rozproszonega jakdzialamozg.pdf

Seminarium z Algorytmów genetycznych

temat:

Ludzki mózg

rozproszone Algorytmy genetyczne

i sztuczna inteligencja

Przemysław Biecek

2001-05-17

Spis treści

1 Rozproszone algorytmy genetyczne 3

1.1 Wstęp .................................... 3

1.2 MechanizmyzrównoleglaniaAlgorytmówGenetycznych ......... 3

1.2.1 PełnezrównoleglenieMPGA.................... 3

1.2.2 Algorytmywyspiarskie ....................... 4

1.2.3 Algorytmyhybrydowe ....................... 4

2 Jak działa mózg - na podstawie wykładu prof Duch’a 5

2.1 Wstęp .................................... 5

2.2 Kognitywistyka ............................... 5

2.3 Poconammózg?.............................. 6

2.4 Mózgwliczbach............................... 6

2.5 Specjalizacjapółkul ............................. 7

2.6 Odbiórbodźców............................... 7

2.7 Zdolnośćrozdzielcza ............................ 8

2.8 Urojonekończyny.............................. 8

2.9 Alicjawkrainieczarów........................... 9

2.10Myśli..................................... 10

2.11Inneciekawostki............................... 10

2.11.1 Dlaczego antylopa podskakuje na widok lwa ? . . . ....... 10

2.11.2 Cotohipermnezja? ........................ 11

2.11.3 Jakrozpoznaćkłamstwolubfałszywyśmiech?.......... 11

2.11.4 Czymożnasięsamemułaskotać?................. 11

2.11.5 Jakwygraćw„idźnacałość”? .................. 11

2.11.6 Pokimdziedziczymyinteligencję? ................ 11

dziel i rzadź

Cesar

1 Rozproszone algorytmy genetyczne

1.1 Wstęp

Pierwsza część mojego wystąpienia na seminarium była poświęcona sposobom rozpra-

szania algorytmów genetycznych. Temat ten rozwinąłem na projekcie realizowanym u

mgr. Moleckiego, w sprawozdaniu z projektu temat ten jest szerzej rozwinięty. Tutaj

przedstawię jedynie zarysy problemu oraz miejsca gdzie należy szukać interesujących

nas informacji .

”zrównoleglenie nasuwa się samo z siebie, algorytmy genetyczne zrównoleglają się

w naturalny sposób”. Jest to zdanie które znajdziemy w prawie każdej książce do algo-

rytmów genetycznych, paradoksalnie ciężko znaleść książkę w której jakiś sposób zrów-

noleglania byłyby szczegółowo opisany. W przygotowaniu tej części pracy jako pomoce

traktowałem głównie materiały dostępne na sieci, oraz zbiór publikacji udostępnionych

przez dr hab Kwaśnicką. Osoby zainteresowane tym tematem wiele zyskają przeglą-

dając te publikacje bowiem oprócz metod znajdują się tam szczegółowe omówienia

prawdziwych badań przeprowadzonych na różnych komputerach równoległych.

1.2 Mechanizmy zrównoleglania Algorytmów Genetycznych

Obecnie używa się trzech mechanizmów zrównoleglania:

1. Pełne zrównoleglenie [MPGA - massively parallel genetic algorithm]

2. Algorytmy wyspiarskie [PGA - parallel genetic algorithm]

3. Algorytmy hybrydowe

1.2.1 Pełne zrównoleglenie MPGA

Metoda jest ideowo prosta. Każdy osobnik ma osobny procesor i na nim będzie wy-

liczana wartość funkcji celu osobnika. Mamy odwzorowanie 1-1 pomiędzy osobnikami

populacji a ilością dostępnych procesorów.

W pierwszej chwili ciężko sobie wyobrazić kilkusetosobnikową populację posadzoną

na kilkusetprocesorowym sprzęcie. Pomimo to takie próby zrównoleglania są wykony-

wane w tej wersji podstawowej, czyli po jednym osobniku na każdy procesor.

Charakterystyczne dla tej metody zrównoleglenia jest zmiana operatora selekcji

tak by działał lokalnie, nie korzystając z informacji o całej populacji a jedynie o jego

najbliższym otoczeniu

Zrównoleglanie traciło by sens gdybyśmy musieli gromadzić na jednym komputerze

informacje o wszystkich osobnikach w populacji, dlatego też używa się metod lokalnych

by o tym czy osobnik ma przejść do następnego pokolenia decydowało jedynie to w

jakim otoczeniu się znajduje. Takie rozwiązanie może okazać się zwodnicze bowiem

nawet wynalezienie wyjatkowo genialnego osobnika który przy normalnej selekcji byłby

szeroko reprodukowany, tutaj spowoduje że dobre cechy zawarte w tym super osobniku

będą powoli rozprzestrzeniać się po populacji.

1.2.2 Algorytmy wyspiarskie

W tej metodzie następuje podział populacji na wyspy, czyli podpopulacje składające

się z mniejszej liczby osobników. Na każdej z wysp populacja rozwija się samodzielnie,

jednak co kilka pokoleń następuje migracja najlepszych osobników pomiędzy wyspami.

Tutaj operatory selekcji jak i pozostałe w obrębie każdej z wysp działają bez żad-

nych modyﬁkacji tak samo jak w standardowym GA

1.2.3 Algorytmy hybrydowe

Do tej kategorii wpadają wszystkie te metody które nie pasują ani do modelu pełnego

zrównoleglenia ani do modelu algorytmów, a są pewnym stanem pośrednim.

Dobrym przykładem jest kilka komputerów o architekturze ﬁne-grain .[Przypomi-

nam rozróżnienie coarse, ﬁne - grain bierze się z stosunku mocy ilości wykonywanych

zadań do częstości komunikacji pomiędzy procesorami] Pojedyncze komputery zacho-

wująsiejakwyspychoćwobrębiekażdejzwyspmamypełnezrównoleglenia.

Na koniec należy powiedzieć że generalnie równoległe algorytmy genetyczne speł-

niają swoje podstawowe żałożenia, przyśpieszają one prace, jednak dobór metody zrów-

noleglania podobnie jak dobór operatorów zależy od konkretnego problemu z któym

mamy do czynienia.

Generalnie PGA nadaje sie na komputery coarse-grain, MPGA dla ﬁne-grain. Gdy

mamy populacje którą możemy podejrzewać o skołonności do wielomodalności to może

warto zastosować algorytmy wyspiarskie, gdy chcemy niszować, równomiernie rozpra-

szać nienależy stosować MPGA bo nie mamy informacji o zagęszczeniu osobników i

podobnie, w zależności od problemu, różne będą preferowane rozwiązania.

Poznacie prawdę i prawda was wyzwoli.

Jan

2 Jak działa mózg - na podstawie wykładu prof

Duch’a

2.1 Wstęp

Dnia 5 maja na uniwersytecie UAM w Poznaniu, gościnnie wykładał prof. Duch. Ci

którzy nie byli wiele stracili, we wrześniu na Festiwalu Nauki prof. Duch będzie gościł

we wrocławiu więc będzie można jeszcze go posłuchać, a zaręczam że warto.

Profesor Duch zajmuje się kognitywistyką, sztuczną inteligencją i choć po studiach z

wykształcenia jest ﬁzykiem to biolog z niego doskonały. Wiele mówi o nim jego zdjęcie

[szczególnie gdy ktoś oglądał Młodego Einsteina ], zamieszczone powyżej. W kolejnych

rozdziałach postaram się opowiedzieć o kilku ciekawostkach związanych z mózgiem i

sposobem jego funkcjonowania. Więcej informacji można znaleść na jego stronie, która

jest zamieszczona w bibliograﬁi.

Ten rozdział będzie składał się z pojedyńczych podrozdziałów opisujących pew-

ną wybraną ciekawostkę dotyczącą mózgu. Mózg jest organem wyjątkowo złożonym i

dokładne zasady działania nie są znane, wiemy juz dziś jednak dużo i okazuje się że

wiedza ta potraﬁ zaskoczyć.

2.2 Kognitywistyka

Kognitywistyka to nauka o poznaniu. Jest to bardzo szeroka i bardzo nowa dziedzina

wiedzy czerpiąca mocno zarówno z ﬁlozoﬁi jak i z psychologii. Zainteresowanym pole-

cam liste dyskusyjna sci.cognitive, nie przychodzi tam zbyt dużo listów lecz te które

się pojawiają są rzeczowe i precyzyjne.

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: