Upload
hamien
View
221
Download
0
Embed Size (px)
Citation preview
Module comportemental
Apprentissage d’un réseau de neurones par algorithme génétique
David PANZOLI
(D.E.A IIL)
Stage de recherche 2003
Équipe synthèse d’images(UT1-IRIT)
Objectifs• Modéliser des acteurs autonomes en réalité virtuelle
• Plusieurs méthodes de description du comportement
§ Scripts
§Moteurs d’inférence
§ Systèmes dynamiques d’apprentissage
Contexte
§ Créatures de Karl Sims(SIGGRAPH ‘94)
§ Poursuites de Cliff & Miller(SAB96)
§ Framsticks de Komosinski(Kybernetes: The International Journal of Systems & Cybernetics, 2003)
• Comportements modélisés par réseaux de neurones.
Réseaux de neurones
S ƒ
wi
wj
wk
Algorithmes Génétiques• Fait évoluer génétiquement une population de solutions à un
problème.
• Opérateurs génétiques :
Croisement multipoint
Mutation monopoint
§ Sélection
§ Recombinaison
§ Mutation
?
ANN et AG• Utilisation concurrente
• Optimisation des paramètres : – taille, topologie, caractéristiques, etc.
• Affinage des poids : – alternative à la rétropropagation
• Génération de topologies : – « Adaptation in Neural and Artificial Systems » (Holland 75)
• Sélection d’un jeu de données d’apprentissage
Évolution de réseaux de neurones
Morphogenèse
génotype
phénotype
Evaluation
feedback de l’évaluation
Evolution Genetique
Représentation chromosomique d’un réseau de neurones ?
Évaluation d’un réseau de neurones ?
Représentation chromosomique
• Encodage direct– Matrice de poids pour un réseau complet et fixé– Encodage des liens [Luga]
• Encodage indirect– Codages grammaticaux : cellulaire [Gruau], géométrique, biologique
(~ L-systems), etc.– Autres : programmation génétique, programmes LISP, etc.
?
Représentation des liens entre neurones
5
8 -2.63
5 8 -2.63 7 2 0.14 3 5.31 0
Morphogenèse
gène complexe
lien neuronal
Morphogenèse
Réseau de neurones
chromosome
Morphogenèse d’un lien neuronal
Morphogenèse d’un réseau de neurones
Module comportemental
0 1
8 9
4
7
2
• Gère le comportement de l’acteur en liant perception et action
• Intégration du réseau de neurones entre capteurs et effecteurs
Contrôle d’une entité virtuelle :modèles simples
Modèle 2D :
• 2 capteurs
• 2 effecteurs
Modèle 3D simple :
• 3 capteurs
• 3 effecteurs
Apprentissage du réseau de neurones ?
Évaluation et sélection
Plusieurs techniques :
• Calcul de la distance du robot à la lumière en fin de trajet.
• Intégration de la luminance reçue par les capteurs sur un trajet d’une durée fixée. (Gestion éventuelle de l’énergie)
L’évaluation du réseau de neurones s’effectue intégré dans une entité et en simulation
Phase critique de l’apprentissage !!!
Croisement de réseaux de neurones (1/4)
• Problème des permutations ou ‘‘conventions concurrentes’’ [Hancock 92] gène le processus de convergence
0
1
7
5
28
wk + wo
wl
wm
wn
wp
0
1
2
58
wi
wj
wk
wl
wm
0
1
7
5
8
wn
wo
wp
wq
wr
ws
0
1
2 7
58wj wq
wr
ws
wi
Recombinaison
point de croisement
point de croisement
réseau invalide ! 2
représentation phénotypique
représentation génotypique
réseau infirme !
Nécessité de trouver une méthode plus adaptée
wi20 wj21 wk51 wl82wm85
wn70 wo51 wp71 wq75wr85 ws87
wi20 wj21 wq75 wr85ws87
wn70 wo51 wp71 wk51wl82 wm85
Croisement de réseaux de neurones (2/4)
Chaque sortie : • dépend en principe de toutes les entrées
• est indépendante des autres
0 1
8
7
2
0 1
9
4
0 1
8 9
4
7
2
0
1
2
3
4 5
6
5
3 4
2 0 1 0
0
6
2
0
3
1 0
4
0 2
0
Extraction des arbres de sortie
Croisement de réseaux de neurones (3/4)
Pour chaque sortie, construction de l’arbre du parcours inverse de l’influx nerveux des entrées vers elle.
0
1
2
3
4 5
5
3 4
2 0 1 0
0
6
3
1
4
0 3
1
1
0
1 3
4
6
0
1
2
3
4 5
6
arbre de la sortie gauche du parent A
arbre de la sortie droite du parent B
réseau de neurones associé
réseau de neurones associé
réseau de neurones issu de la recombinaison des deux
arbres de sortie
Obtention d’un réseau fils
Croisement de réseaux de neurones (4/4)
Génération de réseaux valides !
Mutation de réseaux de neurones
• Basé sur l’observation des faiblesses de certains réseaux
0 3
1 4
2 5
6
0
1
2
3
4 5
0 3
1 4
2
6
0
1
2
3
4 5
6
comportement inadapté !
bon comportement
bon comportement
bon comportement
inversion 3
extraction
1
duplication
2
combinaison 4
Peut corriger certains handicaps !
Résultats• Marche bien avec le modèle cité ci-avant
• Marche encore avec le modèle 3D
0
500
1000
0 10 20 30 40 50
génération
fitn
ess
mo
yen
basique blend des poids arbres de sorties
Discussion
• Bonne technique car adaptée aux modèles sur lesquels elle porte
0
1
5
6
2
3
4
poids > 0.75
poids > 0.5
poids > 0.25
poids > 0
Modèle plus complexe (1/2)
3 capteurs
3 effecteurs
• Modèle 3D complexe n’est plus une simple extension du modèle 2D.
• Sorties ne sont plus indépendantes(un mouvement basique requiert la combinaison de plusieurs sorties)
Croisement toujours efficace ?
Modèle plus complexe (2/2)
• Perte de l’optimisation de l’apprentissage
Possibilité de produire un bon individu
0
50
100
0 20 40 60 80 100
Générations
fitn
ess
mo
yen
basique blend des poids arbres de sortie
Conclusion
Difficulté de conception d’opérateurs génétiques efficaces.
De part leur principe de fonctionnement, les réseaux de neurones constituent une très bonne approche à la modélisation comportementale.
La souplesse des algorithmes génétiques permettent un fin contrôle de l’apprentissage.
Optimisations très dépendantes de la structure du problème
Perspectives
• Identification du rôle des neurones au sein du réseau. Isolation de neurones clés
• Génération de comportements complexes par encapsulation.
• Étude des propriétés d’un réseau par comparaison avec un classifieur.
0
1
3
24 5
6
7