Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия

Загрузка...





Скачать 91.62 Kb.
НазваниеФ. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия
Дата публикации21.10.2013
Размер91.62 Kb.
ТипДокументы
top-bal.ru > Информатика > Документы
МЕТОД ПОСТРОЕНИЯ АВТОМАТОВ УПРАВЛЕНИЯ СИСТЕМАМИ СО СЛОЖНЫМ НА ОСНОВЕ ТЕСТОВ С ПОМОЩЬЮ ГЕНЕТИЧЕСКОГО ПРОГРАММИРОВАНИЯ
Ф. Н. Царев
Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия
Введение. В последнее время для программирования систем со сложным поведением все шире применяется автоматное программирование, в рамках которого поведение программ описывается с помощью конечных детерминированных автоматов [1]. Для многих задач автоматы удается строить эвристически, однако существуют задачи, для которых такое построение затруднительно. К задачам этого класса относятся, например, задача «Умный муравей» [2–4], задача «Умный муравей–3» [5] и задача об управлении моделью беспилотного летательного аппарата [6]. Для построения автоматов в таких задачах можно применять генетические алгоритмы [7–9].

Традиционный метод построения автоматов с помощью генетических алгоритмов использует вычисление функции приспособленности на основе моделирования работы системы со сложным поведением в некоторой внешней среде. Главным недостатком этого метода является то, что при его применении функцию приспособленности необходимо «с нуля» реализовывать для каждой задачи. Кроме того, такой подход к вычислению функции приспособленности связан с большими затратами вычислительных ресурсов.

В настоящей работе предлагается метод построения автоматов управления системами со сложным поведением на основе тестов с помощью генетического программирования. Этот метод не имеет указанных недостатков.

^ Постановка задачи. При применении парадигмы автоматного программирования для реализации сущности со сложным поведением выделяется система управления и объект управления. На начальном этапе проектирования программы выделяются события (e1, e2, …), входные переменные (x1, x2, …) и выходные воздействия (z1, z2, …). После этого проектирование программы может идти разными путями. Один из них состоит в написании сценария работы программы, по которому далее эвристически строится автомат. Пример построения автомата таким способом приведен в работе [10].

Другой подход, который практически не применяется для построения автоматных программ, но достаточно широко распространен при разработке традиционных программ, состоит в разработке на основе тестов (test-driven development) [11]. При применении этого метода процесс написания кода на языке программирования идет параллельно с написанием тестов для программы. При этом добавление функциональности в программу осуществляется только после того, как создан тест для проверки этой функциональности. Таким образом, функциональность программы описывается набором тестов для нее.

Исходные данные для построения автомата. Исходными данными для построения конечного автомата управления системой со сложным поведением являются:

  • список событий;

  • список входных переменных;

  • список выходных воздействий;

  • набор тестов Tests, каждый из которых содержит последовательность Input[i] событий, поступающих на вход конечному автомату, и соответствующую ей эталонную последовательность Answer[i] выходных воздействий.

Хромосома алгоритма генетического программирования. Конечный автомат в алгоритме генетического программирования представляется в виде объекта, который содержит описания переходов для каждого из состояний и номер начального состояния. Для каждого из состояний хранится список переходов. Каждый переход описывается событием, при поступлении которого этот переход выполняется и числом выходных воздействий, которые должны быть сгенерированы при выборе этого перехода.

Таким образом, в особи кодируется только «скелет» управляющего конечного автомата, а конкретные выходные воздействия, вырабатываемые на переходах, определяются с помощью алгоритма расстановки пометок, который аналогичен предложенному в работе [12].

^ Алгоритм расстановки пометок. Идея алгоритма расстановки пометок состоит в том, что генетическим алгоритмом строится только «скелет» конечного автомата, а пометки на переходах – вырабатываемые на них выходные воздействия – расставляются на основе тестов. При этом расстановка пометок происходит таким образом, чтобы получившийся в результате автомат как можно лучше «соответствовал» тестам.

В работе [12] аналогичный принцип использовался при построении конечных автоматов для распознавания регулярных языков. Главное отличие состоит в том, что в этой работе расставлялись пометки на состояниях – на основе тестов определялось, будет состояние допускающим или нет.

Опишем алгоритм расстановки пометок на переходах, применяемый в настоящей работе. Как было сказано выше, для каждого из перехода в особи генетического алгоритма записано, сколько выходных воздействий должно вырабатываться при его выборе. Подадим на вход конечному автомату последовательность событий, соответствующую одному из тестов, и будем наблюдать, за тем, какие переходы выполняет автомат. Зная эти переходы и информацию о том, сколько выходных воздействий должно быть сгенерировано на каждом из переходов, можно определить, какие выходные воздействия должны вырабатываться на переходах, использовавшихся при обработке входной последовательности.

Для каждого перехода ^ T и каждой последовательности выходных воздействий zs вычисляется величина C[T][zs] – число раз, когда при обработке входной последовательности, соответствующей одному из тестов, на переходе T должны быть выработаны выходные воздействия, образующую последовательность zs. Далее, каждый переход помечается той последовательностью zs0, для которой величина C[T][zs0] максимальна.

Операция мутации. При выполнении операции мутации с заданной вероятностью (по умолчанию, она равна 0.05) выполняется каждое из действий:

  • изменение начального состояния;

  • изменение описания каждого из переходов;

  • удаление или добавление перехода для каждого из состояний.

После выполнения операции мутации в автомате может возникнуть ситуация, когда в автомате из одного состояния присутствуют два перехода по донному и тому же событию. Для устранения таких переходов применяется операция удаления дублирующихся переходов, описанная в следующем разделе.

^ Операция удаления дублирующихся переходов. Для удаления дублирующихся переходов для каждого состояния проделывается следующие операции: последовательно просматривается список переходов из этого состояния, и при этом запоминаются события, переходы по которым определены для этого состояния. Если очередной переход T происходит по событию, для которого в списке уже есть переход, то переход T удаляется из списка.

^ Операция скрещивания. Скрещивание описаний автоматов производится следующим образом. Обозначим как P1 и P2 «родительские» особи, а как S1 и S2 – особи-«потомки». Для начальных состояний S1.is и S2.is автоматов S1 и S2 будет верно одно из двух соотношений:

  • S1.is = P1.is и S2.is = P2.is;

  • S1.is = P2.is и S2.is = P1.is.

Опишем, как устроены переходы автоматов S1 и S2. Скрещивание описаний автоматов производится отдельно для каждого состояния. Обозначим список переходов из состояния номер i автомата P1 как P1.T[i], а список переходов из состояния номер i автомата P2 как P2.T[i]. Для выполнения «скрещивания переходов» с равной вероятностью может быть выбран один из двух методов.

При использовании традиционного метода скрещивания списки переходов S1.T[i] и S2.T[i] строятся следующим образом:

    1. Строится общий список переходов, в который помещаются переходы, входящие как в P1.T[i], так и в P2.T[i].

    2. К полученному списку применяется случайная перестановка.

    3. Далее возможны два равновероятных варианта:

      • либо в S1.T[i] помещаются первые |P1.T[i]| переходов из полученного списка, а в S2.T[i] – оставшиеся переходы;

      • либо в S1.T[i] помещаются первые |P2.T[i]| переходов из полученного списка, а в S2.T[i] – оставшиеся переходы.

При использовании метода скрещивания с учетом тестов списки переходов S1.T[i] и S2.T[i] строятся следующим образом переходы, которые используются конечными автоматами-родителями:

  1. В автоматах P1 и P2 помечаются те переходы, которые выполняются при обработке 10% тестов, для которых нормированное редакционное расстояние между «правильным ответом» Answer и последовательностью Output выходных воздействий, генерируемой автоматом, минимально.

  2. Помеченные переходы копируются в S1.T[i] и S2.T[i] напрямую.

  3. Строится общий список переходов, в который помещаются непомеченные переходы, входящие как в P1.T[i], так и в P2.T[i].

  4. К полученному списку L применяется случайная перестановка.

  5. Список S1.T[i] дополняется первыми переходами из списка L до размера |P1.T[i]|, а список S2.T[i] дополняется оставшимися переходами.

В обоих случаях к получившимся в результате скрещивания автоматам S1 и S2 применяется операция удаления дублирующихся переходов.

Функция приспособленности. Функция приспособленности основана на редакционном расстоянии. Для ее вычисления выполняются следующие действия: на вход автомату подается каждая из последовательностей Input[i]. Обозначим последовательность выходных воздействий, которую сгенерировал автомат на входе Input[i] как Output[i]. После этого вычисляется величина , где как ED(A, B) обозначено редакционное расстояние между строками A и B. Отметим, что значения этой функции лежат в пределах от 0 до 1, при этом, чем «лучше» автомат соответствует тестам, тем больше значение функции приспособленности.

Функция приспособленности зависит не только от того, насколько «хорошо» автомат работает на тестах, но и числа переходов, которые он содержит. Она вычисляется по формуле: , где как cnt обозначено число переходов в автомате. Эта функция приспособленности устроена таким образом, что при одинаковом значении функции FF1, отражающей «прохождение» тестов автоматом, преимущество имеет автомат, содержащий меньше переходов. Кроме этого, автомат, который «идеально» проходит все тесты, оценивается выше, чем автомат, проходящий тесты не идеально.

^ Построение системы управления часами с будильником. Применение предлагаемого метода иллюстрируется на примере построения автомата управления часами с будильником [1]. Эти часы имеют три кнопки, которые служат для изменения режима их работы и для настройки текущего времени или времени срабатывания будильника. Рассматриваемые часы с будильником являются системой со сложным поведением, так как в ответ на одни и те же входные события (нажатия кнопок) в зависимости от режима работы генерируются различные выходные воздействия.

Поведение этих часов может быть описано с помощью конечного автомата, который содержит три состояния [1].

Для построения автомата управления часами с будильником было составлено 38 тестов, описывающих работу часов с будильником в различных режимах. Построение конечного автомата управления часами с будильником проводилось при следующих параметрах алгоритма генетического программирования:

  • размер поколения – 2000 особей;

  • доля «элиты» – наиболее приспособленных особей, напрямую переходящих в следующее поколение, – 10 %;

  • число поколений до малой «мутации поколения» – 100 поколений;

  • число поколений до большой «мутации поколения» – 150 поколений;

  • размер автоматов в начальном поколении – четыре состояния.

Цель состояла в том, чтобы построить автомат, содержащий 14 переходов и соответствующий всем тестам (значение функции приспособленности, соответствующее такому автомату – 20.86). В результате работы алгоритма генетического программирования был построен автомат (рисунок), в котором из начального (отмечено «жирной» рамкой) достижимы только три состояния из четырех. Если удалить недостижимое состояние, то этот граф переходов будет изоморфен построенному вручную [1].



Рисунок. Граф переходов автомата, построенного с помощью алгоритма генетического программирования
Литература


  1. Поликарпова Н. И., Шалыто А. А. Автоматное программирование. СПб: Питер, 2009.

  2. Angeline P., Pollack J. Evolutionary Module Acquisition / Proceedings of the Second Annual Conference on Evolutionary Programming. Cambridge: MIT Press. 1993, pp.154–163. http://www.demo.cs.brandeis.edu/papers/ep93.pdf

  3. Jefferson D., Collins R., Cooper C., Dyer M., Flowers M., Korf R., Taylor C., Wang A. The Genesys System: Evolution as a Theme in Artificial Life /Proceedings of Second Conference on Artificial Life. MA: Addison-Wesley. 1992, pp.549–578. www.cs.ucla.edu/~dyer/Papers/AlifeTracker/Alife91Jefferson.html

  4. ^ Царев Ф. Н., Шалыто А. А. Применение генетического программирования для генерации автомата в задаче об «Умном муравье» / Сборник трудов IV-ой Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Том 2. М.: Физматлит. 2007, с. 590–597. http://is.ifmo.ru/genalg/_ant_ga.pdf

  5. Бедный Ю. Д., Шалыто А. А. Применение генетических алгоритмов для построения автоматов в задаче «Умный муравей». http://is.ifmo.ru/works/ant

  6. ^ Паращенко Д. А., Царев Ф. Н., Шалыто А. А. Технология моделирования одного класса мультиагентных систем на основе автоматного программирования на примере игры «Соревнование летающих тарелок». Проектная документация. СПбГУ ИТМО. 2006. http://is.ifmo.ru/unimod-projects/plates/

  7. Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. М.: Физматлит, 2006.

  8. Рассел С., Норвиг П. Искусственный интеллект: современный подход. М.: Вильямс, 2006.

  9. Koza J. R. Genetic programming: on the programming of computers by means of natural selection. MIT Press, 1992.

  10. Мазин М. А. Парфенов В. Г., Шалыто А. А. Разработка интерактивных приложений Macromedia Flash на базе автоматной технологии. Проектная документация. СПбГУ ИТМО. 2003. http://is.ifmo.ru/projects/flash/

  11. Бек К. Экстремальное программирование: разработка через тестирование. СПб: Питер, 2003.

  12. Lucas S., Reynolds T. Learning Deterministic Finite Automata with a Smart State Labelling Evolutionary Algorithm. IEEE Transactions on Evolutionary Computation Volume 27, Issue 7, June 2005.

Добавить документ в свой блог или на сайт

Похожие:

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconНазвание педагогического отряда
Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconРабочая программа дисциплины сд. Ф. 07 Проектирование информационных...
Санкт-петербургский национальный исследовательский университет информационных технологий

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconИнтернет-конференция факультет экономики и экологического менеджмента
Санкт петербургского национального иследовательского университета информационных тенологий, механики и оптики

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconВладимир Яковлевич Родился 6 октября 1965 года в Ленинграде. Гражданство : Россия
Адрес: 191187, Санкт-Петербург, ул. Гагаринская, 3, Европейский Университет в Санкт-Петербурге

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconПрограмма 1-й день: Санкт-Петербург (Россия)
Санкт-Петербург, ул. Лизы Чайкиной, д. 10, тел: 7 (812) 232 83 33, факс: 7 (812) 498 08 89

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия icon190020 Россия, г. Санкт-Петербург, ул. Бумажная д. 17 оф. 256 Информация,...
Место нахождения эмитента: 190020 Россия, г. Санкт-Петербург, ул. Бумажная д. 17 оф. 256

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconПравительство Российской Федерации Санкт-Петербургский государственный...

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconПравительство Российской Федерации Санкт-Петербургский государственный...

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconПредседатель оргкомитета Региональной олимпиады для школьников по экономике
Организаторами олимпиады являются: Комитет по образованию Администрации Санкт-Петербурга, гоу «Санкт-Петербургский Городской дворец...

Ф. Н. Царев Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург, Россия iconПубличный отчёт государственного бюджетного общеобразовательного учреждения
Федерации город федерального значения – Санкт-Петербург, в лице исполнительного органа государственной власти Санкт-Петербурга администрации...



Школьные материалы
Загрузка...


При копировании материала укажите ссылку © 2018
контакты
top-bal.ru

Поиск