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

2024 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2024-01-30 10:19

Los algoritmos genéticos son probablemente una de las cosas más interesantes de la computación (en mi opinión). ბიომრავალფეროვნების იდეა, რომელიც წარმოიშობა ბიოლოგიურ განვითარებაში, შეიძლება გამოყენებულ იქნას ერთ -ერთი უწყვეტი პრობლემის გადასაჭრელად.

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.

წარმოიდგინეთ CP CP es un ser vivo, y que se debe adapter a las Condiciones cambiantes de luz. El CP, de bus bus la forma más eficiente de prender sus leds, para obtener la şaredar cantidad de luz posible según su sensor de luz. Para lograrlo además debe hacerlo encendiendo la menor cantidad de leds posibles. Entonces maximiza la luz, al mismo tiempo que minimiza la cantidad de leds. Acá trataremos de hacerlo con un algoritmo genético.

რეკლამა: Este es un tema para estudiantes AVANZADOS

ნაბიჯი 1: მასალები

მარტივი:

1. მიკროსქემის მოედანი (cualquier Arduino con leds y sensor de luz)
2. ბატერიასი
3. USB კაბელი
4. Algo para generar luz y sombra para pruebas

ნაბიჯი 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 pavariente cada vez), ალბათ არ არის 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 resolutionverlo. 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

ეს არის პირველი 1 15 625 000 000, ეს არის ალბათობა იმისა, რომ მონო მონო აღწერს "ბანანოს", არის 1 დან 15 მილიონამდე … სავარაუდოდ, ალბათ! Dicho de otro modo, es muy poco სავარაუდოდ 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". სავარაუდოა, რომ პოკო, მაგრამ შეუძლებელია.

Formalicemos არის იდეა poco. SI (1/50)^6 es la probabilidad de escribir "banano", entonces, 1- (1/50)^6 es la probabilidad de NO escribirlo. Si un mono purposea n veces, entonces, la probabilidad P de no escribir la palabra "banano" en n nentos sería:

P = [1- (1/50)^ 6]^ ნ

Así por ejemplo si purposeo una vez, P = 1, როგორც განზრახვა მილიონებში, P = 0.999936, 10 მილიონ მილიონამდე, P = 0.53, y mientras más grande se n, más me acerco a P = 0, ეს არის decir, con un numero infinito de purposeos, 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 efectiva de buscar una solución

Lo maravilloso is que la naturaleza busca al azar, pero de manera constructiva, es decir, busca de forma aleatoria pero manteniendo una buena solución y haciendo modificaciones a veces fuertes a veces pequeñas de ellas. Esa es la manera en que el algoritmo genético funciona, tomando ideas del como se genera la variabilidad genética en los seres vivos, და inventanto un algoritmo para hacerlo en computadora, con el fin de solucionar un problema. Entonces aunque contiene elementos de azar, también tiene memoria y hace que acad purposeo de buscar la solución, no sea pavariente del paranteo anterior.

შენიშვნა: ინფორმაციის ზუსტი გაგზავნა, რომელიც მოიცავს უსასრულო ინფორმაციას

ნაბიჯი 3: Evolución Y Definiciones

ევოლუცია

Un algoritmo genético (AG) არის un algoritmo რომელიც ნებადართულია პრობლემის გადაჭრის სხვადასხვა პრობლემის გადაჭრაში. El AG, se basa en tres principios principales de herencia Darwiniana:

• Herencia: Los hijo reciben las características de sus padres. En el AG indica que las nuevas soluciones heredan lo alcanzado por soluciones anteriores
• ვარიაცია: Debe haber un mecanismo para introducir variedad. en el AG, signa que se debe agregar variabilidad de alguna manera para encontrar nuevas soluciones
• სელექცია: Hay un mecanismo en la cual se seccionan 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 detalles de como funciona la evolución de seres vivos, sino que quiero entrar de una vez a la explicación del Algoritmo Genético.

განმსაზღვრელები

Para poder გაუადვილდა ახსნა el algoritmo, debemos definir algunas cosas antes. ეს არის განსაზღვრული შვილების კომუნისტი, რომელიც ასახავს algoritmo genético que encuentren- ს, რომელიც ხელს უწყობს ლიტერატურულ ენებს.

1. Uno de los primeros pasos არის "codificar" el problema, esto quiere decirous debemos tener un un un წარმომადგენელი მათი პრობლემის pod pod trabajarlo en el CP. Acá lo hacemos de manera sencilla. Como se muestra en a foto, tenemos 10 LEDS que pueden estar encendidos "1" o apagados "0", entonces tenemos un arreglo con 10 elementos 0 y 1. Aso entonces 101000000 signa que los leds 0 y 2 están encendidos, y el resto აპაგადოსი. y 0010011010, que los leds 2, 5, 6 y 8 están encendidos
2. Una Población is un conjunto de posibles combinaciones de leds encendidos (ver la imagen de población), estas pueden ser iguales o diferentes. Se le llama un Cromosoma a un elemento en la población. შემოიფარგლება CROSSOMOMA, არ არსებობს არა მხოლოდ LEDS– ის წარმომადგენლობა, არამედ LED– ების გაფართოება და გაფართოება CP– ით
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. რეკომბინაცია, შედგება en tomas dos cromosomas, escoger un punto de cruzamiento, e intercambiar la información entre ambos (ver el diagrama)
5. ფიტნესის შეფასების ფუნქცია, ეს არის კრიტერიუმი, რომელიც საშუალებას გაძლევთ შეაფასოთ ეს თანხები, რათა მიიღოთ სელექციონერ მეჯორესთან დაკავშირებული პრობლემები. En este caso, voy a trabajar con la intensidad de de luz y la cantidad de leds encendidos

ნაბიჯი 4: El Algoritmo

პასო პასო

1. Crear una población de muchos cromosomas inicializados al azar
2. Evaluar cual es el mejor con la función de "fitness"
3. Copiar el mejor recombinando con el segundo mejor al resto de la población
4. Aplicar mutación a toda la población
5. Repertir a partir de 2

ეჯღელნი

Como expliqué en las definiciones, una tira (cromosoma) 1000101010, წარმომადგენლობითი los leds encendidos "1" y apagados "0", en el circuit მოედანი. Vamos definit nuestra función de "fitness" como:

ფიტნეს = (lectura de luz) x 0.5 - (número de leds) 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 entonces encendemos los ledsrespondrespondeses cada cromosoma y vlerësamos su fitness, como se muestra en la figura. შენიშვნა:

0011100000 ფიტნეს = 98.5

1011100001 ფიტნეს = 102.5

1010101011 ფიტნეს = 102

Los de fitness más alto son 102.5 y 102, seleccionamos esos, y hacemos recombinación y mutación como se muestra en la imagen, lo que nos permite terminal con una nueva población, 1011100001

0011101011

1010100011

ეს არის ახალი პოტენციალი, რომელიც აფასებს თქვენს ფიტნესს და როგორც უწყვეტობას. მედიდა que llega a una solución óptima, aunque sigue probando, se mantiene hasta que haya cambios en el ambiente.

ნაბიჯი 5: ელ კოდიგო

El código lo pueden descargar en mi GitHub. არ არსებობს განმარტება, თუ როგორ განვმარტო თავისუფლება "cromosome.h", რაც შეიძლება გამოყენებულ იქნას როგორც ძირითადი პრინციპი.

კოდიგო პრინციპი

El siguiente código crea una población de 20 cromosomas:

#განსაზღვრეთ N 20

პოპ მოსახლეობა (N);

El objeto es მოსახლეობა y lo hemos llamado pop. Esto inmediatamente ctrea una pobación de 20 cromosomas, inicializados con todos ceros. En el setup, agregamos la línea:

pop.mutate ქრომოსომები (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.mutate ქრომოსომები (0.05, 1);

Y vlerësamos con la función de შეფასების, que explico más abajo

შეაფასეთ ();

Luego ordenamos los cromosomas de Mayor a menor fitness (usubo bubble sort), ეს არის რეკონსტრუქციის პროცესის გაადვილება, pop.sort ();

სულ ეს არის. Ahora veamos la función de შეფასების რაც მნიშვნელოვანია

შეფასების ფუნქცია

El codigo de შეაფასოს () es:

ბათილად შეაფასე () {

for (int i = 0; i <pop.n; i ++) {setPixels (i); // აძლევს LED დროს დაყოვნების ჩართვისათვის (100); ფიტნეს (ი); }}

Vean que simplemente prendemos los ledsrespondientes al cromosoma (eso es lo que hace setPixels ()), y vlerësamos su fitness, con la función, ბათილი ფიტნეს (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

ნაბიჯი 6: Funcionando Y Retos

ფუნქცია

ვიდეოში შეგიძლიათ იხილოთ ადაპტაცია და აპოკოს სხვადასხვა განსხვავებების პირობები luz. Siempre encuentra una buena solución. თუ თქვენ გესაჭიროებათ სწავლება, თქვენ გაგიხარდებათ, los algoritmos genéticos son un tema difícil en computación, pero eso es lo que lo hace más emocionante.

De alguna marea al dejar funcionando el CP con el algoritmo, parece casi como un ser vivo explorando las condiciones y evolucionando 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 პირობები. Se quede correr el algoritmos para determinar lo mejor en cada situación, y luego dejar estas definidas en el CP, pero en este ejemplo ejemplo dejamos que el algoritmo siempre esté explorando.

როგორც ეს შეიძლება იყოს mutationales, ver comn como el algoritmo es algo inestable y le va a costar llegar და una situación optima.

Comentario ფინალი

El ejoemplo utilizado es ilustrativo, y para paragraduat el uso de la librería. El reto planteado de mejorar la luz con el menor número de LEDS, es simple y hasta trivial, que ალბათ სავარაუდოა, რომ ეს შეიძლება იყოს solucionar de manera más rápida con otros métodos. Sin embargo, si lo vemos desde el punto de vista de seres vivos, la evolución organa, utiliza algo como un algoritmo genético para búsquedas no lineales, entonces, algo como optimizar la luz, es un problema que en la naturaliza tiene sentido (me disculpan si me puse espeso!)

რეტოს

• Buscar un problema de optimización más complexado un una función de "fitness" ms completeja
• Mejorara el desempeño, cambiando probabilidad de mutación, re-combinación, aumentando la población, cambiando tiempos (esos delays por allí metidos)
• გამოიყენეთ რობოტი, რომელიც განსხვავდება სიტუაციიდან
• Estudiar meiosis, para aprender sobre mecanismos de evolución
• Estudiar a fondo los algoritmos genéticos (თივის ლიბროს სრულყოფილება და სხვა თემა)