งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

สัปดาห์ที่ 9 A* with Terrain cost and evolutionary algorithms อ. เทพฤทธิ์ สินธำรงรักษ์ เรียบเรียง.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "สัปดาห์ที่ 9 A* with Terrain cost and evolutionary algorithms อ. เทพฤทธิ์ สินธำรงรักษ์ เรียบเรียง."— ใบสำเนางานนำเสนอ:

1 สัปดาห์ที่ 9 A* with Terrain cost and evolutionary algorithms อ. เทพฤทธิ์ สินธำรงรักษ์ เรียบเรียง

2  A* with Terrain cost  Evolutionary  Genetic algorithm  Ant colony optimization  Introduction to database system

3  อ่านว่า “ เอ - สตาร์ ” เป็นวิธีพัฒนาขึ้นมาเพื่อแก้ปัญหา Local Optimum โดยจะเปลี่ยนสมการ Fitness Function เป็น  f(n) = g(n)+h(n)

4 แบบที่ 1 แบบที่ 2

5 Wall (1,5)(7,5)

6 Wall f = 7.1 g = 1 h =6.1 f = 6.5 g = 1.4 h =5.1 (1,5) f = 6 g = 1 h =5 (7,5) f = 7.1 g = 1 h =6.1 f = 6.5 g = 1.4 h =

7 Wall f = 7.1 g = 1 h =6.1 f = 6.5 g = 1.4 h =5.1 f = 6.5 g = 2.4 h = 4.1 (1,5) f = 6 g = 1 h =5 f = 6 g = 2 h = 4 (7,5) f = 7.1 g = 1 h =6.1 f = 6.5 g = 1.4 h =5.1 f = 6.5 g = 2.4 h =

8 f = 9.2 g = 3.4 h =5.4 f = 7.9 g = 2.8 h =5.1 Wall f = 7.1 g = 1 h =6.1 f = 6.5 g = 1.4 h =5.1 f = 6.5 g = 2.4 h = 4.1 (1,5) f = 6 g = 1 h =5 f = 6 g = 2 h = 4 f = 11 g = 9 h =2 f = 9.6 g = 8.6 h = 1 (7,5) f = 7.1 g = 1 h =6.1 f = 6.5 g = 1.4 h =5.1 f = 6.5 g = 2.4 h = 4.1 f = 9.4 g = 7.2 h = 2.2 f = 9 g = 7.6 h = 1.4 f = 9.6 g = 8.6 h = 1 f = 9.2 g = 3.8 h =5.4 f = 7.9 g = 3.4 h =4.5 f = 9 g = 6.2 h = 2.8 f = 9.9 g = 7.2 h = 2.2 f = 1 g =9 h =2 f = 10.6 g = 4.8 h =5.8 f = 9.4 g = 4.4 h =5 f = 9 g = 4.8 h = 4.2 f = 9.4 g = 5.8 h = 3.6 f = 10.8 g = 7.6 h = 3.2 f = 10.9 g = 5.2 h = 5.7 f = 10.8 g = 5.8 h = 5 f = 10.7 g = 6.2 h =

9 เพิ่มตรงนี้ A*: f = g + h โดยที่ g คือ total cost from start h คือ heuristic A* with terrain cost: f = g + h โดยที่ g คือ total cost from start + terrain cost h คือ heuristic terrain แปลว่า ภูมิประเทศ

10 A*: f = g + h โดยที่ g คือ total cost from start h คือ heuristic ปัญหา คือ ??

11 A* f = g + h g = total cost from start + terrain cost h = heuristic

12 A* f = g + h g = total cost from start + terrain cost h = heuristic 3131 g = h = 5.1 f = g = h = 4.1 f = g = h = 3.1 f =

13

14  Genetic Algorithm หรือ วิธีการเชิงพันธุกรรม เกิดมา จากแนวคิดที่ว่า ลูกที่ดีย่อมเกิดจากพ่อแม่ที่ดี  Mendel บิดาแห่งวิชาพันธุศาสตร์ ค้นพบว่าลักษณะต่างๆ ของสิ่งมีชีวิต เช่นลักษณะผิวของเมล็ดพืช สีของเมล็ด พืช ฯลฯ ที่ถูกถ่ายทอดไปยังลูกหลานนั้น ถูกควบคุมโดย หน่วยควบคุมลักษณะที่เรียกว่ายีน (Gene) ซึ่งแต่ละยีน จะเรียงตัวอยู่บนโครโมโซม (Chromosome) ภายใน เซลล์

15

16

17  วิธีเชิงพันธุกรรมเป็นวิธีการค้นหาคำตอบโดยมีพื้นฐานมา จากกระบวนการคัดเลือกทางธรรมชาติ (Natural Selection) และกระบวนการคัดเลือกทางพันธุศาสตร์ (Natural Genetics Selection) โดยการคัดเลือกสตริง (String) ที่มีความเหมาะสมจากกลุ่มของสตริงทั้งหมด ด้วยวิธีการสุ่ม จากการนำสตริงเหล่านี้ไปผ่าน กระบวนการคัดเลือกสตริงที่มีความเหมาะสม ซึ่งสตริงที่ มีความเหมาะสมนี้คือคำตอบที่ดีที่สุดหรือใกล้เคียง คำตอบที่ดีที่สุดวิธีเชิงพันธุกรรมซึ่งไม่ใช่การสุ่มแบบ ง่ายๆ แต่มันเป็นการใช้ข้อมูลในอดีตอย่างมี ประสิทธิภาพเพื่อพิจารณาจุดที่จะต้องค้นหาใหม่ โดยคาดหวังว่าสมรรถนะของการค้นหาจะดีขึ้น

18  วิธีเชิงพันธุกรรมถูกพัฒนาขึ้นโดย Holland, et al., (1975) โดยมีเป้าหมายในการวิจัย 2 อย่างคือ ข้อแรก เพื่อสรุปและดัดแปลงการใช้กระบวนการทางธรรมชาติให้ ถูกต้องมากที่สุด สองเพื่อออกแบบและสร้างซอฟต์แวร์ที่ รักษากลไกที่สำคัญของธรรมชาติ และวิธีเชิงพันธุกรรม แตกต่างกับวิธีการค้นหาและการหาค่าที่เหมาะที่สุดแบบ อื่นๆคือ  1. วิธีเชิงพันธุกรรมทำงานโดยการเข้ารหัสสตริงเป็นชุด พารามิเตอร์  2. วิธีเชิงพันธุกรรมเป็นการค้นหาจากทั้งประชากรไม่ใช้ ค้นหาจากเพียงตำแหน่งๆเดียว  3. วิธีเชิงพันธุกรรมใช้ข่าวสารที่เป็นผลลัพธ์ ( ฟังก์ชัน เป้าหมาย ) โดยไม่ใช้การอนุพันธ์หรือความรู้อื่นๆ  4. วิธีเชิงพันธุกรรมจะเป็นวิธี Probabilistic ไม่ใช่ Deterministic

19

20 Code by SWAPNIL MARATHE

21

22  Ant Colony ซึ่งอัลกอริทึมนี้มีเป้าหมายที่จะค้นหา เส้นทางที่เหมาะสม โดยจำลองมาจากนิสัยของมดที่ ค้นหาเส้นทางระหว่างแหล่งอาหารและรังของมัน โดย การทิ้งสารที่เรียกว่าฟีโรโมน (Pheromone) ไว้ตาม เส้นทางที่มันเดินไป จำนวนฟีโรโมนที่อยู่ระหว่าง เส้นทางขึ้นอยู่กับความยาวของเส้นทางและปริมาณ อาหารที่แหล่งอาหาร ฟีโรโมนนี้จะส่งข้อมูลให้กับมดตัว อื่นให้มีความสนใจมัน เส้นทางจะมีความน่าสนใจถ้าอยู่ ใกล้กับรังหรือมดเดินผ่านเส้นทางบ่อยครั้งหรือแหล่ง อาหารมีจำนวนมากซึ่งเส้นทางนั้นจะมีความหนาแน่น ของฟีโรโมนมากด้วยเช่นกัน โดยภาพรวมแล้ว กระบวนการนี้นำไปสู่การขนส่งอาหารที่มีประสิทธิภาพ ของ Ant Colony

23  Ant Colony System (ACS) ถูกนำเสนอ (Dorigo and Gambardella, 1997) โดยสร้างขึ้นมาเพื่อเพิ่ม ประสิทธิภาพของ AS โดย ACS ไม่ได้อยู่บนพื้นฐานของ Ant System อีกต่อไป ด้วยสร้างหลักการทำงานใหม่ เพื่อเพิ่มประสิทธิภาพการทำงาน โดยที่มีความต่างจาก Ant System สามหลักการ คือ  1.ACS จะพัฒนาในส่วนของการจำเส้นทางในการเดิน ของมด โดยจะทำให้มดมีประสบการณ์ในการจำเส้นทาง มากขึ้น และจะมีผลต่อการตัดสินใจในการเลือกเส้นทาง มากขึ้นด้วย  2. การลบล่องรอยของฟีโรโมนและการวางฟีโรโมนนั้น จะทำในส่วนที่เป็นเส้นทางที่ดีที่สุดเท่านั้น  3. ในแต่ละเส้นทางที่มดเดินผ่านไปนั้น มดจะเอาฟีโรโมน ออกด้วย เพื่อที่จะทำให้เกิดการเพิ่มเส้นทางหรือโอกาส ในการเลือกเส้นทางอื่น

24

25 Distance ABCD A B C5 -6 D1546- Pheromones ABCD A-0.1 B - C - D - Local UpdateGlobal Update

26 มีเมืองทั้งหมด 4 เมือง ได้แก่ A, B, C และ D จงใช้ Genetic algorithm คำนวณหาระยะทาง เดินที่ใกล้ที่สุด โดยกำหนดให้ Population = 4, Maximum literation = 2, %50- Crossover และ 25%-Mutation ขั้นตอนที่ I Distance matrix ABCD A B C5 0 6 D ขั้นตอนที่ II

27  โจทย์ตัวอย่าง มีเมืองทั้งหมด 4 เมือง ได้แก่ A, B, C และ D จงใช้ Ant colony optimization คำนวณหาระยะทางเดินที่ใกล้ที่สุด โดยกำหนดให้ q 0 เป็น 0.9, Belta เป็น 2, จำนวนมดมี 1 ตัว นอกเหนือจากนั้นให้ค่า Pheromone รวมถึงพารามิเตอร์ทุก ตัวเป็น 0.1 ขั้นตอนที่ I Distance matrix Pheromone matrix ABCD ABCD A A0 B B 0 C5 0 6 C 0 D D 0 ขั้นตอนที่ II

28  จบการนำเสนอ


ดาวน์โหลด ppt สัปดาห์ที่ 9 A* with Terrain cost and evolutionary algorithms อ. เทพฤทธิ์ สินธำรงรักษ์ เรียบเรียง.

งานนำเสนอที่คล้ายกัน


Ads by Google