ВВЕДЕНИЕ 3
1. НЕЙРОЭВОЛЮЦИОННАЯ МОДЕЛЬ ОБУЧЕНИЯ НЕЙРОННОЙ
СЕТИ 5
1.1 Модели биологического и искусственных нейронов 5
1.2 Классификация искусственных нейронных сетей 11
1.3 Обучения искусственных нейронных сетей 15
2. МОДЕЛИРОВАНИЕ ДВУМЕРНЫХ РОБОТОВ И ВИРТУАЛЬНОЙ
СРЕДЫ СРЕДСТВАМИ ЯЗЫКА ПРОГРАММИРОВАНИЯ PYTHON 23
2.1 Компьютерное моделирование двумерных роботов 23
2.2 Использование редактора jupyter и библиотек pyglet, numpy, matplotlib 28
2.3 Моделирование взаимодействия физических объектов с помощью
библиотеки Box2D 37
3. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ДЛЯ
МОДЕЛИРОВАНИЯ И ВИЗУАЛИЗАЦИИ НЕЙРОЭВОЛЮЦИОННОГО ДВИЖЕНИЯ РОБОТОВ 43
3.1 Особенности установки и настройки программных компонентов 43
3.2 Программная реализация искусственной нейронной сети и алгоритма
обучения 45
3.3 Численные эксперимент и анализ нейроэволюционной модели движения ...47
ЗАКЛЮЧЕНИЕ 57
ЛИТЕРАТУРА 58
Мозг человека выполняет множество различных функций таких, как обработку сенсорной информации, поступающей от органов чувств, планирование, принятие решений, координацию, управление движениями, положительные и отрицательные эмоции, внимание, память. На принципах поведения человеческого мозга основаны все работы по искусственному интеллекту[1].
В настоящее время пишется множество статей по теме искусственного интеллекта, публикуются печатные издания книг, организуются
международные конференции, крупные компании инвестируют большие денежные средства в изучение и разработку проектов в этой области.
Использование искусственного интеллекта широко используется в разных областях человеческой жизни, например, в задачах по автоматизации процессов производства, распознавании речи, классификации и кластеризации
информации, в робототехнике. Сегодня роботы заменяют человека в образовании, медицине, науке и в других сферах деятельности. Отдельное внимание уделяется способам движения роботов, где в качестве мозгового центра управления используются искусственные нейронные сети. Движущегося робота можно представить как агента действующего в среде, при этом модель обучения агента, выполняющего действия в среде и получающего отклики от нее в виде вознаграждения, называют нейроэволюционной, а метод - обучение с подкреплением. Для изучения такой модели можно использовать упрощенных двумерных роботов как агентов в виртуальной среде с действующими физическими законами.[2]
Целью данной работы является исследование нейроэволюционной модели движения двумерных роботов.
Основными задачами данной работы являются:
1. Выбор искусственной нейронной сети, управляющей движением робота в двумерной среде;
2. Изучение возможности языка программирования Python для моделирования движения двумерного робота;
3. Разработка программного комплекса для обучения искусственной нейронной сети и визуализация движения двумерных роботов.
Разработка моделей роботов и виртуальная среда создаются с помощью программного комплекса, состоящего из языка программирования Python, графического редактора Jupyter, библиотек Numpy, matplotlib, pyglet и физического движка двумерной графики pybox2d.
Работа состоит из введения, трех глав и заключения.
В первой главе приводится теоретический материал: модели
биологического и искусственного нейрона, классификация по типам обучения, по структуре, по видам связей.
Во второй главе, с помощью языка программирования python моделируются двумерные роботы, приводится обзор используемых библиотек и описание программного комплекса для моделирования.
В третьей главе выполняется установка программного комплекса для моделирования, приводится реализация нейроэволюционной сети и алгоритма обучения, проводятся некоторые эксперименты. Материал из данной работы будет полезен людям, интересующимся в области нейронных сетей и машинного обучения для использования в своих работах и исследованиях.
В рамках данной работы была смоделирована нейроэволюционная модель движения двумерных роботов, реализованная с помощью искусственной нейронной сети и метода обучения с подкреплением. Проведены экспериментальные обучения 12 моделей роботов. Судя по экспериментам, можно сказать, что при больших значениях learning_rate обучение моделей роботов проходит довольно плохо. Наоборот, при малых значениях - модели обучаются намного лучше. Модели ex_4 и ex_6 показали очень плохие результаты при всех проведенных экспериментах. Модели ex_7_3 и ex_10 во время всех экспериментов, в среднем обучались намного лучше, чем остальные модели. Результаты экспериментов показали, что на способность к обучению очень сильно влияет learning_rate. Количество скрытых слоев влияет не существенно.
Были рассмотрены инструменты, с помощью которых можно реализовать виртуальную среду для обучения моделей роботов. Используемые в данной работе алгоритмы можно в дальнейшем применить и на настоящих (реальных) моделях роботов.
В ходе выполнения работы возникали некоторые технические трудности: Во время установки программного комплекса на компьютер с менее слабыми характеристиками вычислительной мощности, компьютер сильно перегревался. Было решено использовать другой компьютер, более производительный. Также при установке библиотеки pybox2d возникали сложности при компиляции исходного кода программы. Как выяснилось использовались не совместимые версии библиотеки pybox2d и python. Проблема была решена после установки python версии 3.4.
