МОДЕЛИ И КОНЦЕПЦИИ ЭВОЛЮЦИОННОЙ КИБЕРНЕТИКИ презентация

ЭВОЛЮЦИОННОЙ КИБЕРНЕТИКИ

Направление исследований «Адаптивное поведение»
Модель эволюции популяции адаптивных агентов
Проект программы будущих исследований (в порядке обсуждения)

Данная презентация: www.ni.iont.ru/r.zip

Наука, 1993 (1-е изд.). М.: ЭТС, 2000 (2-е изд.).

C - управление объединенными подсистемами, S' - система нового уровня иерархии

уровня и появление дополнительного механизма управления C объединенными подсистемами.
В результате метасистемного перехода формируется система S' нового уровня (S' = C + S1 + S2 +…+ Sn), которая может быть включена как подсистема в следующий метасистемный переход.
Перед метасистемным переходом -- количественное накопление "потенциала развития" в подсистемах Si
После метасистемного перехода -- размножения и развития подсистем предпоследнего уровня иерархии.
Метасистемный переход -- кибернетический аналог физического фазового перехода.

управление положением = движение
- управление движением = раздражимость (простой рефлекс)
- управление раздражимостью = (сложный) рефлекс
- управление рефлексами = ассоциации (условный рефлекс)
- управление ассоциациями = человеческое мышление
- управление человеческим мышлением = культура

в природе?

использует правило modus ponens: «если имеет место А, и из А следует В, то имеет место В», или
{А, A --> B} => B

После выработки условного рефлекса у собаки И.П. Павлова в памяти формируется связь «за УС должен последовать БС» (УС – условный стимул, БС – безусловный стимул), или
УС --> БС.
Когда собаке предъявляют УС, то она делает «логический вывод»:

{УС, УС --> БС} => БС

изобретений» эволюции, на функциональном уровне, не акцентируя особое внимание на биологической элементной базе (молекулы, нейроны,…).

Должен быть набор моделей «интеллекта» разного эволюционного уровня.

Использовать задел направления «Адаптивное поведение»

и робота

Первая конференция: Париж, 1990 г. (Ж.-А. Мейер, С. Вильсон)
Основной подход – конструирование и исследование искусственных (в виде компьютерной программы или робота) "организмов" (аниматов, агентов), способных приспосабливаться к внешней среде.
ANIMAL + ROBOT = ANIMAT
Программа-минимум – исследовать архитектуры и принципы функционирования, которые позволяют животным или роботам жить и действовать в переменной внешней среде
Программа-максимум – попытаться проанализировать эволюцию когнитивных способностей животных и эволюционное происхождение интеллекта человека
Предшественники: М.Л. Цетлин, М.М. Бонгард, Д.А. Поспелов Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987, УРСС, 2004.

OF ADAPTIVE BEHAVIOR (SAB'06)
25-30 September 2006, Roma, Italy

Ж.-А. Мейер)
Широкий спектр исследований адаптивных роботов и адаптивного поведения животных.
Подход AnimatLab предполагает, что система управления анимата может формироваться и модифицироваться посредством
1) обучения,
2) индивидуального развития (онтогенеза) и
3) эволюции.
http://animatlab.lip6.fr/index.en.html

Основной подход – познание природы интеллекта путем его создания ("understanding by building").
Подход включает в себя
1) построение моделей биологических систем,
2) исследование общих принципов естественного интеллекта животных и человека,
3) использование этих принципов при конструировании роботов и других искусственных интеллектуальных систем.
Pfeifer R., Scheier C., Understanding Intelligence. MIT Press, 1999.
http://www.ifi.unizh.ch/groups/ailab/

мозга (Darwin I, Darwin II, …)

Исследования поведения искусственного организма NOMAD (Neurally Organized Mobile Adaptive Device), построенного на базе этих моделей

http://vesicle.nsi.edu/nomad/

Жданов. Схемы и модели автономного адаптивного управления на базе аппарата эмоций. Накопление знаний - одна главных компонент адаптивного управления
А.И. Самарин. Самообучающиеся роботы (с 1970-х годов)
Л.А. Станкевич. Первые в России антропоморфные роботы. Нейрологические архитектуры систем управления гуманоидных роботов на базе когнитивных агентов
В.Г. Редько, М.С. Бурцев, О.П. Мосалов. Модели адаптивного поведения на базе эволюционных и нейросетевых подходов

УРСС, 2006)
Часть I. Ретроспектива
П.К. Анохин. Принципиальные вопросы общей теории функциональных систем
М.М. Бонгард и сотр. Проект модели организации поведения - «Животное»
М.Н. Вайцвайг, М.Н. Полякова. Об одном подходе к проблеме создания искусственного интеллекта
А.И. Самарин. Мобильные роботы и самоорганизация в нейронных структурах - ретроспективный взгляд

Часть II. Современные исследования
В.Г. Редько. From Animal to Animat - направление исследований адаптивное поведение
В.А. Непомнящих. Модели автономного поискового поведения
В.Ю. Рощин, А.А. Фролов. Нейросетевая модель выработки пространственной координации на основе сенсомоторного опыта
Д. В. Прохоров. Адаптивные критики и нейронные сети
М.Н. Вайцвайг, М.Н. Полякова. О моделировании мышления
С.В. Корниенко, О.А. Корниенко. Искусственная самоорганизация и коллективный искусственный интеллект: на пути от индивидуума к социуму
А.А. Жданов. Бионический метод автономного адаптивного управления
Л.А. Станкевич. Когнитивный подход к управлению гуманоидными роботами

Бурцев, Р.В. Гусарев, В.Г.Редько, 2000)
Модель эволюционного возникновения иерархии целей (развитие модели «Кузнечик»). (М.С. Бурцев, 2002)
Проект "Мозг Анимата". Разработка архитектур систем управления целенаправленным адаптивным поведением на базе теории функциональных систем П.К. Анохина и проекта «Животное» М.М. Бонгарда (В.Г. Редько, Д.В. Прохоров, К.В. Анохин, М.С. Бурцев, 2004)
Модель эволюции автономных адаптивных агентов (О.П. Мосалов, Д.В. Прохоров, В.Г. Редько, 2005)
Модель возникновения кооперации в популяциях адаптивных агентов (М.С. Бурцев, П.В. Турчин, 2005)

получаемую за длительный период времени.
В процессе обучения анимат формирует политику (policy). Политика определяет выбор (детерминированный или вероятностный) действия в зависимости от ситуации.
Обучение с подкреплением может рассматриваться как развитие автоматной теории адаптации (М.Л. Цетлин и др.)

t = 1,2,…
S(t) – текущая ситуация,
a(t) – действие анимата,
r(t) – подкрепление
(положительное или отрицательное)

Σ r(t), получаемую за длительный период времени.
Оценка награды:
U(t) = Σk γk r(t+k) , γ – дисконтный фактор, фактор забывания,
0 < γ < 1, k = 0,1,…

Теоретическая основа обучения с подкреплением (Reinforcement Learning):
➢ Динамическое программирование
➢ Марковские процессы

Обучение с подкреплением – самообучение, без учителя, на основе только наград и наказаний

configuration

Michael Rosenstein, Univ of Mass

П.К. Анохина

(В.Г. Редько, Д.В. Прохоров, К.В. Анохин, М.С. Бурцев, 2004)

безопасность, накопление знаний
ФС - на основе нейросетевых адаптивных критиков

- оценка качества ситуации S
Критик и Модель - многослойные нейронные сети, Критик показан для двух последователь-ных тактов времени

Роль Модели -- прогноз будущих ситуаций
Роль Критика -- оценка качества ситуаций

капитала в акциях есть u(t). Динамика капитала описывается уравнением:

С(t+1) = С(t) [1 + u(t+1) ΔX(t+1) / X(t)], (1)

где ΔX(t+1) = X(t+1) – X(t), X(t) – временной ряд курса акций, t = 1,2,…

R(t) = log C(t).

Текущее подкрепление агента r(t) есть: r(t) = R(t+1) – R(t),

r(t) = log [1 + u(t+1) ΔX(t+1) / X(t)] (2)

Предполагается, что величина u(t) принимает только два значения: u(t) = 0 (весь капитал в деньгах) или u(t) = 1 (весь капитал в акциях)

двух нейросетей: Модель и Критик.

Модель предсказывает изменения временного ряда, Критик оценивает качество ситуаций V(S).
Ситуация S(t) = {ΔX(t), u(t)}

Действия выбираются с помощью ε-жадного правила. Действия есть:
u(t+1) = 0 – перевести весь капитал в деньги
u(t+1) = 1 – перевести весь капитал в акции

V (S(t)) - оценка ожидаемого суммарного подкрепления U(t) = Σ γk r(t+k) для ситуации S(t), k = 0,1,…

(S(t)), V (Spri(t+1))
3. Применяется ε - жадное правило и выбирается действие ak:
k = arg maxi{ V(Spri(t+1))} с вероятностью 1- ε ,
k выбирается произвольно с вероятностью ε.
4. Действие ak выполняется

5. Оценивается подкрепление r(t). Происходит переход к следующему такту времени t+1. Критик оценивает V (S(t+1)).
6. Оценивается ошибка временной разности
δ(t) = r(t) + γV (S(t+1)) - V (S(t)) .
7. Обучаются Модель и Критик
V (S(t)) есть оценка ожидаемого суммарного подкрепления U(t) = Σ γk r(t+k), (k = 0,1,…) для ситуации S(t), V (S(t)) – качество ситуации S(t)

методом

Обучение Модели (уточнение прогноза):

ΔWM = αM gradWM(Sprk(t+τ))T(S(t+τ)-Sprk(t+τ)).

Обучение Критика (уточнение оценок качества ситуации):

ΔWC = αC δ(t) gradWС(V (t)) ,

WM , и WC - набор весов нейронных сетей Модели и Критика, αM , αC - параметры скоростей обучения.

th (Σ i WCij xCi), V(t) = Σ jVCj yCj .
V(t) = V(S(t)) – оценка качества ситуации S(t) .
δ(t) = r(t) + γ V(t) - V(t-1)
ΔVCi(t+1) = αC δ(t) yCj , ΔWCij(t+1) = αC δ(t) VCj (1 – (yCj)2) xCi .

Блок Модель
xM = {ΔX(t-m+1),…, ΔX(t)}, yMj = th (Σ i WMij xMi), ΔXpr(t+1) = Σ j VMj yMj .
ΔXpr(t+1) – прогноз изменения цены акций
ΔVMi(t+1) = - αM (ΔXpr(t+1) – ΔX(t+1)) yMj ,
ΔWMij(t+1) = - αM (ΔXpr(t+1) – ΔX(t+1)) VMj (1 – (yMj)2) xi .

ресурс R(t), который меняется в соответствии с получаемыми наградами r(t): R(t+1) = R(t) + r(t),

r(t) = log [1 + u(t+1) ΔX(t+1) / X(t)]. (2)

Длительность каждого поколения ng равна T тактов времени. Начальный ресурс рождающего агента равен нулю, R(T(ng-1)+1) = 0.

Начальные веса синапсов нейронных сетей агента составляют его геном G. Текущие веса W изменяются в процессе обучения.

Для вновь рождающегося агента W = G.

В конце каждого поколения находится агент, который имеет максимальный ресурс Rmax (ng). Этот наилучший агент дает n потомков, которые составляют следующее поколение. Геном потомка G отличается от генома родителя малыми мутациями.

+ sin(2πt/20)] +1 ,
2) стохастический ряд:
X(t) = exp[p(t)/1200], p(t) = p(t-1) + β(t-1) + k λ(t), β(t) = αβ(t-1) + μ(t),
где λ(t) и μ(t) - случайные нормальные процессы N(0,1), α = 0.9, k = 0.3.
Параметры моделирования: число входов нейронной сети Модели m = 10, число нейронов в скрытом слое Модели и Критика NhM = NhC = 10, скорость обучения Модели и Критика αM = αC = 0.01, дисконтный фактор γ = 0.9. Длительность поколения T, численность популяции n, интенсивность мутаций Pmut, параметр ε в ε -жадном правиле варьировались.
Анализировались следующие случаи:
L - только обучение
E - только эволюция
LE - обучение совместно с эволюцией

– обучение совместно с эволюцией
Результаты усреднены по 1000 расчетам. Pmut = 0.1, ε = 0.05, n = 10, T = 200.
ε = 0 после ng =100 (случай LE) и ng =2000 (случай L).

Величина ресурса лучшего агента Rmax, получаемая после 200 временных шагов для синусоиды. ng - номер поколения

В случаях E и LE агенты находят оптимальную политику: покупать/продавать при росте/падении курса

Расчет для синусоиды X(t) (красная линия) Pmut = 0.1, ε = 0.05, n = 10, T = 200.
Агент явно предпочитает держать капитал в акциях. Политика неплохая, но не оптимальная.

агента в популяции Rmax, случай LE, синусоида. n = 10, T = 1000, ε = 0.05, Pmut = 0.1 .

В первых поколениях неплохая политика находится путем обучения. В последних поколениях агент имеет хорошую политику с рождения. Эффект Балдвина: приобретаемые навыки становятся наследуемыми.

множителем 25 от действительных ΔX(t+1).

Предсказанные ΔXpr(t+1) (синяя линия) и действительные значения ΔX (t+1) (красная линия). Случай E. Стохастический ряд; n = 10, T = 200, Pmut = 0.1, ε = 0.05.

не только величиной, но и знаком. Эти неправильные предсказания используются агентом в оптимальной политике. Практика не есть критерий истины.

Предсказанные ΔXpr(t+1) (синяя линия) и действительные значения ΔX (t+1) (красная линия). Случай LE. Стохастический ряд; n = 10, T = 200, Pmut = 0.1, ε = 0.05.

(выбор действия), значительно проще, чем та задача, которую решает обучение (прогноз ситуации S, оценка качества прогнозируемых ситуаций для альтернативных действий, итеративное формирования оценок качества ситуаций V(S) и выбор действия на основе этих оценок), поэтому эволюция «задавливает» сложный механизм обучения.
Обучение в наших адаптивных критиках эволюционно нестабильно.
Эволюция модифицирует нейронные сети Модели и Критика таким образом, чтобы сделать систему управления эволюционно устойчивой.

игнорирование мелочей)

X(t) - курс акций (красная линия),
u(t) – доля капитала в акциях (синяя линия)

поведения: 1) собрать частицы и прикреплять их к домику и 2) искать скопление крупных частиц. Переход от одной тактики к другой характеризуется инерционностью и игнорированием мелочей

формируется в процессе эволюции популяции аниматов, вторичный – в процессе обучения.

Каждая ФС состоит из двух нейронных сетей: Контроллер и Модель. Контроллер предназначен для формирования действий (часть действий – передача управления другим ФС), Модель – для прогноза результатов действий.

Достоинство версии – согласованность эволюционного и индивидуального режимов адаптации. Одна из важных задач моделирования – проверить эффективность одновременного формирования цепочек действий, определяемых Контроллерами, и прогнозов результатов действия, определяемых Моделями.

проекта «Мозг Анимата»
Исследование перехода от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов, уровню понятий (аналогов слов)
Исследование процессов формирования причинной связи в памяти животных. Например, связи между условным стимулом (УС) и следующим за ним безусловным стимулом (БС). Анализ роли прогнозов в адаптивном поведении
Исследование процессов формирования логических выводов в «сознании» животных. {УС, УС --> БС} => БС – аналог modus ponens
Исследование коммуникаций, процессов возникновения языка

аниматов // Новости искусственного интеллекта. 2002. N. 2. С. 48-53.

Редько В.Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. М.: УРСС, 2005.

«От моделей поведения к искусственному интеллекту»
(коллективная монография, под редакцией В.Г. Редько), УРСС, 2006.

Mikhail Burtsev and Peter Turchin. Evolution of cooperative strategies from first principles // Nature, 2006. V. 440, No 7087 (April 20). PP.1041-1044.

современной науки. Попробуйте назвать более глубокую проблему
Исследования причин происхождения естественного интеллекта могут стать научной базой для искусственного интеллекта
Эти исследования могут поставить эпистемологию на твердую естественнонаучную почву
Здесь возможно повышение престижа науки. Как произошел интеллект -- это интересно и ученому, и просто любознательному человеку
Так почему же здесь почти никто толком не работает?