Transcript Slide 1
دانشگاه صنعتی اصفهان
دانشکده برق و کامپیوتر
ارایه کننده :حسین عابدی
دانشجوی رشته کامپیوتر – گرایش هوش مصنوعی
درس الگوریتم تکاملی – زمستان 1390
•
•
•
•
•
•
•
•
•
•
2
مقدمه
مزایای GEنسبت به GP
Backus-Naur Form
زمینه بیولوژیکی
رویه ی نگاشت
الگوریتم تکاملی
بررسی چند مثال
کاربردها
جمع بندی
منابع
Grammatical Evolution
فهرست مطالب
مقدمه
"Grammatical Evolution is a system that can be used to
automatically generate programs in any language"
--- Michael O'Neill
Grammatical Evolution
3
مزایای GEنسبت به GP
• استفاده از فرم BNFو تولید برنامه به هر زبان دلخواه
• استفاده از آخرین پیشرفتهای الگوریتمهای تکاملی
• استقالل شیوه تکامل از نحوه نگاشت
4
Grammatical Evolution
• تطابق کامل! با پروسهی نگاشت ژنوتیپ-فنوتیپ در
سیستمهای بیولوژیک
• سادگی پیاده سازی الگوریتم تکاملی
• کروموزومهای باینری با طول متغیر
GP نسبت بهGE مزایای
Grammatical Evolution
GP: Trees grow, or “bloat”.
GE:?!! Linear Chromosomes.
5
GP نسبت بهGE مزایای
Grammatical Evolution
6
Backus-Naur Form
• تکنیک نشانه گذاری زبان؛ مستقل از نوع زبان
• در سال Peter Naur 1963استفاده از کلمات را در این زبان
به حداقل رسانده آنرا ساده تر کرد و ALGOL 60را معرفی
نمود.
• این شیوه پیاده سازی زبان امروزه با عنوان Backus Naur
)Form (BNFشناخته میشود.
7
Grammatical Evolution
• در سال ،johan Backus 1959یک برنامه نویس کامپیوتر در
IBMبا الهام گرفتن از ایده قوانین تولید زبان Noam
chamskeyدستورالعمل های زبان جدیدی به نام IALرا که
امروزه ALGOL58معروف است طراحی کرد
Backus-Naur Form
•
•
•
•
•
BNF: {N,T,P,S}
T: Terminals
N: Non-terminals
P: Production Rules
S: Start Symbol
Grammatical Evolution
8
GE: Grammatical Evolution
Grammatical Evolution
9
زمینه بیولوژیکیDNA :
10
A = Adenine T = Thymine
G = Guanine C = Cytosine
Grammatical Evolution
• عمدهی ایدهی GEاز پروسههای بیولوژیکی تولید پروتئین از
روی مادهی ژنتیک موجود زنده الهام گرفته شده است.
RNA ساخت:زمینه بیولوژیکی
Grammatical Evolution
11
12
Grammatical Evolution
زمینه بیولوژیکی :ساخت پروتئین
فنوتیپ و ژنوتیپ در GE
• فنوتیپ نتیجهی بیان مادهی ژنتیکی به صورت پروتئین
است.
– فنوتیپ یک برنامهی کامپیوتری است که توسط یک رویهی
نگاشت ژنوتیپ-فنوتیپ از روی مادهی ژنتیکی(ژنوتیپ) تولید
میشود.
– کروموزوم ها(ژنوتیپ) :رشتههای باینری با طولهای متغیر
– هر kبیت :یک کدون( k=8فرض میشود).
13
Grammatical Evolution
• در :GE
14
Grammatical Evolution
تطابق GEو سیستم ژنتیک بیولوژیک
•
برای تعیین قانون تولید متناظر عدد صحیح حاصل:
•
برای مثال به قانون زیر توجه کنید.
•
حال اگر کدونی که خوانده میشود مقدار صحیح 6را نمایش دهد ،آنگاه:
6 MOD 4 = 2
•
15
در نتیجه قانون 2انتخاب میشود.
Grammatical Evolution
رویهی نگاشت
تفاوت این نگاشت با روش استاندارد EA
* many-to-one mapping process
16
Grammatical Evolution
• در EAتولید راهحل از روی یک فرد به صورت یک به یک است
• در GEاز یک رویهی نگاشت چند-به-یک* استفاده شده است.
• قدرت GEنیز در همین رویهی نگاشت است.
آمینو اسیدها
Grammatical Evolution
17
خاصیت چندرمزینگی کد ژنتیکی
• در کل 43نوع ترکیب سه حرفی وجود دارد که از بین
این تعداد،
– 61رمز مخصوص آمینو اسید
• به طور متوسط برای هر آمینو اسید سه کدون وجود
دارد.
18
Grammatical Evolution
– سه رمز شروع و پایان ژنها روی DNAرا تعیین میکنند.
19
Grammatical Evolution
خاصیت چندرمزینگی کد ژنتیکی
بررسی یک مثال
بصورت مقادیر صحیحindividual یک
220 MOD 4 = 0
220 55 214 36
11
<expr>
30
•
68 203 102 55 220 202 241 130 37 202 203 140 39 202 203 102
<expr><op><expr>
Grammatical Evolution
20
بررسی یک مثال
بصورت مقادیر صحیحindividual یک
55 MOD 4 = 3
220 55 214 36
11
<expr>
30
•
68 203 102 55 220 202 241 130 37 202 203 140 39 202 203 102
<expr><op><expr>
<var><op><expr>
Grammatical Evolution
21
بررسی یک مثال
بصورت مقادیر صحیحindividual یک
214 MOD 2 = 0
220 55 214 36
11
<expr>
30
•
68 203 102 55 220 202 241 130 37 202 203 140 39 202 203 102
<expr><op><expr>
<var><op><expr>
X <op><expr>
Grammatical Evolution
22
بررسی یک مثال
36 MOD 4 = 0
220 55 214 36
11
<expr>
30
بصورت مقادیر صحیحindividual یک
•
68 203 102 55 220 202 241 130 37 202 203 140 39 202 203 102
<expr><op><expr>
<var><op><expr>
X <op><expr>
X + <expr>
Grammatical Evolution
23
بررسی یک مثال
بصورت مقادیر صحیحindividual یک
220 55 214 36
11
<expr>
30
•
68 203 102 55 220 202 241 130 37 202 203 140 39 202 203 102
<expr><op><expr>
<var><op><expr>
X <op><expr>
X + <expr>
Grammatical Evolution
24
بررسی یک مثال
بصورت مقادیر صحیحindividual یک
220 55 214 36
11
<expr>
30
•
68 203 102 55 220 202 241 130 37 202 203 140 39 202 203 102
<expr><op><expr>
<var><op><expr>
X <op><expr>
X + <expr>
Grammatical Evolution
25
GE مشخصات الگوریتم تکاملی
Initialization
Parent Selection
survival Selection
• انتخاب جمعیت اولیه
• انتخاب والدین
• انتخاب بازماندگان
Grammatical Evolution
• عملگرها
– باز ترکیبی
Recombination
Mutation
Duplication
– جهش
– کپی برداری
26
GE مشخصات الگوریتم تکاملی
:• انتخاب جمعیت اولیه
• Random Initialization
• Sensible Initialization(50_50)
– Ramped half & Half(Koza)
Grammatical Evolution
• انتخاب والدین
Rouletle Wheel Selection
Q_Tournoment )(با جایگذاری و بدون جایگذاری
27
عملگرها
Recombination:
– One Point Crossover
– Two Point Crossover
Grammatical Evolution
• Mutation:
– Binary Mutation
–
•
Codon Mutation(all , one)
Duplication
28
انتخاب بازماندگان
• Steady State Replacement Strategy
0<r<1
Q= r * p
P’
p’ = p’+Q
• Elitism Selection
Grammatical Evolution
1 <= e <= p
E= p تا از بهترینهایe انتخاب
P’=p’+E
p’ تا از بدترینهایe حذف
29
بررسی چند مثال
• مسألهی انتگرالگیری
• مسألهی برازش
30
Grammatical Evolution
• مسألهی Santa Fe Trail
31
Grammatical Evolution
مسألهی برازش و انتگرالگیری
انتگرالگیری
F(x)=cos(x)+2x+1
Grammatical Evolution
32
33
Grammatical Evolution
نتایج مسألهی انتگرالگیری
برازش
Grammatical Evolution
34
نتایج مسألهی برازش
Grammatical Evolution
35
Santa Fe Trail Problem
Grammatical Evolution
36
Santa Fe Trail Problem
Grammatical Evolution
37
Grammatical Evolution
38
GE روشهای برگرفته شده از
• GAuGE(genetic algorithm Using GE)
• Gramataical swarm
• mGGA(meta grammer Genetic
Algorithm)
Grammatical Evolution
39
•
•
•
•
•
•
•
•
•
•
•
40
مدلسازی اقتصادی
سیستمهای بازرگانی
خرید و فروش ارز
تضمین وام
طراحی سیستمهای دیجیتال با Verilog
پردازش تصویر
تحقیقات زیست شناسی و پزشکی
کنترل و هدایت روبات
چک کردن گرامر زبان
داده کاوی برای آشکارسازی نفوذ در شبکه
Surface Generation
Grammatical Evolution
کاربردهای مختلف GE
منابع
• [1] O’Neill M., Ryan C. (2001) “Grammatical Evolution,” IEEE
Transactions on Evolutionary Computation. 5(4), pp 349-358.
Grammatical Evolution
• [2] Jonatan Hugosson, Erik Hemberg, Anthony Brabazon,
Michael O’Neill , “Genotype representations in grammatical
evolution” , Applied Soft Computing 10 (2010) 36–43.
• [3] MICHAEL O’NEILL, CONOR RYAN, MAARTEN KEIJZER, MIKE
CATTOLICO; “Crossover in Grammatical Evolution”, Genetic
Programming and Evolvable Machines, 4, 67–93, 2003.
• [4]A. E. Eiben, J. E. Smith; “Introduction to Evolutionary
Computing”, Springer, 2003.
• [5] www.grammatical-evolution.org
• [6] www.grammaticalevolution.org
41
از حسن توجه شما متشکرم
Grammatical Evolution
42