Evoluutiolaskenta

Luonnossa eliöt reagoivat ja mukautuvat ympäristöön monella eri tasolla:

• Yksilötaso: toiminta
  • Neuronien aktiivisuus ja aktiivisuustason muutokset
  • STM, lyhytmuisti
  • Aistimus Havainto Toiminta

• Yksilötaso: oppiminen, mukautuminen
  • Neuronien välisten kytkentöjen muuttuminen
  • Kemialliset muistijäljet
  • LTM, pitkämuisti

• Populaatiotaso: evoluutio
  • Luonnonvalinta - ympäristöön parhaiten sopivat lisääntyvät eniten
  • Parinvalinta - tuottaa havaittavia ominaispiirteitä (myös haitallisia), lisää muuntelua

  • Sopeutuminen eri tasoilla

    

Evoluutiolaskenta jäljittelee luonnollisen evoluution haku- ja optimointitoimintaa keinotekoisissa järjestelmissä.

Evoluutiolaskennan osa-alueita (osin historiallisia):

• geneettiset algoritmit (GA, J. Holland, 1975)
• evoluutiostrategia (ES, I. Rechenberg, 1963)
• evoluutio-ohjelmointi (EP, D. Fogel 1960, 1966)
• keinoelämä

Evoluutioalgoritmien perussykli:

1. Valitaan alkupopulaatio (satunnainen joukko ratkaisuvaihtoehtoja).
2. Kullekin yksilölle luodaan jälkeläisiä käyttäen muuntelusääntöjä.
3. Uuden populaation jäsenten sopivuus( fitness) testataan ratkaistavana olevalla ongelmalla, ja valintasääntöjen perusteella parhaat jätetään.
   Jos ratkaisu riitävän hyvä, lopetetaan, muutoin jatketaan kohdasta 2.

Evoluutio-ohjelmointi ja geneettiset algoritmit

Keinoelämä

Keinotekoisia järjestelmiä, joissa esiintyy biologiseen elämään liittyviä ilmiöitä

• lisääntyminen (self-replication)
• mukautuminen (adaptation)
• kehittyminen (evolution)

Keinoelämän muotoja

• soluautomaatit ( game of life)
• tietokonevirukset ja -madot
• evoluutio- ja geneettiset algoritmit

Robotiikka:

• fysikaalisia järjestelmiä
  • oppivia, mukautuvia, kehittyviä
  • ei lisääntyviä, joten ei varsinaista keinoelämää
• älykkäät robotit
• autonomiset agentit

Tekoäly ja keinoelämä

Keinoelämä edellyttää kehittynyttä tekoälyä

• keinoelävät järjestelmät suorittavat tehtäviä itsenäisesti (autonomisia agentteja)
• ympäristö ei vakio
• yksilöt, populaatiot ja lajit kehittyvät

Perinteinen tekoäly

• Globaali toiminnan suunnittelu ja optimointi
• Sisäinen maailmanmalli
• Representaatio (mallit/säännöt) avainasemassa
  • monimutkaiset tietorakenteet
  • toimintaa kuvaavat säännöt
• Ongelmia: miten sensoridata muunnetaan symboleiksi?

  miten globaali malli muodostetaan (oppiminen)?

  miten sopeudutaan muuttuvaan ympäristöön?

  miten koordinoidaan yhteistoiminta?

Käyttäytymispohjainen AI

(Behavior-based AI)

• Ei maailmanmallia (representaatio ei merkittävä)
• Perustuu sensoridatan kuvaamiseen toiminnaksi
  (Alisymbolinen tekoäly)
• Hajautettu ohjausrakenne
• Erillisiä tavoiteohjattuja moduuleja

  

  Esim. Autonomisen robotin ohjaus: 3 perusmoduulia

  1. törmäysten välttäminen
  2. akun lataus telakointiasemassa
  3. suunistus tehtävän mukaan

• Oppiminen vahvistusopetuksella (reinforcement learning)
• Ongelma: miten globaali suunnittelu

Seminaariaiheeet

Evoluutiolaskenta

1. Johdanto evoluutiolaskentaan ja geneettisiin algoritmeihin

D.B. Fogel, Evolutionary Computing, IEEE Press, 1995, pp. 1-120,
Chapter 1: Defining Artificial Intelligence
Chapter 2: Natural Evolutions
Chapter 3: Computer Simulation of Natural Evolution

2. Evoluutiolaskennan teoreettista ja empiiristä analyysiä

D.B. Fogel, Evolutionary Computing, IEEE Press, 1995, pp. 121-186,
Chapter 4: Theoretical and Empirical Properties of Evolutionary Computation

3. Evoluutio ja älykäs toiminta

D.B. Fogel, Evolutionary Computing, IEEE Press, 1995,pp. 187-262
Chapter 5: Intelligent Behavior
Chapter 6: Perspective

Keinoelämän perusteita

4. Keinoelämä

Artificial Life, C.G. Langton (ed.), The MIT Press, 1995
Santa Fe Artificial Life group

5. Adaptiiviset autonomiset agentit

P. Maes, "Modeling Adaptive Autonomous Agents", in Artificial Life, C.G. Langton (ed.), The MIT Press, 1995 pp. 135-162.

L. P. Kaelbling, "Foundations of Learning in Autonomous Agents", Robotics and Autonomous Systems 8, pp. 131-144, 1991. (Introduction-tason artikkeli)

6. Käyttäytymiseen perustuva tekoäly (behavior-based AI)

L. Steels, The Artificial Life Roots of Artificial Intelligence", in Artificial Life, C.G. Langton (ed.), The MIT Press, 1995 pp. 75-110.

7. Parvioptimointi

J. Kennedy and R. Eberhart, "Particle Swarm Optimization", Proc. IJCNN'95, pp. 1942-1948, 1995.

Huom. työ sisältää myös suppean kokeellisen osan ('miniharjoitustyön'), jossa verrataan artikkelissa esitettyä menetelmää perinteisiin optimointimenetelmiin (esim. matlabilla).

Evoluutiolaskennassa käytettyjä neuroverkkomentelmiä

8. Reinforcement-opetus

M.E. Harmon and S.S. Harmon, "Reinforcement Learning: A Tutorial".

L.P. Kaelbling, M.L. Littman and A.W. Moore, "Reinforcement Learning: A Survey", Journal of Artificial Intelligence Research, Vol. 4., pp. 237-285, 1996.

9. Temporal difference-opetus

Merkittävin reinforcement-menetelmistä

R. S. Sutton, "Learning to Predict by the Methods of Temporal Difference", Machine Learning 3, pp. 9-44, 1988.

Muut

10. Neuroverkkojen optimointi evoluutiolaskennan avulla