О применении метода деревьев принятия решения в задаче определения индивидуальной программы занятий по робототехнике Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневские чтения. 2017

УДК 004.891.3

О ПРИМЕНЕНИИ МЕТОДА ДЕРЕВЬЕВ ПРИНЯТИЯ РЕШЕНИЯ В ЗАДАЧЕ ОПРЕДЕЛЕНИЯ ИНДИВИДУАЛЬНОЙ программы занятии по робототехнике

Т. В. Кушнарева*, Л. В. Липинский, Я. М. Батуков

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

*Е-шаЛ: rare-avis@mail.ru

Рассматривается применение метода деревьев принятия решения в задаче определения индивидуальной программы занятий по робототехнике. Данный метод применим к задачам классификации из ракетно-космической отрасли.

Ключевые слова: деревья принятия решений, генетическое программирование, генетический алгоритм, самонастройка, робототехника.

ABOUT DECISION TREES METHOD APPLICATION IN THE TASK OF THE ROBOTIC

TECHNOLOGY LESSONS FOR PERSONAL PROGRAM DETERMINATION

T. V. Kushnareva*, L. V. Lipinskiy, Ya. M. Batukov

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation

*E-mail: rare-avis@mail.ru

This article considers application of a method of trees of decision-making in the task of determination robotic technology lesson personal program. This method is applicable to problems of classification from the rocket and space industry.

Keywords: decision trees, genetic programming, genetic algorithm, self-tuning, robotics.

Введение. Одним из ведущих направлений современной прикладной науки является робототехника, которая занимается созданием и внедрением автоматических машин, способных выполнять задачи в любой сфере, в том числе и в ракетно-космической отрасли. Роботы рассматриваются как один из основных инструментов не только для обследования и изучения космических тел, но и для колонизации и добычи ресурсов во внеземном пространстве. Робототехника вполне обоснаванно может считаться средством развития космической цивилизации, поэтому необходимо уделять изучению данной области достаточное внимание. Обучение основам робототехники начинается с дошкольного возраста, но уровень подготовки учеников разный, поэтому определение индивидуальной программы занятий является актуальной задачей.

Данная задача была сформулирована руководством клуба детского развития для выявления факторов, влияющих на обучение детей робототехники. Полученные результаты позволят распределять детей по группам с одинаковым уровнем подготовки на этапе покупки абонемента.

Имеется выборка из 100 измерений. Количество атрибутов для определения прогнозируемого значения равно 10 и они несут следующую информацию:

- пол;

- возраст;

- длительность решения головоломки;

- длительность решения задачи (продолжить последовательность);

- количество шагов алгоритма;

- балл за находчивость при креплении деталей;

- время установки мультипликатора;

- количество итераций для объезда коробки;

- скорость сборки робота;

- наличие дополнительных занятий.

Последний атрибут представляет класс: одна из

четырех программ, где 1 предполагает высокую степень подготовки ребенка, а 4 - низкую.

Для решения данной задачи был выбран самонастраивающийся гибридный эволюционный алгоритм автоматизированного формирования деревьев принятия решений [1-4], который продемонстрировал свою эффективность на широком спектре задач классификации [5]. Его применение при правильном подходе может иметь место в задачах о классификации деталей для сборки космических комплексов, формировании алгоритмов управления техническими устройствами или технологическими процессами. Схема алгоритма можно видеть на рис. 1.

На рис. 2 отражено дерево принятия решений с лучшими показателями, полученное в рамках данной задачи.

Полученное дерево использует для вывода 3 атрибута из 10, при ошибке классификации на тестовом множестве равной 0 %. Данный результат говорит о том, что при определении индивидуальной программы необходимо провести три испытания и их результаты позволят однозначно соотнести ребенка и программу занятий.

Математические методы моделирования, управления и анализа данных

старт

I

Алгоритм ГП

индивид >>

Оценка ГА

✓

ч

наилучшие параметры

^ стоп

Рис. 1. Основная схема гибридного алгоритма

Рис. 2. Дерево для задачи определения индивидуальной программы занятий по робототехнике

При индивидуальных программах пол и возраст не влияют на степень подготовки, т. е. нет необходимости учитывать данные факторы.

Библиографические ссылки

1. Кушнарева Т. В., Липинский Л. В. Алгоритм генетического программирования для автоматизированного формирования деревьев принятия решения // Решетневские чтения : материалы XVIII Междунар. науч. конф., посвященной 90-летию со дня рождения генерального конструктора ракетно-космических систем акад. М. Ф. Решетнева / Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. С. 84-86.

2. Гибридный эволюционный алгоритм автоматизированного формирования деревьев принятия решения / Л. В. Липинский, Т. В. Кушнарева, Е. А. Попов и др. // Вестник СибГАУ. 2014. Вып. 5 (57). С. 85-92.

3. Koza J. R. Genetic programming. CA : Morgan Kaufmann, 1998. 609 p.

4. Niehaus J., Banzhaf W. Adaption of operator probabilities in genetic programming // Proceeding EuroGP '01 Proceedings of the 4th European Conference on Genetic Programming. London : Springer-Verlag, 2001. P. 325-336.

5. Кушнарева Т. В. О применении деревьев принятия решения в задачах медицинской диагностики // Проспект Свободный-2015 : материалы науч. конф., посвящ. 70-летию Великой Победы. Красноярск : Сиб. федер. ун-т, 2015. C. 31-32.

References

1. Kushnareva T. V, Lipinskiy L. V. Algoritm geneticheskogo programmirovaniya dlya avtomatizirovannogo formirovaniya derev'ev prinyatiya resheniya [Genetic Programming Algorithm for Automated Decision Tree] // Reshetnev reading : Proceedings of the XVIII International scientific conference dedicated to the 90th anniversary of General Designer of rocket and space systems Reshetnev / Sib. gos. aerokosmich. un-t. Krasnoyarsk 2014. P. 84-86.

2. Lipinskiy L. V., Kushnareva T. V., Popov E. A., Dyabkin E. V. [Hybrid evolutionary algorithm for the automated design of decision trees] // Vestnik SibSAU. 2014. Iss. 5 (57). P. 85-92. (In Russ.)

3. Koza J. R. Genetic programming. CA:Morgan Kaufmann, 1998, 609 p.

4. Niehaus J., Banzhaf W. Adaption of operator probabilities in genetic programming // Proceeding EuroGP '01 Proceedings of the 4th European Conference on Genetic Programming. London : Springer-Verlag, 2001. P. 325-336.

5. Kushnareva T. V. O primenenii derev'ev prinyatiya resheniya v zadachakh meditsinskoy diagnostiki // [The application of a decision tree for purposes of medical diagnosis]. Prospect Free-2015: scientific materials. Conf., dedicated to the 70th anniversary of the Great Victory. Krasnoyarsk : Sib. Feder. University Press, 2015. P. 31-32.

© KymHapeBa T. B., HnnHHCKHH H. B., EaiyKOB M., 2017