Финансовая академия при Правительстве РФ



жүктеу 252.9 Kb.
Дата12.07.2016
өлшемі252.9 Kb.


Федеральное государственное образовательное учреждение "Финансовая академия при Правительстве РФ"

Кафедра информационных технологий.

Эволюция и искусственная жизнь.

Научный руководитель:

доцент, к.п.н. Магомедов Рамазан Магомедович.

Выполнила:

Яровая Лариса 

Содержание


Содержание 2

Список иллюстраций 2

Введение 3

Генетические алгоритмы 4

Другие технологии ИЖ 6

Конференции 8

Инструментальные средства создания и исследования систем ИЖ 9

ИЖ как метод моделирования эволюции 13

Разработки ИИ и ИЖ в России. 17

Источники. 21


Список иллюстраций


Рисунок 1 Эволюция с помощью Fludium. 12

Ресурсы искусственной жизни 12

Рисунок 2 Искусственный интеллект 19

Рисунок 3 Искусственная жизнь 20





Введение


«Искусственная жизнь» – молодое междисциплинарное направление исследований. Предметом исследования искусственной жизни является эволюция сложных систем, а основным методом – построение компьютерных моделей. Модели искусственной жизни находят свое применение в теоретических областях исследований возникновения жизни, биологической эволюции, коллективного поведения, социальной эволюции.[5]

Искусственная жизнь (ИЖ, ALife) как отдельное научное направление выделилось из теории искусственного интеллекта (ИИ) в 80-х гг. прошлого века, когда состоялась первая Международная конференция ALife I (1989 г., Лос-Аламос). (См. подробнее в Конференции) Вскоре за ней последовали Европейская конференция по искусственной жизни и Международная конференция по моделированию адаптивного поведения (обе –1991 г., Париж).

Тематика первых мероприятий затрагивала темы, как теперь выражаются, "мягкой" (soft) ИЖ – создание вычислительных систем и моделей, действующих на базе биологических и эволюционных принципов. В последние годы, в связи с развитием нанотехнологических дисциплин и молекулярной биологии, а также, благодаря возросшему пониманию назначения отдельных генов и способов их взаимодействия, появлению средств манипуляции отдельными молекулами, существенное внимание стало уделяться новой концепции "влажной" (damp) ИЖ. Т.е созданию новых, искусственно синтезированных биологических форм, что требует философского обоснования ИЖ и, как минимум, определения понятия "жизнь". Одной из главных задач ИЖ считается создание искусственных существ, способных действовать не менее эффективно, нежели живые организмы.1 Только способы достижения этой цели существенно отличаются от общепринятых в практике ИИ, где задействованы самые разные инженерные технологии и математические концепции (выбираемые фактически бессистемно), характеризующиеся тем не менее достаточно четкими и прозрачными причинно-следственными связями между исходными данными экспериментов и результирующим поведением моделируемых объектов. Так, чаще всего действия роботов основываются на системах логического вывода, выполняющих известные манипуляции с наборами фактов и правил. Нейронные сети, результат работы которых менее предсказуем, находятся на стыке ИИ и ИЖ и активно задействованы представителями каждого из этих направлений, а вот такая технология, как генетические алгоритмы, сегодня по праву считается полноценной вотчиной ИЖ. Общепринятые же традиционные подходы, базирующиеся на компьютерной архитектуре фон Неймана и вычислительной концепции Тьюринга (хранимые в памяти и не модифицируемые программы, выполняемые последовательно), в ИЖ особой популярностью не пользуются.

Пожалуй, главное отличие ИЖ от других сфер ИИ заключается в стремлении не просто добиться поведенческого сходства искусственных существ с биологическими, а достичь этого с помощью естественных, природных, эволюционных подходов. Тем самым не только достигается прагматический результат, но и появляется шанс познавать базовые принципы функционирования и развития живых существ "изнутри". На такой основе и намечается переход от "мягкой" сферы исследований к "влажной" – искусственному созданию биологической жизни эволюционным путем "снизу вверх". Поэтому закрытые решения, пусть и позволяющие добиться высокой эффективности действий робота или моделируемого объекта, в классических проектах ИЖ обычно не применяются и не представляют ценности, если не содержат информацию, помогающую познать реальный мир через познание самой модели.

Хотя, конечно, далеко не все исследователи, занимающиеся проблемами сферы ИЖ, стремятся к глубокому познанию реальности. Многих интересуют конкретные прикладные результаты, и хорошее соответствие действий искусственных и естественных существ уже само по себе может служить научным инструментом (за счет предсказания поведения). Поэтому значительная область ИЖ охватывает вопросы построения систем эволюционного, самоорганизующегося, масштабируемого, адаптивного поведения, основанных на биологических принципах. Ведь немалое число практических проблем невозможно решить точными математическими методами по самым разным причинам (неполнота исходных сведений, большое число конкурентов и противников, высокие размерность задачи и динамика действий в среде). Поэтому нередко проще смоделировать процесс развития некоторой ситуации, нежели пытаться сразу вычислить точный ответ.

Шахматы, например, характеризуются простыми правилами и ограниченными возможностями для маневра, но все сильные компьютерные программы просто моделируют развитие позиции на несколько ходов вперед и оценивают уже готовые расстановки фигур. Определить же последствия тех или иных действий математически, не перебирая варианты, пока никому не удается даже в такой внешне прозрачной и полностью формализованной игре.


Генетические алгоритмы


Существенное внимание в ИЖ уделяется упомянутым генетическим алгоритмам (ГА), неплохо имитирующим эволюционные механизмы. Родоначальником ГА считается Джон Холланд, выпустивший в 1975 г. книгу «Адаптация в природных и искусственных системах»2

В теории ГА рассматриваются искусственные объекты (на практике это чаще всего компьютерные модели, используемые из-за простоты реализации), способные:

а) адаптироваться к меняющимся условиям внешней среды и конкурировать за ресурсы;

б) накапливать знания об этой среде и обмениваться ими, комбинируя выработанные способности по определенным схемам (например, получая готовые навыки по наследству в виде комбинации генов родителей);

в) мутировать под влиянием определенных воздействий или случайно (в генах происходят изменения).

Хромосомы (наборы генов) каждой виртуальной особи представляют собой определенный вариант решения поставленной задачи. Каждая хромосома может быть оценена некоторой функцией, с помощью которой вырабатывается степень соответствия варианта решения нуждам заказчика. Так, если решается задача многокритериальной оптимизации, то каждый ген хромосомы соответствует значению определенного критерия, и по набору этих значений выдается результат целевой функции.3

Далее начинается процесс взаимодействия и развития объектов в среде: в процессе спаривания они порождают новых особей с другими комбинациями генов (значений критериев); более приспособленные (с большим значением функции оценки) продолжают существование, у некоторых из них хромосомы случайно меняются (мутируют – изменяется вариант решения), а менее приспособленные погибают. Такое взаимодействие продолжается сотни и тысячи поколений, и развившиеся в процессе эволюции особи обычно определяют весьма успешные варианты решения исходной задачи (точность найденного решения достигает в среднем 80–90% от теоретически возможного). Чаще всего ГА дают эффект в неопределенных ситуациях, где существует несколько достаточно хороших, хотя и неочевидных решений, а другие методы поиска ответов оказываются непригодны или малоэффективны. Помимо этого, такие алгоритмы неплохо формируют шаблоны успешного поведения, так как хромосомы выживших в процессе эволюции созданий хранят, по сути, коллективный опыт многих поколений.

Ну и, конечно, ГА не гарантируют ответ, а предложенный вариант сильно зависит от мастерства постановщика задачи (насколько корректно ему удалось закодировать форму решения в терминах ГА, описать ее в виде виртуальных хромосом). А если функция оценки не учитывает, скажем, степень допустимого риска, то ГА, при оптимизации, например, стратегии игры на бирже в конечном итоге может просто предложить сохранить исходный капитал, ничего не делая и ничем не рискуя. Поэтому растет востребованность средств динамического контроля за ходом эволюции и эффективной передачи важных знаний, пока практически не проработанных.

Кроме того, генетические алгоритмы обычно требуют немалых ресурсов, поэтому предпринимаются попытки переноса ГА в распределенную вычислительную среду, благо генетические модели это позволяют.

Хороши же ГА прежде всего тем, что их можно быстро применить к произвольной предметной области и даже при наличии ограниченных вычислительных и интеллектуальных ресурсов получить хорошие результаты, недостижимые другими способами.

Так, в январе 2005 г. программист Джейк Мойланен разработал библиотеку (kerneltrap.org/node/4493/) настройки ядра Linux, оптимизирующую деятельность планировщиков ввода-вывода и загрузки процессора и позволяющую достичь максимально возможной производительности ОС. Для этого он использовал ГА, с помощью которых планировщики совершенствуют сами себя. А ученые Университетского колледжа Лондона в 2004 г. успешно применяли генетические алгоритмы для совершенствования гоночных машин "Формулы 1". Хромосомы компьютерных моделей автомобилей насчитывали 68 генов, и модели, развиваясь в процессе искусственной эволюции, скрещиваясь и мутируя, постоянно проходили испытания на двух виртуальных маршрутах, пока лучшая "особь" не побила рекорды трасс. ГА также оказались полезны при выработке стратегий ведения гонок и проектирования отдельных компонентов машин.

Другие технологии ИЖ


Большое внимание в ИЖ уделяется клеточным автоматам (общеизвестна игра "Жизнь" Джона Конвея, профессора Принстонского университета, и ее многочисленные модификации, с помощью которых удается, используя набор небольшого числа простых правил, моделировать крайне сложное и разнообразное поведение. Автоматы составляются дискретными комбинациями нескольких клеток (чаще всего на плоскости, хотя существуют и многомерные варианты; каждая клетка может находиться в нескольких состояниях). Взаимодействие (размножение и гибель) соседних клеток задается определенными законами, обычно в зависимости от ближайшего окружения, после чего клеточные конфигурации начинают развиваться, а каждое поколение формируется на основе предыдущей комбинации. Применяются клеточные автоматы при исследовании процессов движения жидкостей и газов, состоящих из простейших однородных частиц, в системах распознавания образов, в самых разных задачах моделирования.

Конечно, и нейронные сети, в определенной степени, видимо, соответствующие принципам работы мозга, пользуются у исследователей ИЖ заслуженной и неизменной популярностью, причем интересны не только результаты их работы, но и принципы внутреннего развития таких сетей.[1]

Занимаясь исследованиями генетических алгоритмов, клеточных автоматов, автономных агентов, эволюционных механизмов развития, ученые рассчитывают лучше понять принципы мышления и реагирования человека и животных. Возможно, появится детальное понимание процесса развития одноклеточных организмов в многоклеточные, способа организации нейронов в сложные структуры мозга, а главное, есть вероятность того, что удастся создать устойчиво работающие распределенные самоорганизующиеся системы. Не исключено, что важные результаты в этой области принесет закрытый проект Autonomous Cognitive Model (ACM) фирмы Artificial Development (ad.com). Летом 2004 г. она приступила к работам по созданию искусственной личности Kjell, в ходе которых будет смоделирована деятельность подкорки и ряда периферийных систем человеческого мозга (в первую очередь областей, ответственных за анализ и понимание изображения и звука). Пока Kjell обучается текстовому общению через консоль с помощью классических методов стимул–реакция. В будущем подготовленные ACM-системы смогут применяться в задачах анализа данных, интеллектуального поиска информации, обработки естественных языков. В проекте задействован ориентированный на нейронное моделирование Linux-кластер CCortex, составленный из 1000 процессоров, ОЗУ объемом 1 Тб и жесткого диска емкостью 200 Тб. Kjell насчитывает 20 млрд. нейронов, между которыми установлено 20 трлн. связей – такая сеть в 10 тыс. раз крупнее существующих нейронных моделей.

В последние годы на международных конференциях все чаще обсуждаются вопросы конструирования масштабных адаптивных решений, а на системах интеллектуальных агентов успешно отрабатываются социальные концепции и методы управления большими группами людей. Австралийские ученые выяснили, например, что социальное взаимодействие в современном мире хорошо описывается моделями поведения насекомых, выполняющих несложный набор определенных функций и стремящихся к удовлетворению известных потребностей. А их коллеги из английского Университета Лидс, исследуя принципы имитационного обучения ("делай как я"), установили, что внешнее подражание поведению "лидера" далеко не всегда дает эффект, если не учитываются индивидуальные особенности конкретного существа и влияние его окружения. Гораздо более результативны принципы так называемого социального обучения, когда каждый ученик рассматривается с учетом всех его связей с окружающим миром.

На базе большого числа успешных практических решений и проектов ИЖ выработано понимание и ограничений классических положений эволюционной теории, концепция генотипа и фенотипа (статичности и изменчивости) в которой урезана уровнем биологических систем. Однако эволюция не сводится только к генетическим манипуляциям и мутациям отдельных индивидуумов и вершится, как предполагается, на более глобальных уровнях. Надо понимать и учитывать связь и различие эволюции как физических тел, так и психической, нервной, а также коллективной деятельности. Возможно, что такие феномены, как эффект Болдуина4, будут с помощью достижений ИЖ со временем обобщены и распространены на социальное поведение.

Другое дело, что сама по себе эволюция вряд ли имеет определенную цель (так как никем и ничем не управляется и представляет скорее универсальный процесс и закон развития) и не ведет напрямую к усилению конкуренции или избирательности отдельных особей и видов: повышение выживаемости живых существ – лишь побочный эффект единого глобального процесса развития, принципы которого и пытаются познать специалисты по ИЖ. Поэтому если в ходе теоретических обсуждений и практических экспериментов удастся выработать серьезный философский фундамент эволюционной идеи, то выводы и следствия из него будут очень занимательными.

Ведь ученые давно пытаются понять, как сложные системы развивают сами себя, переходя на более высокий функциональный уровень. Интересно, что путь к более развитому состоянию чаще всего начинается не из режима повышенной стабильности, а с границы между порядком и хаосом. Возможно, в понимании подобных процессов и кроется тайна эволюции, которая не обязательно совершается плавно, постепенно. Так, хотя Дарвин и выдвигал тезисы в защиту эволюционного появления в ходе естественного отбора таких сложных органов, как глаз, но все же признавал, что их постепенная эволюция маловероятна, потому что организмы с недоразвитыми "промежуточными" глазами, своеобразной обузой, быстро бы погибали. Впрочем, далее будет показано, как даже несложные правила коллективного развития могут приводить к феноменальному возникновению новых упорядоченных сущностей более высоких и сложных смысловых порядков, причем фактически "революционным", резким путем, за считанные поколения.

Конференции


Наиболее популярные международные конференции по вопросам ИЖ – это International Conference on Artificial Life, проходящая раз в два года. (alife.org), и организуемая с такой же частотой ее европейская сестра – European Conference on Artificial Life.

Тематика этих конференций весьма пестрая. Специалисты обсуждают все, что прямо или косвенно имеет отношение к эволюционному развитию и может быть реализовано искусственно:



  • эволюция и самовосстановление аппаратных систем

  • оптимизация группового поведения роботов,

  • самовоспроизведение в дискретных и непрерывных системах,

  • тенденции развития естественных языков и социумов

Постоянно обсуждаются и всевозможные прикладные исследовательские проекты:

  • создание средств многомерного анализа информации с помощью самообучающихся агентов,

  • моделирование поведения рыб,

  • функционирования магазинов и развития паники в зданиях (для оптимизации схем эвакуации)

  • применение технологий выявления характерных признаков деятельности планетарной биосферы для поиска иных цивилизаций и обнаружения искусственно сгенерированных сигналов из космоса.

Однако профессиональный глубокий научный анализ эволюции живых систем подразумевает прежде всего выработку способов формального описания соответствующих задач, семантики и правил взаимодействия элементов ИЖ, определения минимальных требований для успешного развития биологической системы, универсальных и стандартизованных средств и методов моделирования. Сфера ИЖ постепенно приближается к новому этапу развития, стремясь к согласованному принятию единых правил и стандартов и тем самым оптимизируя и упорядочивая собственную деятельность.

Инструментальные средства создания и исследования систем ИЖ


В Сети можно найти самое разное ПО, интересное и полезное исследователям ИЖ:

  1. Одна из наиболее популярных у специалистов по ИЖ систем – это Tierra (http://www.his.atr.jp/~ray/tierra/; доступны исходные тексты на Си), последняя версия которой 6.02 вышла в марте 2004 г. Она была разработана Томасом Рэем из Оклахомского университета и представляет собой виртуальный компьютер, исполняющий программы, написанные на условном ассемблере. Код программы считается ее своеобразным генотипом. Программы в ходе функционирования взаимодействуют друг с другом, размножаются и эволюционируют – части кода программы могут изменяться случайно (мутировать), а некоторые его элементы могут быть заменены на другие, взятые у "коллег". Таким несложным образом удается смоделировать и затем изучить самые разные особенности процесса эволюции. Возможно, что успеху Tierra послужило наличие встроенных функций статистического анализа, позволяющих подробно исследовать результаты моделирования.Было создано несколько клонов и аналогов Tierra, отличавшихся весьма выразительными средствами представления процесса эволюции (например, Helix, necrobones.com/alife/helix.htm), однако и по сей день Tierra остается самым проверенным решением для желающих экспериментировать с взаимодействием.

  2. Заложенные в нее идеи были существенно развиты и дополнены в системе Avida (dllab.caltech.edu/avida/), которая применяется в задачах эволюционной динамики и теоретической биологии и отличается более удобным графическим интерфейсом.

  3. Немало сильных сторон Tierra воплощено в мощной Java-системе Archis: An Extendable Platform for Artificial Life Simulation (http://www.generalnegentropics.com/archis/), свободно доступной в исходных текстах, которая также моделирует взаимодействие компьютерных программ. Она выполнена в открытой и гибкой серверной архитектуре, масштабируемой на 64-разрядные кластеры, и позволяет наращивать функциональность через подключаемые модули. Ее автор, Адам Иерейменко, ухитрялся, например, отлаживать и совершенствовать Archis эволюционным путем с помощью ее собственных предварительных версий, и добился интересных следствий. Так, некоторые ошибки в Archis приводили к появлению в моделях неконтролируемых и неисчерпаемых источников энергии и пищи, и оказалось, что при наличии таких источников практически любая экосистема очень быстро превращается в однородную массу виртуальных существ с одинаковыми характеристиками, равномерно заполняющих все доступное пространство (здесь прослеживается сходство с нанотехнологической концепцией "серой слизи"). Другими словами, в обществе реального изобилия развитие вообще становится невозможным.

  4. Еще одна широко известная система ИЖ называется SWARM (wiki.swarm.org). Она была создана в центре изучения комплексных систем Мичиганского университета, последняя версия 2.1.1 обновлялась в 2000 г. SWARM позволяет моделировать поведение сложных систем, состоящих из множества автономных агентов с разнообразными характеристиками. В качестве сценарного языка, задающего схему реагирования агентов, применяется Лисп.

На базе SWARM были реализованы десятки прикладных исследовательских работ из самых разных областей. Известны проекты моделирования экосистем Gecko, роста бактерий и их популяций BacSim и Metabolizing Agents, поведения насекомых на базе нейронных сетей Bugverse и т. д. На ежегодных SWARM-фестивалях заслушиваются доклады по экономике, политике, географии, военным приложениям и экологии. Интересно, что с помощью SWARM неоднократно показывалась схожесть биологических и социальных систем, которые развиваются по одинаковым законам и характеризуются близким адаптивным поведением. А на фестивале SwarmFest 2004 демонстрировалась модель террористической деятельности, которую можно понять и изучить не на уровне поведения отдельной личности, а на уровне группы преступников как целого, в виде комплексного социального феномена.

Сети интеллектуальных агентов наподобие SWARM, как показывает практика, дают неплохой результат в ситуациях, когда детальная информация по нужному вопросу отсутствует, а поведение отдельной структуры на первый взгляд хаотично. Классические системы анализа по типу "что, если" в таких случаях не срабатывают, а вот эволюционные модели приносят заметную пользу.

На схожих с SWARM принципах строится система Bayesian Inspired Brain and Artefacts (BIBA, www-biba.imag.fr) французского Института информатики и математических приложений. Средства нейронного самообучения позволяют по результатам экспериментов добиться рационального (близкого к оптимальному) поведения роботов в различных ситуациях реального мира при наличии ограниченной и неполной информации. Если, например, заяц пересекает поле, то ему необходимо уметь предсказывать вероятные события и оценивать, не прячется ли в траве хищник и стоит ли рисковать, забираясь в дальний огород за более вкусной капустой. Животные в условиях минимума информации делают это достаточно хорошо – значит, по силам подобные задачи и компьютерам. С помощью BIBA французы уже научили робота действовать в незнакомом помещении по принципам обычных муравьев, помечая маршруты возвращения искусственными метками, только вместо используемого насекомыми запаха робот оставляет на полу фишки.

BIBA-программы хорошо обучаются поведению человека-партнера, и еще одно приложение проекта – создание сильных искусственных соперников в компьютерных играх. Авторы BIBA заявляют, что могут быстро, за один день научить систему самым разным принципам поведения – например, способу быстрой ловли собаками жертвы, а затем созданную модель задействовать для организации охраны реальных объектов. В перспективе ученые рассчитывают спроектировать автомобили с заложенными в них наборами инстинктов (автоматический объезд препятствий, сохранение безопасного расстояния и т. п.), что будет гарантировать их безаварийное передвижение. А в следующем десятилетии, полагают французские исследователи, наибольший эффект при создании разумных устройств дадут подходы, основанные на вероятностном логическом выводе.

В декабре 2004 г. снова заработал популярный проект PolyWorld (http://www.beanblossom.in.us/larryy/PolyWorld.html), представляющий собой трехмерную систему вычислительной экологии. Виртуальные организмы с нейронной сетью могут размножаться, охотиться, поедать друг друга и искать пищу, которая растет по своим законам. В ходе этой деятельности компьютерным животным приходится вырабатывать различные поведенческие стратегии, как индивидуальные, так и групповые, а пользователь может в любой момент эволюции занять позицию какого-либо существа и смотреть на виртуальный "мир" его глазами.

Рисунок 1 Эволюция с помощью Fludium.

Другие известные системы и проекты ИЖ приведены в таблице.

Ресурсы искусственной жизни



Название

Сайт, авторы

Описание

Agent-Based Computational Economics (ACE)

Факультет экономики университета Айова, США

Проект изучения моделей экономического развития как формы динамического взаимодействия интеллектуальных агентов. Обновлен в январе 2005 г.

Ascape

Центр исследования социальных и экономических явлений, институт Брукинса, США

Java-среда моделирования и анализа поведения групп автономных агентов. Обновлялась в 2000 г.

Ecolab

Департамент высокопроизводительных вычислений университета Нового Южного Уэльса, Австралия

Система построения эволюционных моделей, которые создаются на С++, а поведение задается с помощью сценарного языка Tcl. Обновлена в ноябре 2004 г.

DDLab

Андрей Вьюнш, компания Discrete Dynamics Lab

Система создания клеточных автоматов с многомерной логикой, использующая технологию случайных логических сетей. Обновлена в декабре 2004 г.

gLife

Али Абдин, Американский университет в Кайро, Египет

Попытка применения технологий клеточных автоматов к социальным феноменам и антропологии. В дополнение к наборам правил развития в каждой модели можно задавать особенности местности, на которой происходит эволюция, и такие характеристики автоматов, как возраст, пол, культурные особенности и т. д. Обновлено в 2000 г.

Framsticks

Группа польских энтузиастов

Мощная система трехмерного моделирования, имитирующая эволюцию особей в мире, напоминающем земной. При этом корректно реализованы понятия генотипа, физического организма, мозга и нервной системы (нейронные модели), цепочки восприятия (среда – рецепторы – мозг – эффекторы – среда) и общей экосистемы. Обновлена в августе 2004 г.

Ant Farm, Ant World

Роберто Матурана, Испания; Бен Бланделл, Великобритания

Симуляторы поведения муравьев Ant Farm – один из лучших в этом классе по наглядности. Его коллега AntWorld более сложный и менее красивый, но содержит немало настроечных параметров и средств анализа

Evolutionz

Дмитрий Маринакис, Филипп Канзл, Канада

Трехмерная модель среды, в которой искусственные насекомые, управляемые нейронными сетями, конкурируют за пищевые ресурсы. Позволяет проводить эксперименты по созданию стабильной экосистемы путем манипулирования различным параметрами. За счет сложности среды каждый сеанс работы формирует уникальный мир и позволяет изучать оригинальные стратегии выживания.

ИЖ как метод моделирования эволюции


Появление сложных эволюционных моделей привело к широкому использованию вычислительных экспериментов и созданию отдельного направления исследований, которое получило название искусственная жизнь. В искусственной жизни эволюционирующая система задается исходя из некоторой «элементарной аксиоматики», определяющей физические свойства мира, «заселенного» агентами, и свойства самих агентов. Агенты способны размножаться и гибнуть. В течение жизни поведение отдельного агента определяется алгоритмом, унаследованным от родителей. При наследовании алгоритм передается потомку не точно, а с ошибками, играющими роль аналогичную биологическим мутациям.

Важным отличием искусственной жизни от других подходов к моделированию эволюции является то, что это направление было изначально ориентировано на компьютерное моделирование как основной инструмент исследования. Это значительно облегчило построение моделей с богатым спектром сценариев эволюционного развития. Основные отличия искусственной жизни от основных методов эволюционной биологии – теории игр и популяционной генетики заключаются в следующем:



  • моделирование как генотипа, так и фенотипа. В популяционной генетике фенотип вынесен за скобки, исследуются только изменения генных частот. Напротив, в эволюционной теории игр генотип отсутствует, а моделируется динамика фенотипических признаков – стратегий. В искусственной жизни агент имеет и генотип, определяющий фенотипические признаки, и фенотип, от которого зависит выживание агента. Наличие, как генотипа, так и фенотипа позволяет исследовать, как отображение из первого во второй влияет на эволюцию.

  • разнообразие генетических операторов. Так как каждый из агентов в искусственной жизни обладает достаточно сложным набором генов, то становится возможным изучение влияния различных генетических операторов (мутаций, кроссовера и инверсий) и типов размножения (бесполое и половое) на эволюцию.

  • широкий спектр игр – ситуаций. В эволюционной теории игр обычно рассматриваются игры, в которых каждый из игроков может сделать один из двух ходов, например, кооперироваться или не кооперироваться. В искусственной жизни репертуар действий агентов и изменений во внешней среде гораздо разнообразней, что создает большее число ситуаций, в которых агент вынужден выбирать то или иное действие.

  • разнообразие стратегий поведения. Значительное число ситуаций, в которых может находиться агент, и действий, которые он может совершать, вынуждает использовать «интеллектуальные» алгоритмы для управления поведением агента, такие как искусственные нейронные сети или нечеткую логику.

К сожалению, богатство динамики моделей искусственной жизни значительно осложняет анализ и интерпретацию результатов численных экспериментов. Слабая проработанность этого вопроса является основным недостатком искусственной жизни сегодня. Для преодоления этой «болезни роста» необходимо накопление более широкого опыта применения данного класса моделей в различных областях науки.

Применение искусственной жизни позволяет подвергнуть теоретические эволюционные концепции более жесткому тесту. Так, в исследованиях эволюции кооперации, базирующихся на наиболее распространенном сегодня подходе теории игр, репертуар возможных взаимодействий между агентами очень беден, обычно агент может выбрать одно из двух действий – кооперироваться или не кооперироваться с текущим партнером. Искусственная жизнь позволяет смоделировать эволюцию популяции с гораздо более широкими и естественными возможностями для взаимодействия агентов, что дает гораздо более широкий спектр стратегий поведения агентов. Исследование такой модели кооперации позволило увидеть не только конкуренцию малого количества заранее заданных кооперативных и эгоистических стратегий поведения (единицы стратегий), но сам сценарий возникновения кооперативных стратегий (всего возможно более 101000 различных стратегий) и то, какие из кооперативных стратегий будут отобраны эволюцией. [3]

Несмотря на все сложности с анализом моделей искусственной жизни сегодня они популярны не только в биологии, но и в социальных науках Среди других биологических систем человеческие сообщества обладают наибольшей гетерогенностью агентов и сложностью их индивидуального поведения. Как уже говорилось выше, это затрудняет построение моделей традиционными методами. Однако, использование искусственной жизни для исследования социальных систем, также как и любого другого подхода в данной области, не позволяет избежать трудностей с корректностью построения модели и интерпретацией результатов.

Для того чтобы исследовать возможность использования искусственной жизни для моделирования реальных социальных систем, была предпринята попытка построить модель для предсказания основных характеристик и динамики эволюции в примитивных эгалитарных сообществах охотников-собирателей и ранних земледельцев. Проверка предсказаний, следующих из результатов моделирования, на этнографических данных показала их адекватность. [4]

Как и при исследовании других моделей, основной задачей при работе с моделями искусственной жизни является изучение зависимости решения (результатов моделирования) от параметров модели и начальных условий. При этом получение данных о поведении многоагентной системы затруднено необходимостью привлечения значительных вычислительных ресурсов. Это один из недостатков моделей искусственной жизни. К тому же для подобных моделей не всегда сразу очевидна связь начальных допущений с результатом, так как динамика эволюционирующей системы определяется процессами самоорганизации. Для выявления связи начальных допущений модели с получаемым поведением требуются дополнительные вычислительные эксперименты, что приводит к увеличению времени, затрачиваемого на исследования.

Искусственная жизнь – современный метод исследования процессов эволюции сложных систем, появившийся благодаря развитию вычислительных возможностей человека. Пусть иногда модели искусственной жизни кажутся со стороны всего лишь «пасквилем на эволюцию», они помогают нам лучше понять эволюционные процессы, и, как ни странно, сами являются не только плодом, но и инструментом дальнейшего эволюционного развития.



Разработки ИИ и ИЖ в России.


Российский НИИ искусственного интеллекта создан Государственным Комитетом РСФСР по делам науки и высшей школы в июле 1991 на базе Государственной научной фирмы "Интеллектуальные технологии", образованной научным коллективом, сформировавшимся в Сибирском Отделении АН. До последнего времени находился в ведении Федерального Агентства по информационным технологиям как хозрасчетное предприятие (Государственная аккредитация за № 2019 от 25.11.99). [6]

К наиболее оригинальным и перспективным технологиям (ноу-хау) РосНИИ ИИ относятся:



  • Управление по данным

Управление по данным (data-driven) - универсальная архитектура, организующая вычислительный процесс на принципах, качественно отличных от традиционного алгоритмического управления. Технология обеспечивает естественную параллельность и высокую эффективность вычислений, может служить основой для создания новых операционных систем и аппаратных технологий 21-го века.

  • Аппарат недоопределенных вычислений

Недоопределенные вычисления (н-вычисления) принципиально новая теория и технология эффективного решения широкого спектра проблем от прикладных вычислений до задач искусственного интеллекта. Эта технология использует управление по данным с его естественной параллельностью и высокой эффективностью. Качественно расширяет возможности работы с информацией и вычислительными моделями повышенной сложности, позволяя значительно упростить процесс создания следующего поколения систем и технологий, в частности, в таких областях, как экономика, финансы, менеджмент, управление сложными объектами и производственными процессами, инженерные расчеты, и т.д.

За рубежом данное направление получило название constraint programming (программирование в ограничениях) и с начала 90-х годов все более интенсивно разрабатывается в качестве одного из наиболее перспективных. РосНИИ ИИ является мировым лидером в работах данного направления. Аппарат н-вычислений позволяет снять ограничения, характерные для традиционных методов, и обеспечивает качественный скачок в технологии информационных систем: значительное расширения спектра решаемых задач, повышение качества получаемых решений, и, как следствие, экономию времени и средств пользователя. При этом на многих классах задач эффективность решения повышается в десятки раз по сравнению с лучшими известными алгоритмами.



  • Технология Активных Объектов (ТАО)

ТАО - новая программная технология, обеспечивающая дальнейшее развитие объектно-ориентированного подхода на базе управления по данным. Получающая в мире все более широкое развитие мультиагентная архитектура существенно упрощает спецификацию поведения объектов, превращая их в активные автономные сущности, асинхронно взаимодействующие друг с другом и окружающей средой. При разработке технологии особое внимание уделяется возможности ее применения для систем управления динамическими процессами, потоками данных, САПР, систем со сложными интерактивными интерфейсами и др. Благодаря мультиагентной архитектуре на основе управления по данным ТАО-программы обладают естественной высокой параллельностью, не требующей никаких дополнительных усилий со стороны разработчика или пользователя.

Оригинальный подход, решающий проблему понимания компьютером информации на естественном языке в конкретной предметной области. Используется для создания ряда прикладных программных продуктов нового поколения: пользовательских интерфейсов на естественном языке и автоматического понимания текстов определенной тематики при разработке систем комплексной автоматизации в делопроизводстве, медицине, коммерческой деятельности, образовании и многих других.

  • Технология обработки текстов ALEX

Практически все типы содержательной обработки текстовой информации, в том числе и развитые системы извлечение данных и знаний из текстов, поисковые системы, и др., зависят от возможностей аппарата распознавания сложных конструкций. Данная технология, обеспечивающая эти возможности, доказала свою эффективность на нескольких пилотных проектах и вышла на этап коммерческой реализации.

За 2006 год коллектив Российского НИИ ИИ опубликовал более 27 статей и докладов.



Российская ассоциация искусственного интеллекта (РАИИ) - всероссийская творческая профессиональная организация - создана на основе Советской ассоциации искусственного интеллекта и зарегистрирована Минюстом РФ 19.10.92 N 1304. Ассоциация объединяет в своих рядах практически всех ученых России и многих ученых из стран СНГ, областью профессиональной деятельности которых является искусственный интеллект.[7]
Основными целями Российской ассоциации искусственного интеллекта являются:

  • объединение на добровольной основе специалистов в области искусственного интеллекта;

  • содействие в реализации наиболее перспективных работ в области искусственного интеллекта;

  • защита законных прав и интересов членов Ассоциации;

  • развитие международного сотрудничества в области искусственного интеллекта и его приложений.





Рисунок 2 Искусственный интеллект





Рисунок 3 Искусственная жизнь


Источники.


  1. Сергей Бобровский, статья "Эволюция и искусственная жизнь".

  2. Хакен Г. Синергетика, "Мир", 1980г.

  3. Бурцев М.С. Искусственная жизнь как метод математического компьютерного моделирования процессов эволюции сложных систем // Информационные технологии и вычислительные системы, N 3, стр. 5 – 22, 2005.

  4. Бурцев М.С. Эволюция кооперации в компьютере и социуме // Новое в синергетике. Новая реальность, новые проблемы, новое поколение. Сборник статей. Ч. 2. Малинецкий Г.Г. (Ред.), стр. 40-56, 2006.

  5. Бурцев, Малинецкий "Пасквиль на Эволюцию".

  6. http://www.artint.ru/

  7. http://www.raai.org/

  8. http://lii.newmail.ru/

1 С первых дней своего официального существования участники ИЖ-проектов в существенной степени (гораздо активнее, нежели классические исследователи ИИ) ориентировались на робототехнику. Однако со временем их интерес переместился к моделям коллективного поведения.


2 На русском языке теме ГА посвящен, например, сайт qai.narod.ru.

3 По этой причине эффективность генетических моделей сильно зависит от алгоритмов оценки хромосом, которые выбираются довольно субъективно.

4 Эффект, описанный американским биологом Джеймсом Болдуином в статье “Новый фактор эволюции” в 1896 г. и заключающийся в том, что искусственный навык, полностью выработанный в ходе эволюции, в дальнейшем закрепляется на генетическом уровне и начинает передаваться по наследству.

Москва, 2008 год.



©dereksiz.org 2016
әкімшілігінің қараңыз

    Басты бет