Kit Ciencia Y Arte: Algoritmo Genético (Vida Artificial): 6 vaihetta

2024 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2024-01-30 09:03

Los algoritmos genéticos son probablemente una de las cosas other interesantes de la computación (en mi opinión). Básicamente se toma la idea de evolución de la biología, y se aplica a un algoritmo en una computadora para resolver un problem.

El algoritmo genético es parte de lo que se conoce como algoritmos evolutivos en el mundo de las ciencias de la computación. Acá hacemos un ejemplo sencillo, con el fin de aprender sobre el algoritmo. Usamos el Circuit Playground (CP) de Adafruit para hacer el ejercicio.

Imaginen el CP que es un ser vivo, y que se debe adaptar a las condiciones cambiantes de luz. El CP, debe buscar la forma more eficiente de prender sus leds, para obtener la pormestari cantidad de luz posible según su sensor de luz. Jos haluat kirjata ledit, voit kirjautua sisään. Ensoittaa maksimi la luz, al mismo tiempo que minimiza la cantidad de leds. Acá trataremos de hacerlo con un algoritmo genético.

ADVERTENCIA: Este es un tema para estudiantes AVANZADOS

Vaihe 1: Materiaalit

Yksinkertainen:

1. Circuit Playground (o cualquier Arduino con leds y sensor de luz)
2. Baterías
3. Kaapeli USB
4. Algo para generar luz y sombra para pruebas

Vaihe 2: Búsqueda Al Azar

Imaginemos un mono, apretando letras en el teclado de una computadora, el mono simplemente presiona las letras al azar. Si hay unas 50 letras en el teclado, cada letra (si el mono presiona de manera Independiente cada vez), tiene una probabilidad de 1/50 = 0.02 de ser presionada.

Ahora bien, digamos que queremos que el mono escriba la palabra "banano", ¿Podrá el mono escribir la palabra? La respuesta corta es SI !!!

La respuesta larga es que si lo puede hacer pero tomará un tiempo largo para resolverlo. Vamos esto estadísticamente. La probabilidad de que el mono escriba "banano" es entonces la probabilidad conjunta, esto es:

(1/50) x (1/50) x (1/50) x (1/50) x (1/50) x (1/50) = (1/50)^6

Esto es igual a 1 sobre 15 625 000 000, es decir la probabilidad de que el mono escriba "banano", es 1 en 15 millones… muy poco todennäköinen! Dicho de otro modo, es muy poco todennäköinen que un mono escriba la palabra "banano" escribiendo teclas al azar, ah, pero si tuviéramos 15 millones de monos escribiendo, es posible que uno de ellos escriba la palabra "banano". entonces poco todennäköinen, mutta ei mahdotonta.

Formalicemos on idea ja poco. SI (1/50)^6 es probabilidad de escribir "banano", entonces, 1- (1/50)^6 es la probabilidad de NO escribirlo. Yksittäisiä aikomuksia, tunteita, todennäköisyyksiä P de no escribir la palabra "banano" ja n intos seria:

P = [1- (1/50)^ 6]^ n

Kuten ejemplo si intento una vez, P = 1, si intento un millón de veces, P = 0,999936, mutta 10 mil millones, P = 0,53, y mientras más grande se n, más me acerco a P = 0, es decir, con un numero infinito de aimos, puedo estar seguro de que el mono va a escribir la palabra "banano".

Lo que sí, no tenemos tiempo infinito, es decir se puede buscar una solución al azar, pero, el azar solo tardaría mucho tiempo. En pocas palabras, la fuerza bruta no es una forma effectiva de buscar una solución

Lo maravilloso es que la naturaleza busca al azar, pero de manera construction, es decir, busca de forma aleatoria pero manteniendo una buena solución y haciendo modificaciones a veces fuertes a veces pequeñas de ellas. Essa es la manera en que el algoritmo genético funciona, tomando ideas del como se genera la la variabilidad genética en los seres vivos, e keksintö ja algoritmi hacerlo en computadora, con el fin de solucionar un problem. Entonces aunque contiene elementos de azar, también tiene memoria y hace que acad intento de buscar la solución, no sea Independiente del intento anterior.

HUOMAUTUS: Busquen información sobre el teorema del mono infinito

Vaihe 3: Evolución Y Definitionses

La evolución

Un algoritmo genético (AG) es un algoritmo que permite encontrar una solución a Problem difíciles de resolver. El AG, se basa en tres principios principales de herencia Darwiniana:

• Herencia: Los hijo reciben las características de sus padres. En el AG merkitsee que las nuevas soluciones heredan lo alcanzado por soluciones anteriores
• Vaihtoehto: Debe haber un mecanismo para Introducir vaihteleva. en el AG, signa que se debe agregar variabilidad de alguna manera para encontrar nuevas soluciones
• Valinta: Hay un mecanismo en la cual se seleccionan los mejores. En el AG, hay una función de "fitness" que permite determinar cual solución es mejor

Acá no me voy a meter en los detales de como funciona la evolución de seres vivos, sino que quiero entrar de una vez a la explicación del Algoritmo Genético.

Määritelmät

Paikallisen helpon selityksen algoritmi, debemos määrittelee algoritmin cosas antes. Estas määritelmät son comunes en cualquier explicación de algoritmo genético que encuentren, y les helpitará entender la literatura en las redes.

1. Uno de los primeros pasos es "codificar" on problem, esto quiere decir que debemos tener una representationción de el problem para poder trabajarlo en el CP. Acá lo hacemos de manera sencilla. Como se muestra en a photo, tenemos 10 LEDS que pueden estar encendidos "1" or apagados "0", entonces tenemos un arreglo con 10 elementos 0 y 1. Así entonces 101000000 signa que los leds 0 y 2 estenc encendsos, y el resto apagados. y 0010011010, que los leds 2, 5, 6 ja 8 estancia
2. Una Población es un conjunto de posibles combinaciones de leds encendidos (ver la imagen de población), estas pueden ser iguales o different. Se la lama ja Cromosoma a un elementento en la población. Entonces un cromosoma, no es ms que una representationción de los LEDS encendidos y apagados del CP
3. Una mutación, es cambiar al azar uno o varios LEDS, como se muestra en la foto, donde arbitrariamente la posición 5 cambia de apagado a encendido
4. La recombinación, consiste en tomas dos cromosomas, escoger un punto de cruzamiento, e intercambiar la información entre ambos (ver el diagrama)
5. Una función de evaluación o fitness, es un criterio que permite assessmentar que tan buenos son cada uno de los cromosomas de la población para seleccionar el mejor. En este caso, voy a trabajar con la intensidad de de luz y la cantidad de leds encendidos

Vaihe 4: El Algoritmo

paso ja paso

1. Crear una población de muchos cromosomas inicializados al azar
2. Arvioi esitys tärkeimmistä "kunto" -toiminnoista
3. Copiar el mejor rekombinando con el segundo mejor al resto de la población
4. Aplicar mutación a toda la población
5. Ohjelma osa 2

Ejemplo

Como expliqué en las definiciones, una tira (cromosoma) 1000101010, edustaja los leds encendsos "1" y apagados "0", en el circuit circuit. Vamos on varma nuestra función de "fitness" como:

kunto = (luento) x 0,5 - (LED -valot) x 0,5

Noten como restamos el numero de leds en la fórmula, pues queremos la mejor luz con la cantidad menor de leds, entonces si una solución es similar en luz pero con menos leds, seleccionaremos esa.

Ahora houkuttelee encendemos los leds -kirjeenvaihtajia ja cada cromosoma y arvioitaessa kuntoa, como se muestra en la figura. Noten como en el ejemplo tenemos:

0011100000 kunto = 98,5

1011100001 kunto = 102,5

1010101011 kunto = 102

Los de fitness muualla pojassa 102,5 y 102, seleccionamos esos, y hacemos rekombinaatio y mutación como se muestra en la imagen, lo que nos permite terminar con una nueva población, 1011100001

0011101011

1010100011

Esta nueva población nuevamente arviointi su fitness y así continamos. A medida que llega a una solución óptima, aunque sigue probando, se mantiene hasta que haya cambios en el ambiente.

Vaihe 5: El Código

Lataa El Código lo pueden GitHubista. No voy a explicar los detalles de la librería "cromosome.h", sino nada más el algoritmo genético, como es utilizado en el código principa.

Códigon rehtori

El siguiente código crea una población de 20 cromosomas:

#määrittele N 20

populaatio pop (N);

El objeto es väestö y lo hemos llamado pop. Esto inmediatamente ctrea una pobación de 20 cromosomas, inicializados with todos ceros. Asennukset, sovitus la línea:

pop.mutateChromosomes (0,5, 0);

Para cambiar aleatoriamente cada cromosoma con una probabilidad de 0.5, iniciando desde el cromosoma 0. En el loop tenemos el algortimo, primero hacemos crossover:

pop.copyCrossover (2);

Luego aplicamos mutación con una probabilidad baja (0.05), e iniciando del cromosoma 1 para mantener el mejor que hemos obtenido en la población (el cromosoma 0 es el mejor)

pop.mutateChromosomes (0,05, 1);

Y arvioinnit con la función de evaluación, que explico más abajo

arvioida();

Luego ordenamos los cromosomas de Mayor a menor fitness (usando bubble sort), esto helpita el proceso de recombinación, pop.sort ();

Kaiken kaikkiaan. Ahora veamos la función de evaluación que es importante

Función de evaluación

El codigo de assessment () es:

mitätön arviointi () {

for (int i = 0; i <pop.n; i ++) {setPixels (i); // antaa LED -valolle viiveen käynnistymisajan (100); kunto (i); }}

Vean que simplemente prendemos los ledsrespondientes al cromosoma (eso es lo que hace setPixels ()), y fitnessamos, con la función, mitätön kunto (int a) {

pop.fitness [a] = 0,5 * float (CircuitPlayground.lightSensor ()) - 0,5 * float (pop.countBits (a)); }

Almacenamos el valor de fitness de cada cromosoma en pop.fitness

Vaihe 6: Funcionando Y Retos

Funcionando

En el video video com ve va como va adaptando de apoco a las diferentes condiciones de luz. Siempre encuentra una buena solución. Tämä lograste entender on instructable, te felicito, los algoritmos genéticos son and tema difícil en computoción, pero eso es lo que lo hace other emocionante.

De alguna marea al dejar funcionando el CP con algoritm, parece casi como un ser vivo explorando las condiciones y kehittymis ja para mejorar. En este caso están ocurriendo muchas iteraciones de eovlución en poco tiempo, para un organismo vivo son mucho más lentas

de cierto modo el algoritmo sirve para encontrar la mejor solución, dadas ciertas condiciones. Se puede Correr el Algoritmos para determinar lo mejor en cada situción, y luego dejar estas definidas en el CP, pero en este ejemplo dejamos que el algoritmo siempre esté explorando.

Si se dejan muchas mutaciones, verán como el algoritmo es algo inestable y le va a costar llegar a una situción optimaalinen.

Kommenttien finaali

El ejemplo utilizado es ilustrativo, y es para helpitar el uso de la librería. El reto planteado de mejorar la luz con el menor número de LEDS, es simple y hasta trivial, que probablemente see puede solucionar de manera other rápida con otros metétos. Sin embargo, si lo vemos desde el punto de vista de seres vivos, evolución organisaatio, utiliza algo como un algoritmo genético para búsquedas no lineales, entonces, algo como optimizar la luz, es un problem que en la naturaliza tiene sentido (me disculpan) si me puse espeso!)

Retot

• Buscar ja optimointiongelma lisää monimutkaisuutta "fitness" -toiminnon kanssa
• Mejorara el desempeño, cambiando probabilidad de mutación, re-combinación, aumentando la población, cambiando tiempos (esos delays por allí metidos)
• Aplikoi robotti, para que resuelva diferentes situciones
• Arvioitu meioosi, para aprender sobre mecanismos de evolución
• Estudiar a fondo los algoritmos genéticos (hay libros completos en el tema)