Apprendimento Automatico: Algoritmi Genetici e Programmazione Genetica

Presentazione sul tema: "Apprendimento Automatico: Algoritmi Genetici e Programmazione Genetica"— Transcript della presentazione:

1 Apprendimento Automatico: Algoritmi Genetici e Programmazione Genetica
Roberto Navigli

2 Algoritmi motivati dall’analogia con l’evoluzione biologica
Algoritmi Genetici Algoritmi motivati dall’analogia con l’evoluzione biologica Lamarck: le specie “trasmutano” nel tempo sulla base di come usano le parti del loro corpo (es. giraffa allunga il collo per mangiare foglie) Darwin e Wallace: variazioni consistenti ereditabili si osservano negli individui di una popolazione; selezione naturale dei più sani (esistono giraffe con collo più o meno alto: solo alcune sopravvivono) Mendel e la genetica: esiste un meccanismo per ereditare tratti genetici A partire da un insieme di ipotesi (popolazione), generano successori delle ipotesi producendo perturbazioni su di esse che si spera producano risultati migliori

3 Caratteristiche degli AG
Gli AG possono effettuare ricerche nello spazio di ipotesi i cui elementi interagiscono in modo complesso (ovvero laddove è difficile valutare l’impatto di un singolo elemento) Gli AG sono ottimizzatori, non sono veri “apprendisti” Gli AG sono facilmente parallelizzabili (si avvantaggiano del basso costo dell’hardware)

4 Algoritmi Genetici Una Funzione Fitness che assegna un valore di “benessere” a ogni ipotesi h Una Soglia di Fitness che specifica un criterio di terminazione p numero di ipotesi da includere nella popolazione r la frazione della popolazione che deve essere rimpiazzata dall’operatore di incrocio (crossover) m il tasso di mutazione

5 GA(Fitness, Soglia-Fitness, p, r, m)
Algoritmo Tipo GA(Fitness, Soglia-Fitness, p, r, m) Inizializza: P = insieme di p ipotesi generate a caso o specificate a mano Valuta: per ogni h in P, calcola Fitness(h) While maxh Fitness(h) < Soglia-Fitness Seleziona: seleziona (1-r)·p membri di P da aggiungere a una nuova generazione PS Crossover: Seleziona r·p/2 coppie di ipotesi da P Per ogni coppia (h1, h2) produci due successori (offspring) applicando l’operatore di crossover Muta: Inverti un bit a caso di m% individui di PS scelti a caso Aggiorna: P = PS Return argmaxh  P Fitness(h)

6 Rappresentazione delle Ipotesi (1)
La rappresentazione di base in GA è la stringa binaria (cromosoma) La mappatura dipende dal dominio e dal progetto La stringa di bit rappresenta una ipotesi Elementi dell’ipotesi (es. clausole di una regola, caratteristiche, ecc.) sono rappresentati ciascuno da una sottostringa che si trova in una posizione specifica (se la stringa ha lunghezza fissa)

7 Rappresentazione delle Ipotesi (2)
Esempio 1: rappresentiamo l’ipotesi (Outlook = Overcast  Rain)  (Wind = Strong) con: Outlook Wind Esempio 2: rappresentiamo l’ipotesi IF Wind = Strong THEN PlayTennis = yes Outlook Wind PlayTennis Esempio 3: rappresentiamo un’architettura di rete neurale definita da un grafo codificato mediante una stringa binaria

8 Operatori per gli Algoritmi Genetici
Stringhe iniziali Maschera di crossover Successori (offspring) Single-point crossover Two-point crossover Uniform crossover Point mutation Gli operatori di crossover creano dei discendenti di una coppia di ipotesi “mescolando” le caratteristiche dei due genitori L’operatore di mutazione crea un discendente da un’ipotesi invertendo un bit scelto a caso Altri operatori specializzati possono essere definiti sulla base del problema specifico

9 Selezione delle ipotesi migliori (fittest hypotheses)
La selezione degli (1-r)·p membri avviene sulla base della probabilità: Può causare crowding (alcuni individui tendono a prendere il sopravvento, riducendo drasticamente la diversità della popolazione)

10 Un sistema per apprendere insiemi di regole proposizionali
GABIL (De Jong et al., 1993) Un sistema per apprendere insiemi di regole proposizionali Ogni ipotesi corrisponde a un insieme di regole La rappresentazione a stringhe di ciascuna regola viene concatenata alle altre La lunghezza complessiva della stringa cresce con l’aumentare delle regole IF a1 = T  a2 = F THEN c = T; IF a2 = T THEN c = F a1 a2 c a1 a2 c Fitness(h) = correct(h)2 Correct(h) è il numero di esempi di addestramento correttamente classificati da h Point mutation standard e operatore crossover che preservi la ben formatezza dell’ipotesi

11 GABIL: operatore di crossover
L’operatore di crossover è un’estensione del two-point crossover Date due ipotesi h1 e h2 si seleziona per h1 un intervallo di bit (m1, m2) Si calcola la distanza d1 (d2) di m1 (m2) dal confine della regola immediatamente alla sua sinistra Per h2 si sceglie un intervallo di bit tale che preservi le stesse distanze d1 e d2 Esempio: a1 a2 c a1 a2 c a1 a2 c h1: h2: ottenendo come offspring: h3: h4: [ ] d1 = 1, d2 = 3 [ ] d1 = 1, d2 = 3

12 AggiungiAlternativa (AA) EliminaCondizione (EC)
GABIL: estensioni Aggiungiamo due operatori specializzati da applicare con una certa probabilità: AggiungiAlternativa (AA) Generalizza il vincolo su un attributo cambiando uno 0 in 1 nella sottostringa corrispondente all’attributo EliminaCondizione (EC) Generalizzazione ancora più drastica: rimpiazza tutti i bit di un attributo con 1 Possiamo anche aggiungere due bit alla fine di ogni ipotesi, AA e EC, per indicare se su quell’individuo si potranno applicare i due operatori oppure no Questi bit possono essere modificati da una generazione all’altra come tutti gli altri mediante crossover e mutazione Anche la strategia di apprendimento evolve! -> Meta-Programmazione Genetica!

13 Ricerca nello spazio delle ipotesi
Gli AG effettuano ricerche randomizzate sullo spazio delle ipotesi Differente rispetto agli altri metodi di apprendimento (es. BackPropagation si muove molto più lentamente da un’ipotesi all’altra) E’ meno probabile che gli AG cadano in un minimo locale Il crowding è una difficoltà reale: alcuni individui con buon fitness si riproducono velocemente e copie simili a queste prendono il sopravvento sulla popolazione, riducendone la diversità Soluzione: creare perturbazioni o alterazioni della funzione di selezione Tempi di apprendimento lunghi (necessario hw “ad hoc”) Prestazioni paragonabili a C4.5

14 Risolvere il problema del crowding
Tournament selection (selezione per torneo): Scegli h1 e h2 casualmente con probabilità uniforme Con probabilità p, seleziona l’ipotesi migliore delle due (la peggiore con probabilità 1-p) Procede con altri gruppi di 2 (o, più in generale, di k elementi) sottoposti a selezione per “torneo” Rank selection (selezione per grado): Ordina tutte le ipotesi per fitness La probabilità di selezione è proporzionale al rank

15 Esempio: problema del commesso viaggiatore
Il commesso viaggiatore deve visitare ogni città nella sua zona esattamente una volta e quindi ritornare al punto di partenza. Dato il costo di viaggio tra le città, quale itinerario dovrebbe seguire per minimizzare il costo del tour? TSP  NP-Complete

16 TSP: Rappresentazione, inizializzazione, valutazione
Un vettore v = (i1 i2… in) rappresenta un tour (v è una permutazione di {1,2,…,n}) Inizializzazione: campione casuale di permutazioni di {1,2,…,n} Il fitness f di una soluzione è l’inverso del costo del tour corrispondente

17 Using Genetic Programming To Evolve Soccer Teams (da Gamasutra.com)

18 Nei campi più svariati:
Applicazioni Nei campi più svariati: Chimica: trovare molecole simile ad altre già note Astronomia: calcolare la curva di rotazione di una galassia Biologia molecolare: identificare sequenze di aminoacidi Ingegneria aerospaziale: quale forma per l’ala di un aereo supersonico? Finanza: predire le prestazioni di prodotti finanziari nel tempo Videogiochi: apprendere un giocatore Matematica: trovare la soluzione di un’equazione Algoritmi: trovare algoritmi efficienti che risolvono un dato problema (-> programmazione genetica) Crittografia: trovare la soluzione di un problema crittografico Robotica: es. RoboCup, apprendere un robot che vinca in una competizione Pattern recognition/Data mining: sistemi che apprendono grammatiche, conoscenza lessicale e semantica, ecc.

19 Altre tecniche di ottimizzazione
Hill climbing Simile a GA, ma più sistematico e meno casuale: inizia con una soluzione casuale, quindi muta la stringa e mantiene quella delle due che ha il fitness più altro. L’algoritmo termina quando non si trova alcuna mutazione che può migliorare il fitness della soluzione attuale. Simulated annealing L’idea proviene dal processo industriale di fusione in cui il materiale viene riscaldato fino a un punto critico per ammorbidirlo, quindi gradualmente raffreddato per eliminare difetti nella sua struttura cristallina, producendo un’organizzazione degli atomi più stabile e regolare

20 "It occurred to me that perhaps you could combine genetic algorithms with the basic thrust of AI, which was to get computers to do things automatically - that perhaps you could evolve a population of programs." John Koza (1998)

21 Programmazione Genetica
Metodologia di programmazione evolutiva in cui gli individui nella popolazione in evoluzione sono programmi informatici La PG utilizza la stessa struttura algoritmica degli AG I programmi manipolati dalla PG sono rappresentati da alberi che corrispondono agli alberi sintattici (parse tree) dei programmi

22 PG: un esempio Supponiamo che il nostro programma calcoli la funzione: Il suo albero sintattico è il seguente: Simboli terminali: x, y e costanti (es. 2) Funzioni: sen, +, radice, quadrato

23 Crossover nella PG

24 Passi preparatori per la PG
Determinare l’insieme dei terminali ammessi Determinare l’insieme delle funzioni Determinare la misura di fitness: Il fitness di un singolo programma (individuo) è determinato dall’accuratezza del programma eseguito su un insieme di addestramento Determinare i parametri per il run Determinare il criterio per terminare un run

25 Esempio: Il problema dei blocchi (Koza, 1992)
Vogliamo sviluppare un algoritmo che prenda in input qualsiasi configurazione iniziale di blocchi distribuiti a caso tra una pila e il tavolo e li inserisca correttamente nella pila nell’ordine corretto (per leggere: UNIVERSAL) Azioni permesse: Il blocco in cima alla pila può essere spostato sul tavolo Un blocco sul tavolo può essere spostato in cima alla pila

26 Il problema dei blocchi (Koza, 1992)
La scelta della rappresentazione può influenzare la facilità di risolvere il problema Simboli terminali: CS (“current stack”) = denota il blocco in cima alla pila o F se non c’è nulla TB (“top correct block”) = nome del blocco in cima alla pila tale che tutti i blocchi sulla pila sono nell’ordine corretto NN (“next necessary”) = nome del prossimo blocco richiesto sopra TB sulla pila per poter leggere “universal” o F se abbiamo finito

27 Il problema dei blocchi (Koza, 1992)
Funzioni: (MS x): (“move to stack”), se il blocco x è sul tavolo, sposta x in cima alla pila e restituisce il valore T. Altrimenti non fa niente e restituisce il valore F (MT x): (“move to table”), se il blocco x è da qualche parte nello stack, sposta il blocco che è in cima allo stack sul tavolo e restituisce il valore T. Altrimenti restituisce F. (EQ x y): (“equal”), restituisce T se x è uguale a y e restituisce F altrimenti (NOT x): restituisce T se x = F, altrimenti restituisce F (DU x y): (“do until”) esegue l’espressione x ripetutamente finché l’espressione y restituisce il valore T

28 (EQ (DU (MT CS)(NOT CS)) (DU (MS NN)(NOT NN)) )
Il programma appreso Allenato su 166 configurazioni iniziali di blocchi Il fitness di qualsiasi programma è dato dal numero di esempi risolti dallo stesso Usando una popolazione di 300 programmi, si trova il seguente programma dopo 10 generazioni che risolvono i 166 problemi: (EQ (DU (MT CS)(NOT CS)) (DU (MS NN)(NOT NN)) ) Per approfondire: Koza, John R Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, Massachusetts: The MIT Press.

29 Learning Monna Lisa (!) 0) Inizializza una stringa di DNA casuale per la renderizzazione di poligoni (50 poligoni massimo) 1) Copia la sequenza attuale e mutala leggermente 2) Usa il nuovo DNA per renderizzare i poligoni su tela 3) Confronta la tela con l’immagine sorgente 4) Se la nuova immagine sembra più somigliante all’immagine sorgente rispetto alla precedente, sovrascrivi il nuovo DNA con il precedente 5) Ripeti dal passo 1

30

31

32

33

34

35 Apprendere un programma per giocare a Snake
Obiettivo: Trova un programma che mangi il maggior numero possibile di pezzi di cibo Terminali: (avanti), (sinistra), (destra) Funzioni: seCiboAvanti, sePericoloAvanti, sePericoloSinistra, sePericoloDestra, eseguiEntrambe Fitness: numero di pezzi di cibo mangiati

36 Esempio di programma appreso
(seCiboAvanti (sePericoloSinistra (right)(sePericoloDestra (avanti)(sePericoloAvanti (sinistra)(avanti)))) (sePericoloAvanti (sePericoloSinistra (destra)(sinistra)) (sePericoloSinistra (sePericoloDestra (avanti)(destra)) (eseguiPrimaUnaPoiLaltro (sinistra)(destra)))))

37 Programmazione Genetica per i Videogiochi
Snake: Mancala: Vari giochi: Sipper et al.Attaining Human-Competitive Game Playing with Genetic Programming, IEEE Transactions on Systems, Man and Cybernetics -- Part C, 2005