Sztuczne życie

Plan laboratorium

Prowadzący: Konrad Miazga.

  1. CA + Artificial Life in art (implementacja własnego systemu)
  2. Repast - podstawy, tutorial, minizadania
  3. Repast - modelowanie
  4. Repast - symulacje i wyniki
  5. Implementacja mrówkowego optymalizacyjnego albo particle swarm
  6. Inteligencja rozproszona, algorytm mrówkowy/particle swarm
  7. Eksperymenty ilościowe z optymalizacją PSO
  8. Rozwiązanie wybranego zadania za pomocą inteligencji roju
  9. Evolutionary design 1. Struktura, sieci neuronowe, sensory i efektory
  10. Evolutionary design 2. Alternatywne reprezentacje genetyczne, testy porównawcze na gotowych zadaniach, wnioski, raport
  11. Evolutionary design 3. Challenge
  12. Neurony impulsowe 1
  13. Neurony impulsowe 2. Reguły Hebba
  14. Koewolucja, komunikacja
  15. Ewolucja nieukierunkowana



Tematyka wykładów (skrypt)

1   Sztuczne życie – wprowadzenie
 1.1   Definicja, metodyka, cele
 1.2   Sztuczne życie a sztuczna inteligencja
 1.3   Czym życie jest, a czym nie jest: definicje życia
 1.4   Zakres badań i zastosowania
2   Przeszukiwanie wykorzystujące sąsiedztwo pojedynczego rozwiązania
3   Algorytmy ewolucyjne
 3.1   Podział
 3.2   Algorytmy genetyczne (genetic algorithms)
  3.2.1   Parametry i ocena działania algorytmu ewolucyjnego
  3.2.2   Selekcja
  3.2.3   Skalowanie
  3.2.4   Krzyżowanie
  3.2.5   Mutacja
  3.2.6   Inne operatory i mechanizmy
  3.2.7   Podsumowanie parametryzacji AG
  3.2.8   Twierdzenie o schematach
  3.2.9   Problemy zawodne (trudne dla AG) i twierdzenie „No Free Lunch”
  3.2.10   Nieporządny algorytm genetyczny
  3.2.11   Hierarchiczny algorytm genetyczny
  3.2.12   Empiryczna i teoretyczna ocena AG
  3.2.13   Mechanizmy inspirowane naturą
 3.3   Strategie ewolucyjne (evolutionary strategies)
 3.4   Ewolucja różnicowa (differential evolution)
 3.5   Programowanie ewolucyjne (evolutionary programming)
  3.5.1   Reprezentacja zmiennoprzecinkowa
  3.5.2   Embriogeneza
  3.5.3   Krzyżowanie a globalna wypukłość
 3.6   Programowanie genetyczne (genetic programming)
  3.6.1   Regresja symboliczna
 3.7   Systemy klasyfikatorowe (CFS/GBML)
  3.7.1   Input and output interfaces
  3.7.2   Main cycle
  3.7.3   Learning Classifier Systems (LCS)
  3.7.4   Good and bad classifiers
  3.7.5   The need for competition
  3.7.6   Quality of classifiers
  3.7.7   Adaptation by credit assignment
  3.7.8   The Bucket Brigade algorithm
  3.7.9   Adaptation by rule discovery
  3.7.10   Podsumowanie
 3.8   Inne techniki w AE
  3.8.1   Wiele kryteriów
  3.8.2   Wzbogacanie wiedzą
  3.8.3   Ograniczenia
  3.8.4   Przykładowe zastosowania i warianty AE
 3.9   Równoległe algorytmy ewolucyjne
 3.10   Podsumowanie optymalizacji ewolucyjnej
 3.11   Architektury koewolucyjne
  3.11.1   Kooperatywne
  3.11.2   Konkurencyjne
 3.12   Uzupełnienie
 3.13   Literatura i materiały
4   Inne techniki optymalizacji
 4.1   Algorytmy mrówkowe (AA, ACO) i inteligencja grupowa
 4.2   Algorytm roju cząstek (PSO)
 4.3   Sztuczne systemy odpornościowe (AIS)
 4.4   Algorytmy pszczele (ABC)
 4.5   Algorytmy grawitacyjne (GSA) i elektrostatyczne (CSS)
 4.6   Świetliki, kukułki i szczętki (GSO, FA, CS, KH)
5   Niekonwencjonalne środowiska obliczeniowe
 5.1   Obliczenia molekularne
 5.2   Obliczenia kwantowe
 5.3   Obliczenia na błonach/membranach
6   Pozostałe aspekty sztucznego życia
 6.1   Evolution
  6.1.1   Why evolution?
  6.1.2   Theories
  6.1.3   Ukierunkowana a nieukierunkowana
  6.1.4   Krytycznie...
  6.1.5   Evolution and Artificial Life
 6.2   Emergence in Boids
 6.3   Spatio-temporal dynamics in Cellular Automata
 6.4   Spontaneous (and open-ended) evolution in Tierra
 6.5   Directed (guided) evolution
  6.5.1   Karl Sims – virtual creatures
  6.5.2   Co-evolution of Pursuit and Evasion
  6.5.3   Optymalizacja konstrukcji (Evolutionary design)
  6.5.4   Robotics: robot control with layers
  6.5.5   Building brains
  6.5.6   Building brains and bodies
 6.6   Współczesne „symulatory fizyki”
  6.6.1   Cel i zakres badań Framsticks
  6.6.2   Możliwości symulatora
 6.7   Agent a środowisko
  6.7.1   Complex Adaptive Systems (CAS), Multi-Agent Systems (MAS)
  6.7.2   Model Lotki-Volterry
  6.7.3   Sensor evolution
  6.7.4   Osadzenie jako miara współzależności
  6.7.5   Poziom autonomii
 6.8   Formalne opisy systemu ewoluującego
  6.8.1   Maszyny von Neumanna
  6.8.2   Elementy algorytmu ewolucyjnego jako funkcje
 6.9   Elementy teorii gier i gry ewolucyjne
  6.9.1   Pojęcia podstawowe
  6.9.2   Modele
  6.9.3   Strategie zachowań społecznych i dylematy społeczne
 6.10   Modele życia biologicznego – wybrane przykłady
  6.10.1   Badanie prawa Herrnsteina
  6.10.2   Badanie wczesnych etapów ewolucji systemów nerwowych
  6.10.3   Badanie powstawania specyficznych struktur w systemach nerwowych
  6.10.4   Badanie altruizmu i reguły Hamiltona
  6.10.5   Badanie ewolucji sygnałów seksualnych i zasada upośledzenia
  6.10.6   Analiza społecznego uczenia się
  6.10.7   Badanie dynamiki ekspresji genów
  6.10.8   Analiza heurystyk karmienia młodych
  6.10.9   Analiza ewolucji komunikacji i języków
  6.10.10   Robotyka zbiorowa inspirowana biologią
 6.11   Granice poznawalności
 6.12   Literatura i materiały
7   Środowisko eksperymentalne – Framsticks (program na lab.)
 7.1   Informacje podstawowe
 7.2   Wizualizacja
 7.3   Fizyka i symulacja
 7.4   Model i genetyka
 7.5   Definicje eksperymentu
 7.6   Pisanie skryptów
 7.7   Przykładowe eksperymenty
  7.7.1   Porównanie reprezentacji genetycznych
  7.7.2   Mierzenie podobieństwa
  7.7.3   Ocenianie symetrii
  7.7.4   Sterowanie rozmyte
  7.7.5   Ewolucja czujników, oko wektorowe i koordynacja wizyjno-ruchowa
  7.7.6   Umysły: semantyka sieci neuronowej i reprezentacje
  7.7.7   Syntetyczna psychologia ewolucyjna, zaawansowane eksperymenty
  7.7.8   Emergencja i samoorganizacja