CC BY
73
3
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ГЕНЕРАЦИИ
АВТОМАТОВ
УДК 004.4'242
РАЗРАБОТКА ИНСТРУМЕНТАЛЬНОГО СРЕДСТВА ДЛЯ ГЕНЕРАЦИИ КОНЕЧНЫХ АВТОМАТОВ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
Е.А. Мандриков, В.А. Кулев
(Санкт-Петербургский государственный университет информационных технологий, механики и оптики)
В рамках проведения научно-исследовательской работы выполняется разработка инструментального средства для генерации автоматов на основе генетического программирования, которое позволяет повысить уровень автоматизации проектирования автоматных программ. На английском языке это инструментальное средство имеет аббревиатуру - GAAP (Genetic Algorithms for Automata-based Programming). Ключевые слова: генетические алгоритмы, инструментальное средство, конечный автомат, автоматное программирование
Введение
В настоящее время предложено большое число различных реализаций схем генетических алгоритмов [1-3], а также генетических операторов и способов кодирования особей. Многие существующие генетические алгоритмы являются чисто теоретическими разработками, которые не поддержаны программными продуктами. Другие опробованы на тестовых задачах, но их применение в решении практических задач затруднено из-за отсутствия или недостаточной гибкости соответствующих программных систем [4].
Перечислим недостатки, которыми обладают известные программные средства, реализующие генетические алгоритмы.
1. Жесткая привязка разработанного программного обеспечения к задаче на этапах кодирования и декодирования особей.
2. Программная реализация генетического алгоритма производится практически с нуля.
3. Закрытость разработанных программ как для доработки, так и для интеграции с другими программами.
4. Невозможность сохранения результатов поиска и промежуточных состояний популяции и, следовательно, невозможность анализа этой информации в дальнейшем.
Отметим, что в теореме NFL (No Free Lunch) [5] утверждается, что у всех алгоритмов, которые ищут экстремум функции качества, производительность одинакова, если усреднить результаты по всем возможным функциям качества. Практическое значение этой теоремы состоит в том, что не существует панацеи на все случаи жизни, а несомненный успех какого-либо оптимизационного метода в определенной области знаний не гарантирует такого же успеха в другой области. Это означает, что для каждой специфической области необходимо проводить исследования и отыскивать тот оптимизационный метод, который подходит для нее наилучшим образом. При этом можно выделить ряд особенностей систем, использующих генетические алгоритмы.
1. Для каждой оптимизационной задачи целесообразно строить свою функцию приспособленности [1, разд. 2.3 и 2.4]. Следовательно, система должна обладать возможностью использования различных функций приспособленности.
2. В систему должны входить генетические операторы (создание случайной особи, мутация, рекомбинация, переупорядочение). Напомним, что для различных представ-
лений структур хромосом необходимы различные операторы, учитывающие специфику представления.
3. Необходимым условием эффективности работы систем с использованием генетических алгоритмов является ее автоматическая или автоматизированная настройка на объект исследования.
Исходя из изложенного, сформулируем ряд требований к разрабатываемому инструментальному средству для поддержки генетических алгоритмов, генерирующих конечные автоматы:
1. наличие встроенных типов кодирования хромосом и, как следствие, библиотек генетических операторов;
2. наличие блока подбора и адаптации параметров генетического алгоритма и генетических операторов под решаемую задачу;
3. возможность расширения за счет использования внешних функций генетических операторов, способов кодирования и функций пригодности;
4. возможность визуализации получаемых решений;
5. многокомпонентность системы с возможностью включения и отключения требуемых для решаемой задачи компонентов.
Описание разрабатываемого инструментального средства
Для реализации прототипа инструментального средства был выбран язык Java (http://java.sun.com/). Простота интеграции полученной системы с другими системами достигается за счет использования модульности и автоматизированного средства сборки Maven (http://maven.apache.org/).
Инструментальное средство состоит из следующих компонентов.
1. Модуль поддержки генетических алгоритмов, который включает в себя:
1. репозиторий особей для сохранения промежуточных и конечных результатов работы. Репозиторий можно использовать в качестве общего хранилища особей при реализации метода композитного генетического программирования [6]. Использование нескольких репозиториев позволяет реализовать островную модель генетических алгоритмов [1] с различной топологией и способами обмена особями между островами, которую в дальнейшем предполагается включить в модуль;
2. реализацию классического генетического алгоритма с блоком подбора и адаптации параметров алгоритма и генетических операторов под решаемую задачу;
3. средства для различных типов визуализаций и отладки процесса выполнения генетического алгоритма. Пример визуализации приведен на рис. 1;
4. различные операторы и способы представления хромосом (бинарное и вещественное кодирование [7]) для задач численной оптимизации.
2. Модуль поддержки конечных автоматов, который включает в себя:
1. различные способы представления конечных автоматов. В настоящее время реализованы два представления (строки фиксированной длины и деревья решений [8], и будет внедрено еще одно (сокращенные таблицы [9]);
2. поддержку XML-представления, которое позволяет хранить и преобразовывать автоматы. Предлагаемое XML-представление является основой для построения различных визуальных представлений автомата с помощью XSL-преобразования. Указанное представление может быть конвертировано в коды на различных языках программирования [10];
3. реализацию модели «конечный автомат + объект управления = автоматизированный объект» [11], позволяющей конечному автомату воздействовать на объект управления;
4. механизм визуализации процесса работы автоматизированного объекта с возможностью выполнения по шагам, как в прямом направлении, так и в обратном направлениях. Пример визуализации приведен на рис. 2. 3. Модуль поддержки генетического программирования для конечных автоматов, который включает в себя набор встроенных в систему генетических операторов для различных представлений конечных автоматов в виде хромосом, реализованных в указанном выше модуле. Также планируется внедрение в модуль поддержки генетических алгоритмов функциональности для распределенных вычислений функции приспособленности, так как эти вычисления очень трудоемки.
После реализации базовых компонентов системы полученный программный комплекс был апробирован на ряде тестовых задач: задача о построении «разливочной линии» [9], задача о «флибах» [1, 12, 13], задача об «умном муравье» [1, 14]. В дальнейшем планируется применение полученного программного средства для решения задач программирования мобильных роботов.
Следует также отметить, что проект GAAP разрабатывается в рамках движения за открытую проектную документацию (http://is.ifmo.ru/foundation/?i0=foundation) и является проектом с открытым кодом (сайт проекта GAAP -http://godin.net.ru:8080/projects/gaap/), что способствует его дальнейшему развитию.
Заключение
Ранее реализованное инструментальное средство [14] было ориентированно на исследование лишь одной задачи («Умный муравей»), что затрудняло его дальнейшее расширение и использование на других задачах. Другое инструментальное средство [9] было ориентированно на использование лишь одного представления конечных автоматов, что не давало возможности тщательно изучать решаемую задачу. Предлагаемое средство является более гибким и универсальным.
Литература
1. Технология генетического программирования для генерации автоматов управления системами со сложным поведением. Отчет по I этапу темы.
2. Технология генетического программирования для генерации автоматов управления системами со сложным поведением. Отчет по II этапу темы.
3. Фогель Л., Оуэнс А., Уолш М. Искусственный интеллект и эволюционное моделирование. - М.: Мир, 1969.
4. Технология генетического программирования для генерации автоматов управления системами со сложным поведением. Отчет о патентных исследованиях.
5. Wolpert D. H., Macready W. G. No free lunch theorems for optimization // IEEE Transactions on Evolutionary Computation. - 1997. - April. - Vol. 1, no. 1. - Pp. 67-82.
6. Бедный Ю.Д. Применение генетических алгоритмов для построения клеточных автоматов.- СПб: СПбГУ ИТМО, 2006.
7. Herrera F., Lozano M., Verdegay J. L. Tackling real-coded genetic algorithms: Operators and tools for behavioural analysis // Artifcial Intelligence Review. - 1998. - Vol. 12. - № 4. - P. 265-319
8. Данилов В.Р., Шалыто А.А. Метод генетического программирования для генерации автоматов, представленных деревьями решений. // Научное программное обеспечение в образовании и исследованиях. - СПбГУ ПУ. - 2008. - С. 175-181.
9. Поликарпова Н.И., Точилин В.Н., Шалыто А.А. Разработка библиотеки для генерации управляющих автоматов методом генетического программирования. - 2007 -С. 84-87.
10. Непейвода Н.Н., Скопин И.Н. Основания программирования. - Ижевск-Москва: Институт компьютерных исследований, 2003.
11. Поликарпова Н.И., Шалыто А.А. Автоматное программирование. Учебно-методическое пособие. - СПб.: СПбГУ ИТМО, 2007.
12. Лобанов П.Г., Шалыто А.А. Использование генетических алгоритмов для автоматического построения конечных автоматов в задаче о «флибах» // Известия РАН. Теория и системы управления. - 2007. - №5. - С. 127-136.
13. Мандриков Е.А., Кулев В. А., Шалыто А.А. Применение генетических алгоритмов для создания управляющих автоматов в задаче о «флибах» // Информационные технологии - 2008. - №1. - С. 42-45.
14. Бедный Ю.Д., Шалыто А.А. Применение генетических алгоритмов для построения автоматов в задаче «Умный муравей». - СПбГУ ИТМО, 2007.
УДК 004.4'242
МЕТОД ПРЕДСТАВЛЕНИЯ АВТОМАТОВ ДЕРЕВЬЯМИ РЕШЕНИЙ ДЛЯ ИСПОЛЬЗОВАНИЯ В ГЕНЕТИЧЕСКОМ ПРОГРАММИРОВАНИИ
В.Р. Данилов
(Санкт-Петербургский государственный университет информационных технологий, механики и оптики)
В работе предлагается новый метод представления автоматов в виде особей эволюционного алгоритма, основанный на деревьях решений. Предлагаемый метод представления автоматов позволяет существенно сократить объем требуемой для работы эволюционного алгоритма памяти. Разработан метод генетического программирования, основанный на предложенном представлении. Эффективность разработанного метода демонстрируется на примере решения одного из вариантов задачи об «Умном муравье». Ключевые слова: генетическое программирование, дерево решений, конечный автомат, автоматное программирование
Введение
Автоматное программирование [1] - парадигма программирования, использующая представление программ в виде формальной модели - конечных автоматов. Применение генетического программирования [2] для генерации автоматов позволяет существенно сократить цикл разработки некоторых автоматных программ.
Для генерации автоматов могут применяться различные модификации эволюционных алгоритмов [3]. Однако для большинства из этих методов размер хромосомы, требуемый для хранения автомата, экспоненциально зависит от числа входных переменных.
При решении задачи классификации плотности Дж. Коза [4] применил представление функции переходов автомата с помощью деревьев разбора [5], описывающих булевы функции. Это представление обладает существенно большей выразительностью по сравнению с традиционными табличными методами, что позволило эффективно решить задачу. Однако этот метод может быть применен только к автоматам, имеющим два состояния. Целесообразно разработать метод эффективного представления автоматов, который может быть применен к решению более сложных задач.
