Kit Ciencia Y Arte: Algoritmo Genético (Vida কৃত্রিম): 6 টি ধাপ

2024 লেখক: John Day | [email protected]. সর্বশেষ পরিবর্তিত: 2024-01-30 08:02

Los algoritmos genéticos son probablemente una de las cosas más 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 problemma।

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। উসামোস এল সার্কিট খেলার মাঠ (সিপি) ডি অ্যাডাফ্রুট প্যারা হেসার এল ইজারিসিও।

Imaginen el CP que es un ser vivo, y que se debe adaptar a las condiciones cambiantes de luz। এল সিপি, দেবে বাসকার লা ফর্মা মিস এফিসিয়েন্টে ডি প্রেন্ডার সাস লেডস, প্যারা ওবটেনার লা মেয়র ক্যান্টিডাদ দে লুজ পজিবল সেগান সু সেন্সর ডি লুজ। 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।

বিজ্ঞাপন: Este es un tema para estudiantes AVANZADOS

ধাপ 1: উপকরণ

সহজ:

1. সার্কিট খেলার মাঠ (o cualquier Arduino con leds y sensor de luz)
2. ব্যাটারিয়া
3. কেবল ইউএসবি
4. Algo para generar luz y sombra para pruebas

ধাপ 2: Bqusqueda আল আজার

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।

অহোরা বিয়ান, দিগামোস ক্যু কেরেমোস ক্যু এল মনো এস্ক্রিবা লা পালাব্রা "বানানো", ¿পোদ্রে এল মনো এস্ক্রিবিয়ার লা পালাব্রা? 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 সম্ভাব্য! Dicho de otro modo, es muy poco probable 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"। poco সম্ভাব্য entonces, কিন্তু অসম্ভব।

Formalicemos esta idea un 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 intenta n veces, entonces, la probabilidad P de no escribir la palabra "banano" en n intendos sería:

পি = [1- (1/50)^ 6]। N

Así por ejemplo si intendo una vez, P = 1, si intendo un millón de veces, P = 0.999936, pero para 10 mil millones, P = 0.53, y mientras más grande se n, m mes me acerco a P = 0, es decir, con un numero infinito de intendos, 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 es que la naturaleza busca al azar, pero de manera constructioniva, 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, e inventando un algoritmo para hacerlo en computadora, con el fin de solucionar un problemma। Entonces aunque contiene elementos de azar, también tiene memoria y hace que acad intendo de buscar la solución, no sea independiente del ento anterior।

NOTA: Busquen información sobre el teorema del mono infinito

ধাপ 3: Evolución Y সংজ্ঞা

La evolución

Un algoritmo genético (AG) es un algoritmo que permite encontrar una solución a problemmas difíciles de resolver। এল এজি, সে বাসা এন ট্রিস প্রিন্সিপিয়াস প্রিন্সিপালস ডি হেরেনসিয়া ডারউইনিয়ানা:

• হেরেনসিয়া: লস হিজো রিসিবেন লাস ক্যারেক্টারাস্টিকাস ডি সাস প্যাড্রেস। এন এল এজি মানে ক্যায়া লাস নুয়েভাস সলিউশনস হেরেডান লো আলকানজাদো পোর সলিউসিওনস অ্যান্টেরিয়রস
• Variación: Debe haber un mecanismo para introducir variedad। en এল এজি, তাত্পর্যপূর্ণ ক্যুই সে দেবে এগ্রেগার ভেরিয়াবিলিডাদ ডি আলগুনা মেনেরা প্যারা এনকন্ট্রার নুয়েভাস সলিউশন
• Selección: 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 detalles de como funciona la evolución de seres vivos, sino que quiero entrar de una vez a la explicación del Algoritmo Genético।

সংজ্ঞা

Para poder facilitar explicar el algoritmo, debemos definir algunas cosas antes। Estas definiciones son comunes en cualquier explicación de algoritmo genético que encuentren, y les facilitará entender la literatura en las redes।

1. Uno de los primeros pasos es "codificar" el problemma, esto quiere decir que debemos tener una representación de el problemma para poder 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", entences tenemos un arreglo con 10 elementos 0 y 1. Así entonces 101000000 importanta que los leds 0 y 2 están encendidos, y el resto অপাগাদোস y 0010011010, que los leds 2, 5, 6 y 8 están encendidos
2. Una Población es 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। Entonces un cromosoma, no es más que una representación 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 evaluar 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

ধাপ 4: এল অ্যালগরিটমো

paso a paso

1. Crea una población de muchos cromosomas inicializados al azar
2. Evaluar cual es el mejor con la función de "ফিটনেস"
3. Copiar el mejor recombinando con el segundo mejor al resto de la población
4. Aplicar mutación a toda la población
5. একটি অংশ 2 পুনর্বিবেচনা করুন

উদাহরণ

Como expliqué en las definiciones, una tira (cromosoma) 1000101010, representa los leds encendidos "1" y apagados "0", en el circuit playground। Vamos a definir nuestra función de "fitness" como:

ফিটনেস = (লেকটুরা ডি লুজ) 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 অনুরূপ en luz pero con menos leds, seleccionaremos esa।

Ahora entonces encendemos los leds correspondientes a cada cromosoma y evalamos su fitness, como se muestra en la figura। Noten como en el ejemplo tenemos:

0011100000 ফিটনেস = 98.5

1011100001 ফিটনেস = 102.5

1010101011 ফিটনেস = 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 terminar con una nueva población, 1011100001

0011101011

1010100011

Esta nueva población nuevamente evaluamos su fitness y así Continamos। A medida que llega a una solución ptima, aunque sigue probando, se mantiene hasta que haya cambios en el ambiente।

ধাপ 5: এল ক্যাডিগো

El código lo pueden descargar en mi GitHub। No voy a explicar los detalles de la librería "cromosome.h", sino nada más el algoritmo genético, como es utilizado en el código প্রধান।

Cigodigo অধ্যক্ষ

El siguiente código crea una población de 20 cromosomas:

#20 সংজ্ঞায়িত করুন

জনসংখ্যা পপ (এন);

এল objeto es জনসংখ্যা y lo hemos llamado pop। Esto inmediatamente ctrea una pobación de 20 cromosomas, inicializados con todos ceros। En el setup, agregamos 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 evaluamos con la función de evaluación, que explico más abajo

মূল্যায়ন ();

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

সর্বশক্তিমান। Ahora veamos la función de evaluación que es importante

Función de evaluación

এল কোডিগো ডি মূল্যায়ন () es:

অকার্যকর মূল্যায়ন () {

জন্য (int i = 0; i <pop.n; i ++) {setPixels (i); // বিলম্ব চালু করার জন্য LED সময় দেয় (100); ফিটনেস (i); }}

Vean que simplemente prendemos los leds correspondientes al cromosoma (eso es lo que hace setPixels ()), y evaluamos su fitness, con la función, অকার্যকর ফিটনেস (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

ধাপ 6: Funcionando Y Retos

Funcionando

En el video se ve como va adaptando de apoco a las diferentes condiciones de luz। Siempre encuentra una buena solución। Si lograste entender este instructable, te felicito, 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 explorerando 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 condiciones। Se puede correr el algoritmos para determinar lo mejor en cada Situación, y luego dejar estas definidas en el CP, pero en este ejemplo dejamos que el algoritmo siempre esté explorerando।

Si se dejan muchas mutaciones, verán como el algoritmo es algo inestable y le va a costar llegar a una Situación optima।

কমেন্টারিও ফাইনাল

El ejemplo utilizado es ilustrativo, y es para facilitar 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 se puede solucionar de manera más rápida con otros métodos। সিন নিষেধাজ্ঞা, si lo vemos desde el punto de vista de seres vivos, la evolución organiza, utiliza algo como un algoritmo genético para búsquedas no lineales, entonces, algo como optimizar la luz, es un problemma que en la naturaliza tiene sentido সি আমাকে পুসে এস্পেসো!)

রেটোস

• Buscar un problemma de optimización más complexado con una función de "ফিটনেস" más compleja
• Mejorara el desempeño, cambiando probabilidad de mutación, re-combinación, aumentando la población, cambiando tiempos (esos delays por allí metidos)
• একটি রোবট প্রয়োগ করুন
• Estudiar meiosis, para aprender sobre mecanismos de evolución
• Estudiar a fondo los algoritmos genéticos (hay libros completos en el tema)