![ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА ДЛЯ ГЕНЕРАЦИИ КЛЕТОЧНЫХ АВТОМАТОВ
Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2011, № 2 (72)
62
УДК 004.4'242
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА ДЛЯ ГЕНЕРАЦИИ
КЛЕТОЧНЫХ АВТОМАТОВ
А.В. Тихомиров, А.А. Шалыто
Рассматривается метод генерации произвольных клеточных автоматов на основе тестовых наборов при помощи ге-
нетических алгоритмов. Описаны основные проблемы при использовании стандартного генетического алгоритма
для решения поставленной задачи. Предложены модифицированные генетические операторы для устранения данных
недостатков. Произведена апробация на нескольких обучающих примерах.
Ключевые слова: клеточные автоматы, генетические алгоритмы.
Введение
В настоящее время широко распространено использование клеточных автоматов для симуляции
многих физических процессов, таких как диффузия энергии, разнообразные химические реакции, рост
кристаллов и т.д. [1–4]. Однако использование клеточных автоматов затрудняется тогда, когда физиче-
ская система известна, а описывающий ее клеточный автомат – нет, или построение его обычными эври-
стическими методами затруднительно, так как автомат может иметь большое число состояний, перехо-
дов, условий и действий на переход [5].
Цель настоящей работы – устранить этот недостаток, используя генетическое программирование с
использованием обучающих наборов.
Постановка задачи
Задана двумерная плоскость определенной размерности с координатной сеткой, которая делит
плоскость на квадраты [6, 7]. При этом задаются данные для различных временных шагов, т.е. состояние
системы в начале, несколько промежуточных состояний и конечное состояние системы.
Каждая ячейка плоскости управляется одинаковым автоматом.
Цель поставленной задачи – вырастить клеточный автомат, который наиболее точно описывает
заданную физическую систему.
Строение хромосомы клеточного автомата
Обычно при использовании генетического подхода используется подход, при котором данные в
хромосоме хранятся в виде строки [5]. Однако в рассматриваемой задаче длина хромосомы может варьи-
роваться в зависимости от количества переходов между состояниями. Для более удобного описания дан-
ных ген представляется не строкой, а специализированной структурой, что отличается от стандартного
метода генетического программирования. При этом некоторые виды генов являются составными, т.е.
содержат другие, более простые составляющие.
Количество базовых генов соответствует количеству состояний в клеточном автомате. Таким об-
разом, базовый ген под названием «StateGene» описывает определенное состояние автомата. «StateGene»
состоит из генов переходов клеточного автомата, которые называются «TransitionGene» (рис. 1).](https://image.slidesharecdn.com/273-140708062011-phpapp02/85/-1-320.jpg)
![ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА К ГЕНЕРАЦИИ ТЕСТОВ…
Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2011, № 2 (72)
66
Заключение
В работе предложен метод генерации клеточных автоматов произвольного количества состояний.
Он позволяет автоматически получать клеточные автоматы, которые довольно точно описывают данные
о физической системе на входе. Также этот метод позволяет получать клеточные автоматы, которые по-
лучить эвристическими методами затруднительно.
Литература
1. Тоффоли Т., Марголус Н. Машины клеточных автоматов. – М..: Мир, 1991.
2. Frish U. Lattice gas hydrodynamics in two and three dimensions // Complex Systems. – 1987. – V. 1. –
P. 649–707.
3. Wolfram S. Cellular automation Fluids // J.Stat.Phys. – 1986. – V. 45. – Р. 471–526.
4. Фон Нейман Дж. Теория самовоспроизводящихся автоматов: Пер. с англ. – М.: Мир, 1971.
5. Царев Ф.Н., Шалыто А.А. Применение генетического программирования для генерации автомата в
задаче об «Умном муравье» // Сборник трудов IV-ой Международной научно-практической конфе-
ренции. – М.: Физматлит, 2007. – Т. 2. – С. 590–597.
6. Наумов Л.А. Метод введения обобщенных координат и инструментальное средство для автоматиза-
ции проектирования программного обеспечения вычислительных экспериментов с использованием
клеточных автоматов. Дис…канд. техн. наук: 05.13.12. – СПб, 2007. – 283 с.
7. Скаков П.С. Классификация поведения одномерных клеточных автоматов [Электронный ресурс]. –
Режим доступа: http://is.ifmo.ru/papers/_skakov_master.pdf, своб.
8. Wolfram S. A New Kind of Science. – Wolfram Media, Inc., 2002.
Тихомиров Андрей Владимирович – Санкт-Петербургский государственный университет информационных
технологий, механики и оптики, студент, and.tikhomirov@gmail.com
Шалыто Анатолий Абрамович – Санкт-Петербургский государственный университет информационных
технологий, механики и оптики, доктор технических наук, профессор,
зав. кафедрой, shalyto@mail.ifmo.ru](https://image.slidesharecdn.com/273-140708062011-phpapp02/85/-5-320.jpg)
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА ДЛЯ ГЕНЕРАЦИИ КЛЕТОЧНЫХ АВТОМАТОВ
- 1. ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА ДЛЯ ГЕНЕРАЦИИ КЛЕТОЧНЫХ АВТОМАТОВ Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2011, № 2 (72) 62 УДК 004.4'242 ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА ДЛЯ ГЕНЕРАЦИИ КЛЕТОЧНЫХ АВТОМАТОВ А.В. Тихомиров, А.А. Шалыто Рассматривается метод генерации произвольных клеточных автоматов на основе тестовых наборов при помощи ге- нетических алгоритмов. Описаны основные проблемы при использовании стандартного генетического алгоритма для решения поставленной задачи. Предложены модифицированные генетические операторы для устранения данных недостатков. Произведена апробация на нескольких обучающих примерах. Ключевые слова: клеточные автоматы, генетические алгоритмы. Введение В настоящее время широко распространено использование клеточных автоматов для симуляции многих физических процессов, таких как диффузия энергии, разнообразные химические реакции, рост кристаллов и т.д. [1–4]. Однако использование клеточных автоматов затрудняется тогда, когда физиче- ская система известна, а описывающий ее клеточный автомат – нет, или построение его обычными эври- стическими методами затруднительно, так как автомат может иметь большое число состояний, перехо- дов, условий и действий на переход [5]. Цель настоящей работы – устранить этот недостаток, используя генетическое программирование с использованием обучающих наборов. Постановка задачи Задана двумерная плоскость определенной размерности с координатной сеткой, которая делит плоскость на квадраты [6, 7]. При этом задаются данные для различных временных шагов, т.е. состояние системы в начале, несколько промежуточных состояний и конечное состояние системы. Каждая ячейка плоскости управляется одинаковым автоматом. Цель поставленной задачи – вырастить клеточный автомат, который наиболее точно описывает заданную физическую систему. Строение хромосомы клеточного автомата Обычно при использовании генетического подхода используется подход, при котором данные в хромосоме хранятся в виде строки [5]. Однако в рассматриваемой задаче длина хромосомы может варьи- роваться в зависимости от количества переходов между состояниями. Для более удобного описания дан- ных ген представляется не строкой, а специализированной структурой, что отличается от стандартного метода генетического программирования. При этом некоторые виды генов являются составными, т.е. содержат другие, более простые составляющие. Количество базовых генов соответствует количеству состояний в клеточном автомате. Таким об- разом, базовый ген под названием «StateGene» описывает определенное состояние автомата. «StateGene» состоит из генов переходов клеточного автомата, которые называются «TransitionGene» (рис. 1).
- 2. А.В. Тихомиров, А.А. Шалыто Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2011, № 2 (72) 63 Рис. 1. Строение хромосомы Каждый ген перехода состоит из списка генов условий на переход и генов действий, которые бу- дут осуществляться в случае этого перехода. В случае отсутствия гена перехода из состояния N1 в N2, это означает, что в клеточном автомате, описываемом заданном геном нет перехода из состояния N1 в N2 (рис. 2). Иначе говоря, длина хромосомы зависит от количества состояний в клеточном автомате, кото- рый описывает данная хромосома. Рис. 2. Строение гена переходов Условия переходов бывают двух видов: 1. Условия наличия рядом с текущей клеткой определенного числа N клеток с определенными состоя- ниями. Этот вид условия задается в виде специальной строки; 2. Условия соотношения данных между текущей клеткой и определенной из окружающих клеток. Этот вид условия задается при помощи специального дерева, в верхнем узле которого находится операция сравнения, а ниже по дереву – операции вычисления условия. В случае отсутствия генов условий подразумевается, что условие на данный переход всегда явля- ется верным. Начальное поколение состоит из фиксированного числа случайно генерированных автоматов. Все автоматы в поколении имеют одинаковое наперед заданное количество состояний, но количество пере- ходов между состояниями может варьироваться. Проблема вырождения популяции Одной из проблем в применении генетического подхода для генерации клеточных автоматов стало вырождение популяции, т.е. такой ситуации, когда выделяется один-единственный генотип, который представляет собой локальный максимум, а затем все элементы популяции проигрывают ему отбор, и вся популяция «забивается» копиями этой особи. Из-за схожего строения хромосом операция скрещивания становится малополезной, и вероятность получить хромосому, которая лучше решает поставленную задачу, сильно падает. Следовательно, для сокращения времени работы алгоритма надо как-то бороться с этой проблемой. В данной работе рас- сматриваются несколько способов преодолеть этот недостаток: модифицированный алгоритм скрещивания хромосом; алгоритм каскадной фитнесс-функции; специальный алгоритм отбора нового поколения. Все эти модификации позволяют улучшить «сходимость» генетического подхода при генерации клеточных автоматов. Операции скрещивания В данной работе операция скрещивания была реализована в двух различных вариантах, чтобы из- бежать вырождения популяции. Для решения этой проблемы при генерации начального поколения создается отдельная пустая по- пуляция «Graveyard», которая не участвует в генетических операциях. В эту популяцию добавляются
- 3. ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА ДЛЯ ГЕНЕРАЦИИ КЛЕТОЧНЫХ АВТОМАТОВ Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2011, № 2 (72) 64 особи, которые не попали в следующее поколение эволюции, при этом размер контролируется путем выбора произвольных n особей. Такой подход позволяет всегда иметь разнообразие в особях. Операции скрещивания выполняется в двух вариантах (рис. 3): стандартная операция скрещивания, действие которой заключается в обмене генами между особями в текущей популяции; операция скрещивания между особью из текущей популяции и из популяции «Graveyard», причем право на участие в отборе имеет особь, основа которой была в популяции, участвующей в эволюции. Каждая операция скрещивания состоит из двух вариантов: 1. Обмен несколькими «State» генами между особями, т.е. обмен состояниями; 2. Обмен одним из составных генов между особями, т.е. обмен переходами, условиями и действиями на переход. Причем возможен обмен генами, которые находятся в разных «State» генах. Рис. 3. Схема операции скрещивания Если гены для скрещивания у особей являются идентичными, то операция скрещивания не совер- шается. Для оптимизации операции скрещивания применяется анализ хромосом на совпадающие гены, т.е. из каждой пары хромосом, участвующих в скрещивании, выделяется список уникальных генов. Именно среди этих генов и производится поиск для обмена. Такая операция позволяет совершать меньшее число мутаций и заранее исключать мутации, которые приведут к хромосомам, которые уже есть в популяции. Операция мутации Операция мутации состоит в том, что происходит изменение в произвольном гене копии текущей особи. При мутации случайно выбирается один из четырех равновероятных вариантов: 1. Добавление нового перехода или полное замещение уже существующего; 2. Удаление уже существующего перехода; 3. Мутация существующего перехода Мутация действий изменение действия на переходе; добавление случайного действия; удаление уже существующего действия. Мутация условий изменения условия на переходе; добавление случайного условия; удаление уже существующего условия; 4. Обмен двух переходов местами. Фитнесс-функция Функция приспособленности особи, т.е. клеточного автомата, состоит из нескольких значений. Первое значение характеризует автомат с точки зрения решения поставленной задачи, при моделирова- нии сравниваются эталонные и полученные результаты для каждого шага моделирования. Второе значе- ние характеризует автомат с точки зрения избыточности, в нем хранится «длина автомата» и количество неиспользуемых переходов и условий. Функция приспособленности особи вычисляется при моделирова- нии и запоминается, таким образом, для каждой особи она вычисляется один раз. Для борьбы с вырож- дением популяции была применена каскадная фитнесс-функция. Основная идея заключается в том, что
- 4. А.В. Тихомиров, А.А. Шалыто Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2011, № 2 (72) 65 на начальных этапах выращивания клеточных автоматов функция приспособленности учитывает только несколько первых временных срезов входных данных. Когда в популяции есть клеточные автоматы, ко- торые в какой-то степени удовлетворяют текущей фитнесс-функции, то происходит смена на функцию с учетом большего количества слоев. Ниже рассмотрены плюсы и минусы при использовании каскадной фитнесс-функции: Минусы: дополнительные затраты при смене функции; сложность сравнения эффективности особей (особенно это проявляется при сравнении особей из раз- ных «островов»). Плюсы: прирост производительности (на ранних этапах уменьшается количество этапов проверки клеточного автомата); после каждого этапа полученный автомат частично решает поставленную задачу. Прирост скорости генерации (количества поколений, необходимых для получения решения) силь- но зависит от начальных настроек при этом подходе. Отбор нового поколения В результате операций скрещивания и мутации возможно получение уже содержащихся хромо- сом, что приводит к вырождению популяции. Для решения этой проблемы авторами предложена допол- нительная операция, которая удаляет из претендентов на попадание в новый этап эволюции определен- ные клеточные автоматы. В данной работе были рассмотрены два варианта: 1. Одинаковые клеточные автоматы. Для этого производится приведение всех клеточных автоматов к единой форме; 2. Клеточные автоматы с одинаковым значением фитнесс-функции. Чтобы избежать локальных минимумов функции приспособленности и вырождения популяции, применяются два алгоритма отбора в новое поколение. 1. Происходит отбор первых N особей с лучшей функций приспособленностью. Все они попадают в новое поколение. 2. Если на протяжении достаточно большого числа поколений не происходит улучшения значения функции приспособленности, то при обработке текущего поколения отбрасываются все особи, кроме нескольких, которые имеют наилучшее значение, т.е. наиболее приспособленных. Оставшееся место в новом поколении занимают особи, полученные из особей текущего поколения путем скрещивания и мутаций. Также изменяется механизм мутации поколения. Мутация может происходить не в единст- венном гене хромосомы, как происходит при обычных условиях, а во всех генах хромосомы с неко- торой вероятностью. Таким образом, в случае успешного процесса генерации используется первый алгоритм, а в случае долгих «простоев», когда генетический алгоритм не может сгенерировать хромосому, которая лучше решает поставленную задачу, в работу вступает второй алгоритм отбора. Он благодаря большему числу мутаций и скрещиваний имеет больше шансов выйти из «простоя». Также стоит отметить, что при отборе первых N особей при одинаковой функции приспособлен- ности выбираются более молодые особи. Полученные результаты Для тестового примера была поставлена задача: вырастить клеточный автомат, зная только со- стояния клеток на каждом конкретном шаге расчетов. Эталонный клеточный автомат, сделанный для проверки, содержит 5 состояний, 8 переходов и 8 условий на переходах. Система в среднем выращивает автомат, который является эквивалентным искомому за 700–1000 поколений, при этом среднее количе- ство перебранных клеточных автоматов составляет 30000–45000. Для ускорения процесса генерации было сделано допущение, что автоматы, у которых из какого- либо состояния истинно условие у нескольких переходов, являются корректными. На них было наложено условие: при нескольких вариантах перехода переход осуществляется в состояние с меньшим индексом. После упрощения полученного клеточного автомата и сравнения его с эталоном было установлено, что эти автоматы являются идентичными. Как видно из примера, получившийся клеточный автомат содержит избыточные переходы, по ко- торым никогда не происходит перехода. Однако при исследовании было установлено, что если задавать условие минимизации в генетических операторах и при выборе нового поколения, то время работы сис- темы сильно увеличивается. Быстродействие предложенного способа сильно зависит от начальных настроек, таких как про- порции между генетическими операциями, величина начальной популяции и многое другое.
- 5. ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА К ГЕНЕРАЦИИ ТЕСТОВ… Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2011, № 2 (72) 66 Заключение В работе предложен метод генерации клеточных автоматов произвольного количества состояний. Он позволяет автоматически получать клеточные автоматы, которые довольно точно описывают данные о физической системе на входе. Также этот метод позволяет получать клеточные автоматы, которые по- лучить эвристическими методами затруднительно. Литература 1. Тоффоли Т., Марголус Н. Машины клеточных автоматов. – М..: Мир, 1991. 2. Frish U. Lattice gas hydrodynamics in two and three dimensions // Complex Systems. – 1987. – V. 1. – P. 649–707. 3. Wolfram S. Cellular automation Fluids // J.Stat.Phys. – 1986. – V. 45. – Р. 471–526. 4. Фон Нейман Дж. Теория самовоспроизводящихся автоматов: Пер. с англ. – М.: Мир, 1971. 5. Царев Ф.Н., Шалыто А.А. Применение генетического программирования для генерации автомата в задаче об «Умном муравье» // Сборник трудов IV-ой Международной научно-практической конфе- ренции. – М.: Физматлит, 2007. – Т. 2. – С. 590–597. 6. Наумов Л.А. Метод введения обобщенных координат и инструментальное средство для автоматиза- ции проектирования программного обеспечения вычислительных экспериментов с использованием клеточных автоматов. Дис…канд. техн. наук: 05.13.12. – СПб, 2007. – 283 с. 7. Скаков П.С. Классификация поведения одномерных клеточных автоматов [Электронный ресурс]. – Режим доступа: http://is.ifmo.ru/papers/_skakov_master.pdf, своб. 8. Wolfram S. A New Kind of Science. – Wolfram Media, Inc., 2002. Тихомиров Андрей Владимирович – Санкт-Петербургский государственный университет информационных технологий, механики и оптики, студент, [email protected] Шалыто Анатолий Абрамович – Санкт-Петербургский государственный университет информационных технологий, механики и оптики, доктор технических наук, профессор, зав. кафедрой, [email protected]