基因模組與關鍵調控參數用於廣義人工生命之研究｜國立臺灣科技大學博碩士論文系統

簡易檢索 / 詳目顯示

回結果列表

研究生：	曹民和 Min-he Tsau
論文名稱：	基因模組與關鍵調控參數用於廣義人工生命之研究 A Research of Gene Module and Key Manipulating Parameters Used in Generalized Artificial Life
指導教授：	高維文 Wei-wen Kao
口試委員:	張士行 Albert Chang 吳玉祥 Yu-shiang Wu
學位類別：	博士 Doctor
系所名稱：	工程學院 - 機械工程系 Department of Mechanical Engineering
論文出版年：	2008
畢業學年度：	97
語文別：	中文
論文頁數：	99
中文關鍵詞：	基因演算法、人工生命、廣義人工生命、基因模組
外文關鍵詞：	Genetic Algorithms, Artificial Life, Generalized Artificial Life, Gene Module
相關次數：	點閱：208 下載：4
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

人工生命智慧近幾年發展迅速，而人工生命的研究方法，與傳統科學的研究方法，有很大的不同點。傳統科學不論是自然科學或社會科學，通常由一個或數個案例的歸納觀察(有時只是理論推導或臆測)，提出一個事件發生的通則，並且往往將這個通則對映到某數學模型，在使用更多案例證明這個模型的適用性之後，便可衍繹到大量類似的案例去使用，達到可以預測未發生事件的效果。
人工生命的研究方法，比起傳統科學的研究方法有些相同，也有相當的不同之處。相同的是對案例的觀察仍然需要，不同的是人工生命建構虛擬電腦環境，使用基因與演化的模型與架構取代數學模型，經證明可行後再推廣到類似案例去應用。
本論文由人工生命的觀察開始，提出並定義「廣義人工生命」這個名詞，來擴大傳統人工生命的應用，並以「廣義人工生命」與「無心智慧」的理念，提出使用組織基因模組、程序基因模組、與關鍵調控參數等方法。以「基因模組」取代過去人工生命演化以「參數」作為基因的唯一型態，與使用無心智慧發展人工生命的方法，應該是更貼近自然生命的基因演化過程，有潛力發展出更複雜的人工生命，而關鍵調控參數可協助人工生命研究方法更有效使用資源，打開人工生命方法最佳設計研究之門。
本研究提出兩個實作案例，一個是處理股票市值預測，一個是解河內塔問題的廣義人工生命解題方法，來驗證我們的創新方法規劃。股票市值預測案例說明了組織基因模組的使用，河內塔問題的解題方法驗證了程序基因模組的有效使用與關鍵調控參數協助最佳設計之實現。
由於受限於研究規模，本研究沒有使用更多的案例來佐證我們的規劃，對人工生命模組化處理方式也有待進一步規範，但提出的「廣義人工生命」的創新概念，指出了一個新的研究領域，極富開發價值，而更多案例佐證，與更嚴謹的模組規格訂定，有待後續研究來完成。

Artificial Life(Alife) developes very fast these years. The methodology of Alife differs a lot from the methodology of traditional natural science or social science research. The process of traditional science research begins with close observations of several case study results (or sometimes only by mathematical deduction or surmise). Then a general rule, coinciding to a proper mathematical model, will be concluded. After its availability being proved through successful application to more other cases, this general rule will be accepted by the public.
Some part of of Alife methodology is the same as to that of traditional science, but some other part differs a lot. Both need close observation of special case studies. But the mathematical model of traditional science is replaced by a gene model or evolutional model in Alife study.
In this paper, through some elaborative case studies, we proposed the concept of "Generalized Artificial Life". Also we proposed innovative methodology of application of "Tissue Gene Module", “Process Gene Module” and "Key Manipulating Parameter". Here Key Manipulating Parameter paves the way for an optimal design of efficient usage of resources of implementation facilities. In addition , "Gene Module" is used to replace "Gene Parameter" which is the only style of gene in traditional Alife research. This evolutional process of "Gene Module" is more analogous to that of real life, and has the potential to develop more complicated Alife.
We submitted two successful case studies to verify the new methodology proposed in this paper. One is related to the prediction of stock market. The other is a general solution to the Tower of Hanoi problem. Tissue Gene Module was used in the case study of stock market prediction. Process Gene Module and Key Manipulating Parameter were used in the general solution to the Tower of Hanoi problem.
Due to resource limitation, we did not apply our method to more case studies. However, we believe the proposed "Generalized Artificial Life" methodology is useful and points out a new direction of Alife research. Further related works such as more case studies, and precise establishment of module of our method shall be left to later studies.

目  錄
中文摘要 ……………………………………………………………… IV
英文摘要………………………………………………………………… V
誌謝 …………………………………………………………………… VI
目錄 ………………………………………………………………… VIII
表圖目錄 ……………………………………………………………… XI
公式目錄 …………………………………………………………… XIII
第一章 緒論 …………………………………………………………… 1
1.1 生命智慧發展背景…………………………………………… 1
1.1.1 甚麼是智慧 …………………………………………… 1
1.1.2 自然生命智慧的進化機制 …………………………… 2
1.1.3 人工智慧與人工生命智慧 …………………………… 3
1.1.4 人工生命智慧與自然生命智慧的相同與不同 ……… 3
1.1.5 人工生命智慧研究的限制、優勢與未來發展方向……4
1.2 研究動機與目標 ……………………………………………… 5
1.3 研究內容與方法……………………………………………… 6
第二章 文獻回顧……………………………………………………… 10
2.1 細胞自動機 ………………………………………………… 11
2.2 群體智慧 …………………………………………………… 12
2.2.1 螞蟻演算法…………………………………………… 12
2.2.2 粒子群最佳化 ……………………………………… 13
2.3 廣義人工生命與可拓學 …………………………………… 13
2.4 廣義人工生命與代理人系統 ……………………………… 16
2.5 廣義人工生命與學習分類器系統 ………………………… 17
2.6 廣義人工生命定義 ………………………………………… 21
第三章 廣義人工生命架構規劃 …………………………………… 23
3.1 廣義人工生命模組化架構 ………………………………… 23
3.2 無心智慧 …………………………………………………… 24
3.3 演化模組的使用 …………………………………………… 25
3.4 輸入資料處理與建模 ……………………………………… 25
3.4.1 時間依存問題輸入資料處理與建模 ……………… 26
3.4.2 非時間依存問題輸入資料處理與建模 …………… 29
    3.5 物種演化分類 ……………………………………………… 29
 3.6 操控平台規劃 ……………………………………………… 30
3.7 廣義人工生命應用到特例的程序 ………………………… 30
第四章 基因模組規劃與關鍵調控參數設計………………………… 32
    4.1 時間與非時間依存環境問題 ……………………………… 32
    4.2 基因模組規劃 ……………………………………………… 33
        4.2.1 組織基因模組 ……………………………………… 34
        4.2.2 程序基因模組 ……………………………………… 36
    4.3 關鍵調控參數設計 ………………………………………… 37
第五章 案例研究1：一個應用廣義的人工生命架構股票預測問題 40
5.1 使用廣義人工生命流程分析 ……………………………… 40
    	5.1.1 生命誕生  …………………………………………… 40
       5.1.2 基底細胞生命演化…………………………………… 41
5.1.3 以基底細胞構成之基因建立與存檔………………… 42
5.2 解時間依存問題架構設計………………………………… 42
   		5.2.1 時間依存問題演算時間產生的影響………………… 43
       5.2.2 解決時間問題限制的對策 ………………………… 43
       5.2.3 股票收盤價預測案例對時間加權處理的方式……… 43
5.3 人工生命組織的使用 ……………………………………… 44
   		5.3.1 人工生命組織的形成………………………………… 44
       5.3.2 以實作案例說明  …………………………………… 44
       5.3.3 組織之細胞基因參數存檔與取檔 ………………… 45
5.4 股票收盤價預測實作 ……………………………………… 46
       5.4.1 廣義人工生命架構操控平台 ……………………… 46
       5.4.2 組織形成與自動演化  ……………………………… 49
       5.4.3 實作說明  …………………………………………… 50
       5.4.4 股票收盤價預測結果討論  ………………………… 51
5.5 與其它股市預測方法之比較 ……………………………… 55
       5.5.1 單變量模糊時間序列模式(模式一) ……………… 56
5.5.2 類神經網路雙變量模糊時間序列模式(模式二)…… 57
5.5.3 類神經網路雙變量時間序列模式(模式三)………… 58
5.5.4 綜合模式(模式四)…………………………………… 58
5.5.5 與本章研究結果之比較 …………………………… 58
5.6 後續發展 …………………………………………………… 61
第六章  案例研究2：一個無心智慧方法解河內塔問題 ………… 62
6.1 無心智慧應用分析 ………………………………………… 62
6.1.1 封閉環境與開放環境  ……………………………… 62
6.1.2 關鍵調控參數………………………………………… 62
       6.1.3 適應複雜度與時間複雜度 ………………………… 63
       6.1.4 貢獻函數……………………………………………… 63
       6.1.5 最佳化設計…………………………………………… 64
6.2 無心智慧解河內塔問題解題架構設計 …………………… 64
       6.2.1 何謂河內塔問題……………………………………… 64
       6.2.2 應用無心智慧程序…………………………………… 65
       6.2.3 這是一個封閉環境還是開放環境問題……………… 65
       6.2.4 如何量測適應度……………………………………… 65
       6.2.5 物種與基因演化模型建立…………………………… 66
       6.2.6 有那些關鍵調控參數可以使用……………………… 66
6.3 河內塔問題貢獻函數取得 ………………………………… 66
6.3.1 適應複雜度演算公式………………………………… 67
6.3.2 取樣關鍵調控參數d貢獻函數之取得……………… 68
      	6.3.3 人為關鍵調控參數Md貢獻函數之取得 …………… 70
      	6.3.4 基因規劃與採用……………………………………… 71
      	6.3.5 基因演化關鍵調控參數Gd貢獻函數之取得 ……… 72
       6.3.6 無心人工智慧調控平台……………………………… 74
6.4 實驗結果應用、分析與討論 ……………………………… 77
6.5 與其他求解四塔位河內塔問題研究結果之比較 ………… 79
6.5.1 Frame-Stewart演算法 ……………………………… 79
6.5.2 局部驗證Frame-Stewart演算法案例……………… 79
6.5.3 與本章研究結果之比較……………………………… 81
第七章 結論 ………………………………………………………… 82
參考文獻 ……………………………………………………………… 83
附錄 …………………………………………………………………… 85
作者履歷 ……………………………………………………………… 95
發表論文與著作目錄 ………………………………………………… 98

表圖目錄
表圖編號           名   稱                             頁次
圖1.1 演化策略求解方式 ……………………………………………6
圖1.2 演化程式設計求解方式 ………………………………………7
圖1.3 基因演算法求解方式 …………………………………………7
圖2.1 二維細胞自動機產生之圖樣 ……………………………… 11
圖2.2 XCS流程圖 ………………………………………………… 18
圖2.3 分類器誤差κ的求解圖示………………………………… 19
圖3.1 廣義人工生命模組化架構圖 ……………………………… 24
表3.1 置於Excel中原始資料 …………………………………… 26
圖3.2 時間依存問題輸入資料處理建模流程 …………………… 28
圖3.3 廣義人工生命特例使用流程………………………………… 31
表4.1 時間依存與非時間依存問題的比較 ……………………… 32
圖4.1 非時間與時間依存問題求解流程 ………………………… 33
圖4.2 基因模組處理流程 ………………………………………… 35
圖4.3 關鍵調控參數處理流程 …………………………………… 38
圖5.1 廣義人工生命解題流程 …………………………………… 40
圖5.2 資料輸入轉換監控畫面 …………………………………… 47
圖5.3 建模與組織產生 …………………………………………… 47
圖5.4 手動基因演化顯示與基因組存取操控 …………………… 48
圖5.5 基底與時間加權組織演化設定與獲利顯示 ……………… 48
圖5.6 組織個別自動演化與所有組織全自動演化 ……………… 49
圖5.7 學習日3天7種不同組織5次演化10日平均獲利總和 … 52
圖5.8 學習日5天7種不同組織5次演化10日平均獲利總和 … 53
圖5.9 學習日7天7種不同組織5次演化10日平均獲利總和 … 54
圖5.10 學習日9天7種不同組織5次演化10日平均獲利總和 … 55
圖5.11 類神經網路模型圖 ………………………………………… 57
表5.1 類神經網路模型設定………………………………………… 58
表5.2 連續22筆股價預測資料 …………………………………… 59
表5.3 計算10日獲利總和 ………………………………………… 59
圖5.12 兩種方法10日獲利比較圖………………………………… 60
圖6.1 河內塔問題…………………………………………………… 64
圖6.2 求適應度實驗………………………………………………… 67
圖6.3 物種數d 之log值與成長率k之關係……………………… 70
圖6.4 物種數Gd之log值與成長率k之關係………………………73
圖6.5 無心人工智慧調控平台(1) ………………………………… 75
圖6.6 無心人工智慧調控平台(2) ………………………………… 76
圖6.7 無心人工智慧調控平台(3) ………………………………… 76
圖6.8 n=3至12基因搬運結果………………………………………78
圖6.9 河內塔問題四塔位10圓盤絕對最佳解………………………80
圖6.10 四塔位10圓盤絕對最佳解之k值……………………………80

公式目錄
公式編號                                              頁 次
(1) ……………………………………………………………… 41
(2) ……………………………………………………………… 42
(3) ……………………………………………………………… 43
(4) ……………………………………………………………… 68
(5) ……………………………………………………………… 69
(6) ……………………………………………………………… 70
(7) ……………………………………………………………… 70
(8) ……………………………………………………………… 73
(9) ……………………………………………………………… 74
(10)……………………………………………………………… 74

                                

[1] Claude E ,Shannon, "A Mathematical Theory of Communication.", Bell System Technical Journal 27 (July and October 1948): 379-423 (Part I), 623-656 (Part II).
[2] Jordan B. Pollack,"Mindless Intelligence",IEEE INTELLIGENT SYSTEMS, MAY/JUNE ,50-56,2006
[3] Buck, T. et al.,"Handbook of Evolutionary Computation", Oxford University Press, NewYork,1997
[4] C. G. Langton (1989),"Artificial life", in Artificial Life, SFI Studies in the Sciences of Complexity, vol. VI, edited by C. G. Langton, Addison-Wesley
[5] J. D. Farmer & A. A. Belin (1991),"Artificial Life: The Coming Evolution", in Artificial Life II, SFI Studies in the Sciences of Complexity, vol. X, edited by C. G. Langton, C. E. Taylor, J. D. Farmer, S. Rasmussen, Addison-Wesley
[6] J. C. Heudin,"Artificial life and evolutionary computing in machine perception", Computer Architectures for Machine Perception, 1995. Proceedings. CAMP '95 , 18-20 Sept. 1995 Pages:418 – 428
[7] http://www.maa.org/editorial/mathgames/sierpinski.gif
[8] G. Beni & J. Wang,"Swarm Intelligence in Cellular Robotic Systems", Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989)
[9] M. Dorigo & V. Maniezzo & A. Colornj,"the ant system:Optimization by a colony of cooperating agent", IEEE Transactions on Systems,Man,ad cybernetics-Part B,Vol26-1,PP.29-41.
[10] J. Kennedy & R. C. Eberhart & Yuhui Shi,"Swarm Intelligence", The Academic Press / Morgan Kaufmann book,2001
[11] 蔡文,"可拓集合和不相容問題",科學探索學報,1983(1),83-97
[12]蔡文,可拓论及其应用, "科學通報(Chinese Science Bulletin)",1999年
7期
[13] 張玉祥, "可拓集合與物元變換的哲學思考",系統工程理論與實踐,1998年1月第一期,113-115
[14] D. Goldberg, "Genetic Algorithms in Search, Optimizagion and Machine Learning", Addison-Wesley, Reading, MA, 1989
[15] 蔡文,楊春燕,林偉初, "可拓工程方法",北京:科學出版社,1997
[16] 蔡文,孫弘安,楊益民,"從物元分析到可拓學",北京:科學技術文獻出版社,1995
[17] 蔡文,"物元模型及其應用",北京:科學技術文獻出版社,1994
[18] 蔡文, "轉換橋和經濟問題",技術經濟和數量經濟研究,1991,12:19~22
[19] 左靜,龔紹東,左寧, "限域蘊含系統及其在企業診斷、策劃中的應用",系統工程理論與實踐,1998年2月,87-94
[20] Wooldridge, M. J. & Jennings, N. R. (1995), "Intelligent agents: Theory and practice", Knowledge Engineering Review, 10(2), pp. 115-152.
[21] Stewart W. Wilson. "Classifier Fitness Based on Accuracy. "
Evo/uriorrary Coniputariorr, 3(2): 149-175, 1995.
http://prediction-dynamics.com/.
[22] J. H. Holland, "Adaptation", In: Progress in Theoretical Biology IV,
eds. R. Rosen and F. Snell. Academic Press, 1976.pp. 263-293.
[23] M. V. Butz, T. Lanzi, P. L. Lanzi, S. W. Wilson, "Toward a Theory of Generalization and Learning in XCS",Evolutionary Computation,IEEE Transaction on,Volume:8,Issue:1,F Pages:28-46
[24] http://www.swarm.org/
[25] http://ascape.sourceforge.net/
[26] http://repast.sourceforge.net/
[27] 林鈺芳, "雙變量模糊時間序列股價預測", 逢甲大學企業管理研究所碩士論文,94年6月
[28] S. M. Chen, "Forecasting enrollments based on fuzzy time series", Fuzzy
Sets and Systems, 81(3), 311-319,1996
[29] S. C. Blank, "Chaos in Future Markets? A Nonlinear Dynamical Analysis",
Journal of Future Markets, 11(6), 711-728,1991
[30] W. Brock, & J. Lakonishok, & B. LeBaron, "Simple Technical Trading
Rules and the Stochastic Properties of Stock Returns", Journal of Finance,
47, 1731-1764,1992
[31] B. Houston, H. Masum, "Explorations in 4-peg Tower of Hanoi",Carleton University Technical Report TR- 04-10, November 2004

簡易檢索 / 詳目顯示

相關論文