🕛 🧒🏻 🦊 तंत्रिका नेटवर्क प्रेरित विकास 🤧 🕜 ♌️

आइए पर्यावरण को देखें: "भोजन" और एजेंटों के कण इसमें मौजूद हो सकते हैं। सेंसर का उपयोग करके, एजेंट पर्यावरण के बारे में जानकारी प्राप्त कर सकते हैं। यदि एजेंट भोजन के एक कण के करीब है, तो इसे "खाया" माना जाता है और गायब हो जाता है, और उसी क्षण भोजन का एक नया कण पर्यावरण में एक यादृच्छिक स्थान पर प्रकट होता है। एजेंटों के समूह का कार्य भोजन एकत्र करना है। दक्षता एकत्र भोजन की कुल मात्रा के आधार पर माना जाता है।

चलो एजेंटों के समूह के इष्टतम व्यवहार के लिए स्वचालित रूप से खोज करने के लिए एक प्रतिस्पर्धी वातावरण का अनुकरण करते हैं। हम एक तंत्रिका नेटवर्क के रूप में एक एजेंट व्यवहार एल्गोरिथ्म का निर्माण करेंगे।

एक प्रतिस्पर्धी माहौल का अनुकरण करने के लिए, आप आनुवंशिक एल्गोरिथ्म का उपयोग कर सकते हैं और टूर्नामेंट का संचालन कर सकते हैं: सभी एजेंटों को एक निश्चित कॉन्फ़िगरेशन ("मस्तिष्क") का तंत्रिका नेटवर्क सौंपा जाता है और एक निश्चित अवधि के बाद खाए गए भोजन कणों की संख्या तय होती है। उन तंत्रिका नेटवर्क को जीता जाता है, जिनके नियंत्रण में एजेंट अधिक भोजन एकत्र करने में सक्षम थे - उनके आधार पर तंत्रिका नेटवर्क की एक नई आबादी बनती है, आदि।

बेशक, तंत्रिका नेटवर्क के प्रशिक्षण के लिए विशेष एल्गोरिदम हैं, लेकिन मैंने आनुवंशिक एल्गोरिथ्म का उपयोग किया है, क्योंकि:

मैं खुद को तंत्रिका नेटवर्क की विशिष्ट टोपोलॉजी तक सीमित नहीं करना चाहता हूं (यदि अधिक उद्देश्यपूर्ण रूप से, यह सैद्धांतिक पूर्वापेक्षाओं की कमी के कारण है जिसमें नेटवर्क टोपोलॉजी और न्यूरॉन्स की संख्या इस मामले में सबसे अच्छा उपयोग की जाती है)
मैं एक तंत्रिका नेटवर्क के प्रशिक्षण के लिए एक आनुवंशिक एल्गोरिथ्म का उपयोग करने की संभावना का परीक्षण करना चाहता था
आनुवंशिक एल्गोरिथ्म के कार्यान्वयन का पुन: उपयोग किया जो उसने एक और समस्या को हल करने के लिए बनाया था

आइए हमारे मॉडल के विवरण को देखें

मध्यम आकार (चौड़ाई और ऊंचाई), साथ ही साथ भोजन के एजेंटों और कणों की संख्या की विशेषता है। पर्यावरण बंद है - एजेंट इसके परे नहीं जा सकते।
खाद्य कणों को निर्देशांक (x, y) की विशेषता है।
प्रत्येक एजेंट को एक स्थिति (एक्स, वाई) और एक दिशा वेक्टर द्वारा विशेषता है।

एजेंट सेंसर पर्यावरण से निम्नलिखित संकेतक प्राप्त करते हैं: पास में भोजन की उपस्थिति के बारे में एक संकेत, एक खाद्य कण की दूरी, एजेंट की दिशा वेक्टर और भोजन के लिए वेक्टर के बीच कोण का कोसाइन, पास के अन्य एजेंटों की उपस्थिति के बारे में एक संकेत (और तदनुसार, हमारे एजेंट और दिशा के बीच के कोण की दूरी और कोसाइन वेक्टर एक अन्य एजेंट को निर्देशित)। एजेंट की पर्यावरण के बारे में जानकारी प्राप्त करने की क्षमता "स्कोप" द्वारा सीमित है - मोटे तौर पर, एजेंट केवल खुद को आगे देख सकता है।

एजेंट अपनी स्थिति और दिशा बदलकर पर्यावरण के साथ बातचीत करता है। यही है, सेंसर के संकेतक तंत्रिका नेटवर्क के इनपुट को खिलाया जाता है, और जिस कोण से मोड़ना आवश्यक है, साथ ही साथ उस मूल्य का मूल्य जिसके द्वारा एजेंट की गति को बदलना चाहिए, बाहर पढ़े जाते हैं।

एक तंत्रिका नेटवर्क पर आनुवंशिक संचालन

सुविधा के लिए, एक तंत्रिका नेटवर्क को रैखिक रूप में परिवर्तित किया जा सकता है। इसके लिए, यह तंत्रिका नेटवर्क के सभी मापदंडों को एक-आयामी सरणी में लिखने के लिए पर्याप्त है। मापदंडों में बॉन्ड्स का वजन, साथ ही न्यूरॉन्स के संक्रमण कार्यों के प्रकार और पैरामीटर शामिल हैं। रैखिक गुणसूत्रों के पार और उत्परिवर्तन का संचालन काफी सरल है।

कार्रवाई में मॉडल

हम 600 x 400 के आयाम वाले वातावरण में एजेंटों का निरीक्षण करेंगे, लेकिन गणना को गति देने के लिए, टूर्नामेंट प्रतियोगिताओं को अधिक कॉम्पैक्ट मापदंडों के साथ एक वातावरण में आयोजित किया जाता है: पर्यावरण के आयाम 200 x 200 हैं, एजेंटों की संख्या 10 है, खाद्य कणों की संख्या 5 है।

एक इष्टतम कॉन्फ़िगरेशन तंत्रिका नेटवर्क काफी तेज है। वीडियो में, आप देख सकते हैं कि टूर्नामेंट के चयन के परिणामस्वरूप एजेंटों का व्यवहार कैसे बदल जाता है (यदि आप YouTube को देखते हैं, तो छवि थोड़ी साफ दिखेगी):

दिलचस्प अवलोकन

भोजन के कणों को स्थानांतरित करने की अनुमति देकर पर्यावरण को जटिल बनाया जा सकता है। यह दिलचस्प है कि स्थैतिक खाद्य कणों के साथ पर्यावरण के लिए प्राप्त तंत्रिका नेटवर्क एक ऐसे वातावरण में अच्छे परिणाम दिखाते हैं जहां भोजन स्थानांतरित हो सकता है (वीडियो के अंत में मैंने चलती खाद्य कणों का प्रदर्शन किया)।
जिस वातावरण में एजेंट काम करते हैं, वह आंशिक रूप से देखने योग्य होता है (एजेंट केवल अपने सामने देख सकते हैं, और एक ही समय में सभी पर्यावरणीय वस्तुओं की स्थिति नहीं देख सकते हैं)।
इसके अलावा, पर्यावरण गैर-निर्धारक है (खाद्य कण यादृच्छिक स्थानों में दिखाई दे सकते हैं और विभिन्न दिशाओं में आगे बढ़ सकते हैं)।

लेकिन "विकासवाद" के परिणामस्वरूप, अक्सर, तंत्रिका नेटवर्क के ऐसे विन्यास बनते हैं जो आंदोलन के दौरान "बल" को "बारी" करने के लिए एजेंट को लक्षित करते हैं (यह वीडियो में भी देखा जा सकता है)। यह व्यवहार प्रभावी है क्योंकि हमेशा संभावना होती है कि जब एजेंट लक्ष्य के करीब पहुंच रहा है, तो कोई अन्य एजेंट भोजन के इस कण को खा सकता है, या लक्ष्य के रास्ते में भोजन का एक नया टुकड़ा दिखाई देगा, जिसे तेजी से खाया जा सकता है।

संक्षेप में, उन तंत्रिका नेटवर्क जो पर्यावरण प्रतिबंधों से लड़ने में मदद करते हैं, अधिक प्रभावी हैं।
सामान्यतया, एजेंटों के व्यवहार को देखते हुए, कभी-कभी किसी को यह धारणा हो जाती है कि वे कुछ "स्वाभाविक रूप से" व्यवहार करते हैं - जैसे कुछ कीड़े या मछली का समूह।

मैंने एक तंत्रिका नेटवर्क के विन्यास को एक फ़ाइल में सहेजने की क्षमता को लागू किया, और निम्न वीडियो विभिन्न व्यवहार रणनीतियों का एक प्रदर्शन है जो मैंने देखा:

अगर आप प्रयोग करना चाहते हैं

आपके पास जावा रनटाइम स्थापित होना चाहिए
एमुलेटर को यहां से डाउनलोड किया जा सकता है।
एमुलेटर ज़पुक:
java -jar simulator.jar

यहां तंत्रिका नेटवर्क कॉन्फ़िगरेशन फाइलें हैं जिनका मैंने डेमो वीडियो में उपयोग किया था।

एमुलेटर एक सरल ग्राफिकल इंटरफ़ेस से लैस है। बाईं माउस बटन पर क्लिक करके, आप भोजन जोड़ सकते हैं, और दाहिने बटन पर क्लिक करके - नए एजेंट।

तकनीकी विवरण

आवेदन के मुख्य घटकों की वास्तुकला इस प्रकार है:

आनुवंशिक एल्गोरिथ्म को एक अलग थ्रेड में निष्पादित किया जाता है, और इसके पूरा होने पर, सभी एजेंटों के लिए तंत्रिका नेटवर्क का एक नया कॉन्फ़िगरेशन स्थापित किया जाता है, जो स्क्रीन पर एजेंटों के व्यवहार में बदलाव को मजबूर करता है। तंत्रिका नेटवर्क के विन्यास को बचाया जा सकता है - xml प्रारूप इसके लिए काफी सुविधाजनक है।

एक निष्कर्ष के बजाय

एक छोटे तंत्रिका नेटवर्क के प्रशिक्षण के लिए एक आनुवंशिक एल्गोरिथ्म का उपयोग सफल रहा।

इस तरह के एक छोटे से काम पर काम करते समय, आपको बहुत खुशी मिलती है: कृत्रिम प्राणियों के विकास और सामूहिक व्यवहार का निरीक्षण करना बहुत दिलचस्प है।

संदर्भ

इसमें, आप एजेंट आधारित दृष्टिकोण के बारे में बुद्धिमान सिस्टम बनाने के लिए पढ़ सकते हैं, पर्यावरण और निर्णय लेने की रणनीतियों के विभिन्न विकल्पों के बारे में:
स्टुअर्ट जे। रसेल, पीटर नॉरविग, कृत्रिम बुद्धिमत्ता: एक आधुनिक दृष्टिकोण (अनुवाद में उपलब्ध)
गिथब परियोजना के स्रोत
आनुवंशिक एल्गोरिथ्म के सामान्य कार्यान्वयन - स्रोत

तंत्रिका नेटवर्क प्रेरित विकास