• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Soft Computing - Lezione di Controlli Automatici
 

Soft Computing - Lezione di Controlli Automatici

on

  • 2,397 views

Lezione di controlli automatici, Gennaio 2009 - Introduzione al Soft Computing

Lezione di controlli automatici, Gennaio 2009 - Introduzione al Soft Computing

Statistics

Views

Total Views
2,397
Views on SlideShare
2,383
Embed Views
14

Actions

Likes
0
Downloads
24
Comments
0

2 Embeds 14

http://www.slideshare.net 13
http://www.linkedin.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Soft Computing - Lezione di Controlli Automatici Soft Computing - Lezione di Controlli Automatici Presentation Transcript

    • Matteo De Felice
    • EVOLUTIONARY COMPUTING Famiglia di tecniche stocastiche Spesso metodi bio-ispirati Metodi nati per i real-world problems
    • UN REAL-WORLD PROBLEM
    • METODOLOGIE BIO-INSPIRATE Ispirarsi al Natural Design: Ricorsione e feedback Auto-organizzazione e comportamenti emergenti Adattività e apprendimento
    • CORRISPONDENZE TRA NATURA/CALCOLO Individuo Soluzione del problema Popolazione Insieme di soluzioni Fitness Qualità di una soluzione Genotipo Rappresentazione di una sol. Crossover, Mutazione Operatori di ricerca Selezione Naturale Riuso delle buone soluzioni Evoluzione Ricerca di buone soluzioni
    • PROBLEMI DI QUESTE METODOLOGIE Soft-computing: imprecisione, incertezza e approssimazione Scarse garanzie di ottimalità e convergenza Eccesso di trial-and-error
    • VANTAGGI DI QUESTE METODOLOGIE Sviluppo molto veloce Sistemi spesso robusti e poco sensibili a rumori e disturbi
    • SCHEMA DI UN EA
    • SCHEMA DI UN EA La struttura è sempre la seguente: x[t + 1] = s(v(x[t])) Ma quale rappresentazione?
    • SOLUZIONE DI UN EA Mapping tra genotipo (rappresentazione genetica) e fenotipo (variabili del problema)
    • QUALI PROBLEMI PER GLI EA? Niente Mickey Mouse problems ma real-world problems: Vincoli non-lineari Condizioni non-stazionarie Osservazioni con rumore e variabili casuali Mancanza di sistemi esperti Feature selection Multi-modale e multi-dimensionalità
    • NIENTE PROBLEMI SEMPLICI Minimizzare funzioni convesse Risolvere un’istanza media di un problema di ottimizzazione combinatoria (es. TSP) Progettare un controllore PID
    • PROBLEMI DIFFICILI TSP con più di 10.000 nodi (VLSI) Problemi multi-obiettivo (es. progettazione di circuiti integrati estesi) Controllo di impianti industriali molto complessi Progettazione di controllori a rete neurale per robot autonomi e swarm robotics Protein folding
    • EPISTASI Definizione: Grado di interazione tra i diversi geni Ricerca casuale Algoritmo genetico (e simili) Ricerca classica
    • QUALI ALGORITMO USARE? Varietà di algoritmi: Evolution Strategies - ES (Rechenberg, 1971) Genetic Algorithms – GA (Holland, 1975) Particle Swarm Optimization – PSO (Kennedy- Eberhart, 1995) Genetic Programming - GP(Koza) Cellular Genetic Algorithm – CGA Multi-Objective Genetic Algorithm Artificial Immune Systems - AIS Ant Colony Optimization - ACO
    • ALGORITMI GENETICI (GA) Algoritmo di ricerca basato sul principio di selezione naturale Ricerca in parallelo Operatori di ricombinazione (crossover) e mutazione Soluzioni rappresentate con stringhe binarie o vettori reali Funzione di fitness legata alla capacità di sopravvivere dell’individuo
    • ALGORITMI GENETICI Inizializzo popolazione Valutazione e assegnazione fitness Riproduzione Crossover Mutazione
    • ALGORITMI GENETICI Non solo con una popolazione sola (panmittici) Movimento e interazioni basate su un grafo (algoritmi genetici cellulari) Metodi per creare “nicchie” evolutive e aumentare la diversità Ibridizzazioni
    • STRATEGIE EVOLUTIVE (ES) Nato per risolvere il problema di ottimizzazione della forma di una tubatura Da subito opera su vettori reali Operatore di ricerca: mutazione
    • (1+1)-ES Il più semplice fra tutti gli algoritmi ES Soluzione iniziale x e ampiezza σ Soluzione mutata: y = y + N(0,σ) Se f(y) < f(x) sostituisco x con y
    • STRATEGIE EVOLUTIVE (ES) Valore di σ fondamentale, si può calcolare in maniera ottima Valore di σ può essere adattivo Multi-Membered ES: (µ + λ)-ES ed anche (µ, λ)-ES
    • PARTICLE SWARM OPTIMIZATION (PSO) Soluzioni iniziali casuali Le particelle si muovono nell’(iper)spazio delle soluzioni con una velocità Swarm intelligence Esperienza individuale e collettiva
    • PARTICLE SWARM OPTIMIZATION (PSO) Ogni individuo è rappresentato da un vettore reale x e da una velocità v t1 t t t vi w vi c1 rand ( pbest xi ) c 2 rand ( gbest xi ) i
    • PROGRAMMAZIONE GENETICA (GP) Evolve “funzioni” Operatori particolari Problema di complessità (bloat)
    • APPROCCI TEORICI Studiare i meccanismi basilari Studio della complessità delle funzioni di fitness Convergenza Diversità delle soluzioni
    • NO FREE LUNCH THEOREM Esiste un algoritmo migliore di tutti gli altri? Qualunque due algoritmi [di ottimizzazione] sono equivalenti quando le loro performance sono mediate su tutti i possibili problemi (funzioni di fitness)
    • NO FREE LUNCH THEOREM Restringere ricerca dei parametri ad una classe di problemi Random Search teoricamente buona quanto gli altri algoritmi Cos’è un real-world problem? Operatori specifici per problemi specifici
    • EA IN AMBIENTI DINAMICI Funzione obiettivo variabile nel tempo Compromesso tra convergenza e (bio)diversità delle soluzioni
    • BIODIVERSITÀ Mantenere diversità significa: Punti di esplorazione “buoni” al variare 1) della funzione obiettivo Esplorazione più vasta e maggiore 2) conoscenza del dominio
    • ENSEMBLING Combinazione lineare dei predittori (Generalized Ensemble Method e Optimal Linear Combination) Fitness Sharing Negative-Correlation Learning
    • OTTIMIZZAZIONE MULTI-OBIETTIVO Teoria di Pareto Non più un ottimo ma un insieme di ottimi
    • E adesso cosa posso farci di utile? APPLICAZIONI AL CONTROLLO
    • UTILIZZI Molto usati nel campo dell’ingegneria del controllo: Progettazione di controllori Identificazione Analisi di stabilità e robustezza Fault detection
    • CONTROLLORI Utilizzo al fine di ottenere: I parametri del controllore La struttura del controllore
    • ALGORITMO GENETICO PER UN PID Genotipo: [Kp Kd Ki] Funzione di fitness: *2 ( yt yt ) t Parametri codificati in un genotipo binario di 24 bit
    • CONTROLLORE PER UNA TURBINA A GAS Turbine moderne molto instabili Molte richieste (tempo di salita veloce, assestamento rapido e poco overshoot)
    • CONTROLLORE PER UNA TURBINA A GAS Genotipo: Parametri del controllore Fitness: 9 diverse (efficienza, complessità) Sistema di fitness sharing Riduzione del numero di valutazioni
    • PROGETTAZIONE DI UN CIRCUITO Genotipo: parametri del circuito e area Funzioni di fitness: consumo, guadagno Radio Frequency Low Noise Amplifier Presenza di vincoli (constraints) Ottimi risultati rispetto a progettisti umani e software commerciali
    • ROBOTICA EVOLUTIVA Genotipo: rete neurale (ANN) Funzione di fitness: tempo che un robot impiega per raggiungere il suo obiettivo, numero di scontri con ostacoli Operatori di variazione: mutazione gaussiana sui pesi e bias
    • ROBOT BIOLOGICAMENTE ISPIRATI