insieme di meccanismi dinamici nei
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Dipartimento di Scienze - Universita degli Studi “G. D’Annunzio”
Intelligenza e Natura – p.1
Intelligenza e natura
La natura ha sviluppato tecniche “intelligenti” per risolvereproblemi. Per esempio:
Adattamento alle variazioni ambientali
Il sistema immunitario
Coordinazione tra insetti sociali (le termiti costruisconotermitai senza un progetto, le formiche muovono oggettigrandi senza un coordinatore, ecc.)
Intelligenza e Natura – p.2
Metafora naturale
I sistemi (intelligenti) basati su metafora naturale utilizzanomodelli di fenomeni e processi naturali per risolvereproblemi.
Caratteristiche:
Robustezza
Adattatività
Modelli subsimbolici
Obiettivi:
Risoluzione di problemi
Progettazione di sistemiadattativi
Simulazione
Esperimenti controllati
Intelligenza e Natura – p.3
Sistemi
Swarm intelligence
Computazione evolutiva
Reti neurali
Sistemi immunitari artificiali
Chimica artificiale
� � �
Intelligenza e Natura – p.4
Swarm Intelligence
Intelligenza e Natura – p.5
Swarm Intelligence
Intelligenza collettiva emergente in gruppi di agenti(semplici).
Prende origine da metafore e modelli del comportamento diinsetti sociali.
Formiche e ricerca di cibo, ripartizione del lavoro,riordinamento di larve.
Termiti e costruzione di nidi
Api e costruzione e disposizione di aree specifichenell’alveare.
Intelligenza e Natura – p.6
Swarm Intelligence
Proprietà delle metafore di sistemi di insetti sociali:
Elaborazione distribuita
Interazioni dirette e indirette
Agenti con semplici capacità computazionali
Flessibilità
Robustezza
Intelligenza e Natura – p.7
Swarm Intelligence
Problemi risolti con successo dagli insetti sociali:
Ricerca di cibo
Ripartizione del lavoro
Raggruppamento di oggetti
Ordinamento di larve
Costruzione di nidi
Trasporto cooperativo
Intelligenza e Natura – p.8
Auto-organizzazione
Il principio fondamentale del successo di sistemi aintelligenza collettiva è l’auto-organizzazione:
insieme di meccanismi dinamici nei quali compaionostrutture a livello globale, in seguito alle interazioni trale componenti di livello inferiore.
Caratteristiche:
Creazione di strutture spazio-temporali
Multistabilità (esistenza di più stati stabili)
Esistenza di biforcazioni a fronte di variazioni diparametri critici.
Intelligenza e Natura – p.9
Auto-organizzazione
Ingredienti:
Interazioni multiple tra agentiAgenti semplici (per esempio basati su regole)Sistemi composti da numerosi agenti
Feedback positivo (amplificazione)Amplificazione di fluttuazioni casuali e formazione distruttureRinforzo dei pattern di comportamento più “diffusi”
Feedback negativo (regolazione)SaturazioneCompetizioneEsaurimento di risorse
Intelligenza e Natura – p.10
Stigmergia
Particolare forma di comunicazione indiretta usata dagliinsetti sociali per coordinarsi.
Due individui interagiscono indirettamente quando uno diessi modifica l’ambiente e l’altro reagisce al nuovoambiente in un momento successivo.
Intelligenza e Natura – p.11
Ant Algorithms
Algoritmi ispirati al comportamento collettivo delle formichedurante la ricerca di cibo.
Applicati inizialmente a problemi di ottimizzazionecombinatoria (Dorigo 1992).
Applicati anche a problemi di routing e classificazione diinformazioni.
Intelligenza e Natura – p.12
Ant Algorithms
Meccanismi fondamentali:
1. Ogni formica deposita sul terreno una sostanza chimica(feromone) mentre cammina.
2. La scelta del percorso da seguire alla ricerca di cibo èguidata dall’intensità del feromone: più è intenso in unadirezione, maggiore sarà la probabilità di scegliere taledirezione.
3. Il feromone evapora nel tempo, quindi rimangono“marcati” solo i percorsi usati più frequentemente.
Intelligenza e Natura – p.13
Ant Algorithms
(1)(3)
(2)(4)
Intelligenza e Natura – p.14
Ant System
Applicazione al problema del commesso viaggiatore(Traveling Salesman Problem): trovare un cammino dilunghezza minima che passi per tutte le città una e unasola volta.
- Nodi � città
- Archi � collegamenti tra le città
- Pesi sugli archi � distanze tra due città
Intelligenza e Natura – p.15
Ant System
Le formiche artificiali costruiscono una soluzionemuovendosi da un nodo all’altro. Ad ogni iterazione laregola di transizione guida la scelta del nodo successivo.La regola di transizione dipende dal feromone ( �) e da unafunzione euristica ( �).
Intelligenza e Natura – p.16
Ant System
La probabilità di passare dalla città
�
alla città
�
per laformica
�
è:
� ���� ��
�
���� � � �� �� � �
���� ammissibili� �� � � � �� � � �� se
� �
ammissibili �
�
altrimenti
� e �
bilanciano l’importanza relativa di feromone e euristica.
Intelligenza e Natura – p.17
Ant System
Quando tutte le formiche (
� � �! � � � ") hanno costruito unasoluzione, si aggiorna il feromone.
� �� # $ �&% ' (*) � �� +,.-
��/ 01 ����
1 ���� �
2 0 3� se la formica
�
ha percorso l’arco
$ � � (
�
altrimenti
' è il coefficiente di evaporazione e4 � è la lunghezza del
circuito percorso dalla formica
�.
Intelligenza e Natura – p.18
Ant System
Ant System Algorithm
InitializePheromoneValues()while termination conditions not met do
“Species face the problem of searching for beneficialadaptations to the environment. The knowledge that eachspecies has gained is embodied in the makeup of thechromosomes of its members.” (Davis, Genetic Algorithmsand Simulated Annealing, 1987)
Different probability distribution (e.g., probabilitydistribution based on the ranking of individuals)
Tournament Selection (iteratively pick two or moreindividuals and put in the mating pool the fittest)
Intelligenza e Natura – p.54
Ex: real valued variables
- Solution: � � � 5 � � 5 � � �
- Mutation: random perturbation � � � � �
, accepted if� � � � � 5 � �
- Crossover: linear combination � � � 0 � + �� �, with
� 0 ��
such that 5 � � � �
.
Intelligenza e Natura – p.55
Example: permutations
- Solution: � � $ � 0 � � � � � �� (
is a permutation of$ �! � � � � (
- Mutation: random exchange of two elements in the
�-ple
- Crossover: like 2-point crossover, but avoiding valuerepetition (see next example).
Intelligenza e Natura – p.56
Eight Queens
Place 8 queens on a
� � �
chessboard in such a way thatthe queens cannot attack each other.
Intelligenza e Natura – p.57
Eight Queens
Genotype: a permutation of the numbers 1 through 8
7 13 2 4 6 5 8
Intelligenza e Natura – p.58
Eight Queens
Mutation: exchanging two numbers
21 11 3 5 4 8 7 2 3 5 8 74 1
Intelligenza e Natura – p.59
Eight Queens
Crossover: combining two parents
7
1
8 7
5
6
8 7 6 5 4 3 2
3 5 2 6 41
8 7 6 2 4 1 3
3 5 4 2 81
Intelligenza e Natura – p.60
Eight Queens
Fitness: penalty of a queen is the number of queens it cancheck.
The fitness of the configuration is the sum of the singlepenalties.
Intelligenza e Natura – p.61
Genetic Programming
Can be seen as a ‘variant’ of GA: individuals areprograms
Used to build programs that solve the problem at hand( � specialized programs)
Extended to automatic design in general (e.g.,controllers and electronic circuits)
Intelligenza e Natura – p.62
Genetic Programming
Individuals are trees which encode programs.
>
1
+
2 IF
3 4
T 6
Fitness given by the evaluation of the program “behavior”(based upon some defined criteria)
Intelligenza e Natura – p.63
Operators
Mutation: Random selection of a subtree which issubstituted by a well formed random generated subtree
>
1
+
2 IF
3 4
6T
>
6*
1
+
2 IF
3 4
2Y
Intelligenza e Natura – p.64
Operators
Crossover: Exchange two randomly picked subtrees.
4
+
4
+
5
5>
+
2 IF
3 4
T 6
>
IF
3 4
T 6
IF
<
1
+
2
2
IF
<
1
2
Intelligenza e Natura – p.65
Operators
Selection and replacement
Fitness is evaluated depending on the application.
For assembler worms the fitness can be the memorythey occupied.
For controllers, the fitness can be the percentage ofcorrect actions
Intelligenza e Natura – p.66
The realm of GP
Black art problems. E.g.,automated synthesis of analogelectrical circuits, controllers, antennas, and other areasof design
Programming the unprogrammable, involving theautomatic creation of computer programs forunconventional computing devices. E.g.,cellularautomata, parallel systems, multi-agent systems, etc.
Intelligenza e Natura – p.67
The realm of GP
Commercially usable new inventions involving the use ofgenetic programming as an automated “inventionmachine” for creating commercially usable new inventions
Problems in computational molecular biology, includingmetabolic pathways and genetic networks
Intelligenza e Natura – p.68
Coevolution
Species evolve in the same environment
� dynamic environment
Two kinds:
Competitive
Cooperative
Intelligenza e Natura – p.69
Competitive Coevolution
� Species evolve trying to face each other
E.g., prey/predator, herbivore/plants.
Applications: ALU design for Cray computer,(pseudo-)random number generator.
Intelligenza e Natura – p.70
Cooperative Coevolution
� Species evolve complementary capabilities to survive intheir environment
E.g., host/parasite.
Applications: ‘niche’ genetic algorithms for multi-criteriaoptimization.
Intelligenza e Natura – p.71
Some references
M.Mitchell. Genetic Algorithms. MIT Press, 1999.
Z.Michalewicz. Genetic Algorithms + Data Structures =Evolution Programs, Springer, 1992.
D.E.Golberg. Genetic Algorithms in Search,Optimization and Machine Learning. Addison-Wesley,1989.
W.B.Langdon, R.Poli. Foundations of GeneticProgramming. Springer, 2001.
Intelligenza e Natura – p.72
On the Internet
EvoNet: http://www.evonet.polytechnique.fr/
www.genetic-programming.com
GALib http://lancet.mit.edu/ga/
http://www.aic.nrl.navy.mil/galist/
www.isgec.org
Intelligenza e Natura – p.73
Proposte per tesine
Alcune idee:
Progetto e implementazione di algoritmi evolutivi per:GiochiAnalisi di serie storiche e previsione finanziariaAnalisi di dinamiche cooperative/competitiveSimulazione di sistemi multi-agente
Progetto e implementazione di sistemi “swarm” per:Analisi di datiSimulazione di robot cooperativiEsperimenti di computazione emergenteSimulazione di sistemi multi-agente