Algoritma genetika
APPLIED TO ROBOT NAVIGATION CONTROLLER OPTIMIZATION
Artikel ini menunjukkan hasil kerja kami pada penggunaan algoritma genetika untuk robot controller optimasi, khususnya orang-orang yang saraf-jaringan berbasis. Kedua efisiensi dan efektivitas diukur dalam serangkaian skenario yang berbeda, dan hasilnya menunjukkan menarik kesimpulan yang berkaitan indikator ini dan kompleksitas lingkungan.
Tujuan penelitian ini adalah untuk memenuhi syarat kemungkinan pengontrol JST optimasi dengan menggunakan algoritma genetika.
Penggunaan algoritma genetika telah terbukti berguna dalam satu set besar optimasi problems (Mesin Boeing menjadi yang paling luar biasa misalnya) yang beragam jenis dan kerumitan, namun optimasi dari saraf jaringan terus menjadi aplikasi menuntut metodologi ini, terutama karena tinggi polimodality dan ukuran ruang pencarian
Untuk melakukan percobaan pertama kita memilih model robot dan platform simulasi di mana kita akan mengukur hasil. Lalu kami merancang sebuah 'dasar' masalah yang controller adalah untuk menangani. Setelah kami telah mendefinisikan robot Tujuan kami jaringan saraf untuk perusahaan pengendali yang dilatih pada yang sangat dasar dan sederhana seperangkat aturan perilaku. Sekarang, dengan jaringan terlatih, kami menciptakan sebuah populasi jaring yang kemudian dikenakan algoritma genetika berdasarkan optimasi, memilih mereka dengan lebih baik performance. kinerja. Setelah kami mengamati sebuah substansial peningkatan kinerja, individu terbaik diekstraksi dari populasi dan mengacu terhadap implementasi dari masalah model meningkatkan kompleksitas.
Identifikasi Masalah
Untuk langkah-langkah yang konsisten dari robot kinerja, arsitektur controller konstan
dan masalah kelas dirancang. Ini adalah diuraikan di bawah ini :
Masalah Kelas
Dalam dunia yang khas, ada empat lampu merata, dan sejumlah dinding, corridors, and obstacles. koridor, dan rintangan. Robot objektif dunia yang diberikan adalah untuk menemukan semua empat lampu di setidaknya jumlah waktu (siklus) mungkin Setelah menemukan cahaya diberikan, berhenti menerima dalam perusahaan sensor, dan sehingga memerlukan pergi mencari yang lain. Proses ini berlangsung sampai empat lampu yang ditemukan atau waktu maksimum yang diberikan telah tercapai.
Dunia diciptakan dibagi menjadi kompleksitas kelas, diberikan oleh jumlah batu bata
di masing-masing dari mereka. Langkah ini dipilih karena sebanding dengan kesulitan atau jumlah hambatan yang robot akan mencari melalui cara Meskipun tampaknya bahwa jumlah yang lebih besar dari batu bata di dunia berukuran sama berarti bahwa mendapatkan informasi lebih banyak melalui sensor-dan karena itu memecahkan masalah lebih cepat -, ini tidak demikian, karena batu bata sendiri blok sumber cahaya dan karena relatif bata cahaya bervariasi dari dunia untuk world dunia Kompleksitas 10, 30 dan 50 bata per dunia yang dipertimbangkan untuk pembandingan kontroler.
Seperti dijelaskan sebelumnya, karya yang diusulkan skema adalah untuk membangun jaringan saraf, kereta itu dengan seperangkat aturan minimum, mengoptimalkan menggunakan
algoritma genetik dan kemudian tolok ukur yang terbaik controller pada beberapa dunia yang berbeda. Dalam hal ini kami akan menunjukkan keputusan yang diambil Untuk mulai dengan, controller adalah maju jaringan saraf, dengan tiga penuh tingkatan yang saling berhubungan. Seperti disebutkan di atas, input controller adalah ukuran cahaya 8 dengan 4 dan 8 langkah
resolusi masing-masing.
Dari sini kita simpulkan bahwa input ke jaringan saraf adalah 40 bit: dan jarak 24 (8 x 3) untuk lampu 8 x 2) untuk 16 (. A A kode biner langsung dari simulator-
memberikan nilai ke jaring saraf yang sesuai input terpilih untuk kesederhanaan.
Langganan:
Posting Komentar (Atom)
Tidak ada komentar:
Posting Komentar