InformatiCup 2009 EvolutionConsole

Transkript

1 InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März

2 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack GmbH Java EE Entwicklung Andreas Mayer IDS GmbH (Allianz) Head of Market Data Development 2

3 1. Das Team Herausforderungen Teamfindung im Vorfeld des Projekts - Internes Forum der WBH Kommunikation während des Projekts - Ein persönliches Treffen im Vorfeld (Kick-Off-Meeting) - Organisationsplattform zum Projektmanagement notwendig - Regelmäßige Skype-Konferenzen - Schneller Informationsaustausch per Mail / Chat 3

4 2. Die Bearbeitung Aufgabenstellung Evolutionäre Optimierung von Tetrapods - Wackeln / Schiefe messbar machen - Evolutionsparameter definieren - Grafische Oberfläche entwickeln - Vorgänge der Evolution visualisieren - Dokumentation erstellen - Experimente durchführen 4

5 Die Bearbeitung. Aufgabenverteilung Test / Bugfixing Experimente ClockingIT Batch-Schnittstelle GUI Installation Subversion Selektion Rekombination Mutation ES Anwender- Dokumentation Basisklassen Implementations- Dokumentation Applikation Unterstützung 5

6 2. Die Bearbeitung Vorgehensmodell Build 026: Konsolenanwendung Build 050: GUI implementiert Build 112: Alle GAs Implementiert Build 160: ES implementiert Build 168: Feature Complete Build 196: Final Release 6

7 2. Die Bearbeitung Hilfsmittel 7

8 3. Die theoretischen Grundlagen Theoretische Konzepte (A. Mayer) 8

9 3. Die theoretischen Grundlagen Wackelnde Tische und Informatik? Optimierungsverfahren Lokale vs. globale Optima Ein Optimum kann ein Minimum oder ein Maximum sein 9

10 3. Die theoretischen Grundlagen Naturanaloge Verfahren Neuronale Netze, Neuro-Evolution (Kognitionswissenschaft) Evolutionäre Algorithmen (Biologie, Evolutionsforschung) (Partikel-)Schwarmintelligenz (Biochemie, Soziologie) Simulierte Abkühlung (Thermodynamik) Für unsere Aufgabenstellung stellt sich die Frage, warum man überhaupt den Evolutionsprozess adaptieren soll? 10

11 3. Die theoretischen Grundlagen Evolutionäre Algorithmen Relevant für unsere Aufgabenlösung Genetische Algorithmen Evolutions-Strategien Nicht Relevant und deshalb nicht näher erläutert Genetisches Programmieren Evolutionäres Programmieren 11

12 3. Die theoretischen Grundlagen Der genetische Basisalgorithmus 12

13 3. Die theoretischen Grundlagen GA vs. ES Genetische Algorithmen Häufig binäre Repräsentation des Genoms Primärer Suchoperator ist die Rekombination Mutation spielt eine sekundäre Rolle Mittlere Populationsgrößen Mittlerer Selektionsdruck ist sinnvoll Evolutionsstrategien Das Genom wird durch reelle Werte repräsentiert Mutation ist der primäre Suchoperator Rekombination spielt eine sekundäre Rolle, falls sie überhaupt eingesetzt wird. Kleine Populationsgrößen Hoher Selektiondruck ist sinnvoll Selektionsdruck? 13

14 3. Die theoretischen Grundlagen Im folgenden Teil wird konkret auf unsere Aufgabenlösung eingegangen BEZUGNAHME ZUR AUFGABENSTELLUNG 14

15 3. Die theoretischen Grundlagen Die Individuen Die quadratische Tischplatte hat die Seitenlängen 100 cm Die Länge der Tischbeine (A,B,C,D) ist variabel Reelle Werte (Genotyp) / Diskrete Werte (Phänotyp) 15

16 3. Die theoretischen Grundlagen Erzeugen der initialen Population Gefordert war eine Normalverteilung bei der Urerzeugung Ermittelte Parameter: =100, =

17 3. Die theoretischen Grundlagen Die Fitnessfunktion 17

18 4. Die Implementierung Die Implementierung (D. Herken) 18

19 4. Die Implementierung Das grobe Modell 19

20 4. Die Implementierung Selektion Arbeitet auf dem Phänotyp der Individuen Selektionsmethode bestimmt den Selektionsdruck Hoher Selektionsdruck kann zu schneller Konvergenz führen, wobei bei zu hohem Selektionsdruck Lösungen nahe des Optimums verpasst werden können. Niedriger Selektionsdruck wäre z. B.: 50% werden ausgewählt 20

21 4. Die Implementierung Roulette-Wheel-Selektion Berücksichtigung der Fitness in gewissem Maße Schlechte Individuen haben trotzdem eine Chance ausgewählt zu werden 21

22 4. Die Implementierung Lineares Ranking Hybrides System Absolute Fitnessunterschiede spielen keine Rolle Dichtefunktion bestimmt die Selektionswahrscheinlichkeit Wichtig ist die Rangfolge Bestes Individuum oben, schlechtestes Individuum unten 22

23 4. Die Implementierung Heiratsselektion Stochastischer Prozess Zufällige Auswahl eines Lösungskandidaten Vergleich mit weiteren Zufällig ermittelten Individuen Abbruchkriterien: Maximale Anzahl der Versuche erreicht 23

24 4. Die Implementierung Rekombination (Crossover) Primärer Suchoperator der genetischen Algorithmen Rekombination wird mit einer bestimmten Wahrscheinlichkeit durchgeführt Maximale Diverstität wird erreicht, wenn zwei Eltern immer nur ein Kind erzeugen Arbeitet auf dem Genotyp der Individuen 24

25 4. Die Implementierung Punkt Crossover 25

26 4. Die Implementierung Uniform-Crossover 26

27 4. Die Implementierung Mutation Unidirektionaler, stochastischer Prozess Arbeitet auf dem Genotyp der Individuen Tritt mit einer bestimmten Wahrscheinlichkeit ein Schrittweite regelt, wie stark eine Mutation das Allel verändert Es können mehrere Teile eines Chromosoms mutiert werden 27

28 4. Die Implementierung Evolutionsstrategien (ES) Dynamische Schrittweitenregelung der Mutation In unserer Implementierung nutzen wir globale Mutation (auch Isotrope Mutation genannt) Primärer Suchoperator ist die Mutation Rekombination findet nicht statt Kein Selektionsdruck bei der Auswahl der Eltern (gleichverteilte Zufallsselektion) In der Umweltselektion nutzen wir Besten- Selektion 28

29 4. Die Implementierung Grundlegende Unterscheidung der ES PLUS (μ + λ) KOMMA (μ, λ) Eltern werden ebenfalls evaluiert und in den Auswahlprozess einbezogen Es werden nur die Kinder evaluiert und in den Auswahlprozess einbezogen μ= Initiale Populationsgröße λ= Mating-Pool-Größe 29

30 4. Die Implementierung Funktionsweise Globale Mutation Jedem Chromosom wird ein Strategieparameter hinzugefügt Initialer Wert 4 (~ 20% der initialen Intervallgröße) Mutation des Strategieparameters Ablauf Anpassung der Beinlängen 30

31 5. Praxis und Konklusionen LIVE-DEMO 31

32 5. Das Fazit Resümee Co-Evolution Parallele Algorithmen Weitere ES (z. B. CMA-ES) Gradientenverfahren Dynamische Umwelt Verfahren zur Auflösung von stuck-situationen Echtes 3D 32

33 Vielen Dank für Ihre Aufmerksamkeit Für Fragen stehen wir selbstverständlich jederzeit zur Verfügung 33