Для реализации моделей воспользуемся языком программирования C++, а нейронную сеть будем реализовывать с помощью Encog Machine Learning Framework и библиотекой FANN (Fast Artificial Neural Network - “быстрая нейронная сеть”). Данные средства вполне гибкие, быстрые в реализации и просты в использовании. Одна модель будет обладать возможностью анализа всего окружающего пространства. Другая будет иметь функцию "размножения", с целью сохранения цепочки последовательностей.

Функция DoLive () - главная функция, вокруг которой построено функционирование системы. Данная функция состоит из следующих жизненных этапов объекта (методов):

RefreshSensors - обновление данных сенсоров ("как бы осмотреться вокруг");

Move - движение, перемещение в пространстве;

SaveToMemory - обновление памяти, с последующим запоминанием текущего состояния окружения;

Train - анализ памяти (обучение);

Compute - принятие решения о положении объекта на основе опыта и информации о ближайших объектах

Output - движение объекта на основе принятых решений.

Объектам подаётся минимум информации. Т.е. только информация об окружающем мире.

Нейронная сеть состоит из слоёв: Первый слой - "рецепторы" или нейроны входных данных. Последний слой - нейроны выходных данных. Все остальные слои - скрытые.

Все модели будут обладать одинаковым основным набором функций. Ниже приведен программный, опуская сложные части реализации. (полный код см. Приложение А)

Реализация нейронной сети имеет следующий вид.

for (int i = 0; i <n; i++) {

float tmp, sumator=0;

for (int j = 0; j < m; j++) {

tmp = (weight [i] [j] * inputs [i]); // аксон

sumator += tmp;

}

output. push_back (sumator);

}

В данном фрагменте кода описывается процесс создания входных импульсов на нейроны. Умножается вес связи между двумя нейронами на значение входа. После чего данное произведение складывается с переменного сумматора. Конечная сумма помещается в вектор значений выходов. Если нейрон был скрытого слоя, то в дальнейшем элементы этого вектора складываются и пропускаются через активационную функцию.

Ниже приведен код главной функции DoLive

public void DoLive () {

RefreshSensors (); // осмотреться

Move (); // do step

step++;

В данной части кода происходит следующие: наш объект первым делом обновляет данные сенсоров, т.е. осматривает окружающую обстановку. Совершает движение. Увеличивает значение шага step на единицу (это значение нам понадобиться для дальнейшего обучения всех потомков.

if (step>stepmax) {

int maxstep = sL + sR + sB + sT;

step = null;

SaveToMemory ();

Train ();

}

В данной части функции проверяется условие: если "шаг, выполненный объектом, больше максимального шага, сделанного родителем или самим объектом до этого", то выполняется ряд команд. Под шагом подразумевается не перемещение объекта, а выполненное действие. Вычисляется и округляется максимальное значение шага объекта с сенсоров. Значение текущего шага обнуляется. Текущее состояние окружения запоминается и обновляется в памяти. Память анализируется, и система обучается на предмет дальнейших действий в похожей ситуации.

В дальнейшем нужно чтобы объект принял решение и совершил действие, поэтому с помощью функции Compute принятое решение передаётся на вход "двигателем" и даёт команду на дальнейшее действие.

double output [4] = network.compute (states []);

if (output [0] > pL) { pL += 0.001; } else { pL - = 0.001; }

if (output [1] > pR) { pR += 0.001; } else { pR - = 0.001; }

if (output [2] > pB) { pB += 0.001; } else { pB - = 0.001; }

if (output [3] > pT) { pT += 0.001; } else { pT - = 0.001; }

}

Выше описано самое простое поведение нашего моделируемого объекта, а именно наш объект пока умеет только анализировать окружение, ходить, принимать решения и запоминать. Но этого недостаточно, и принятые решения имеют слабую целесообразность.

Добавим объекту стимул "быть самым сильным", тем самым, заставив объекты охотится друг на друга. Это добавит нашей модели более осмысленные действия.

Важную роль в модели играют цели поведения нашего моделируемого объекта.

Создадим метод getAction, который принимает на вход значения силы текущего объекта и его соседа. Данный метод сравнивает эти значения, и отвечать за предпринимаемое действие объекта.

String getAction (double &live, double &nearlive) {

If (live > nearlive) return “Attack”

}

Здесь же появляется проблема. Было выведено ранее что, для того чтобы принятые решения объекта имели хоть какую-то целесообразность нам недостаточно чтобы объекты только атаковали друг друга.

a) б)

Рис.2.13 - Объект без стимула к самосохранению.

"Камикадзе" объекты не несут смысла, поскольку в таком случае могут возникнуть не разрешаемые ситуации и, тем более, инстинкт самосохранения присущ всем живым организмам. Поэтому добавим в наше условие поправку, что если сила соседа больше, то "стараться держаться на расстоянии" от него.

If (live > nearlive) return “attack”

Else return “run”

Проектируемый объект теперь вполне жизнеспособный, и его действия имеют целесообразность и адаптируется к условиям окружения, но реагирует он только на объекты, которые являются "соседями". Реализуем первую модель, которая анализирует полное пространство окружения. Поэтому изменим метод refreshSense так, чтобы моделируемый объект воспринимал не только "соседей", а всё поле.

foreach (Life life in World) {

if (life. id! = this. id) {

getAction (life. id. power, this. id. power)

}

Цикл foreach, позволяет перебрать все живые объекты в окружении и с помощью метода getAction принять более продуманное решение.

Рис. 2.14 - Объект воспринимает не только "соседей"

На рисунке 2.13 показано, что объекты в центре не атакуют друг друга, поскольку могут стать жертвами объектов по краям.

Реализуем вторую модель, обладающую функцией размножения.

Почему же именно размножения?

Функция размножения позволит добиться больших возможностей адаптации объекта, так как потомок несёт уже полученную ранее родителем информацию, что позволит её развивать без потери в случае смерти родителя.

Для этого добавим в наш код метод Mutation (мутация).

List<double> Mutation (List<double> gen) {

List<double> newgen = new List<double> ();

foreach (var g in gen) {

newgen. push (g);

}

return newgen;

}

В данном методе описывается процесс сохранения "набора генов" или "процесс генетического наследования удачных генов родителя потомком". Т.е. процесс размножения является своеобразной "контрольной точкой" нашего объекта. Он создаёт точную копию себя и передаёт ему накопленные знания.

Мутация считается наиболее приемлемым способом настройки весовых коэффициентов нейронных сетей.

а) б)

Рис.2.15 - Функция размножения

Рассмотрим реализацию каждой функции моделируемого объекта.

Ниже приведен код функции RefreshSensors

Void RefreshSensors (float sensors []) {

foreach (auto i in sensors) {

sensors [i] = 0;

}

foreach (Life life in World) {

if (life. id! = this. id) {

getAction (life. id. power, this. id. power)

}

}

Функция refreshSensors, как говорилось выше, отвечает за обновление за обновление датчиков и реакцию объекта на окружение, т.е. наш объект как бы "осматривается".

Данная функция представляет следующий набор действий:

1. Получаемый массив значений с сенсоров обнуляется, тем самым мы сбрасываем их значения.

2. "Осматриваемся", выполняем уже знакомый нам выше метод реакции на окружающие объекты.

Код функции Move имеет вид:

void Move (float truster [], float signal) {

foreach (auto i in truster) {

if (i == signal)

truster [i] +=0.01

}

}

Данная функция отвечает за перемещение объекта в пространстве, в основе её лежит принцип увеличения значения "двигателя", если его индекс совпадает с входным сигналом. Для демонстрации движения, за объектом оставляем небольшой след (шлейф).

Рис. 2.16 - Движение объекта

Ниже представлен код функции SaveToMemory

Void SaveToMemory (void &sensors, void &trusters) {

memory->addSensors (sensors);

memory->addTrusters (trusters);

}

Данная функция отвечает за сохранение значений сенсоров и "двигателей" в памяти (в качестве памяти у нас выступает файл с расширением. txt).

Функция Train.

В основе данной функции лежит обработка весов нейронной сети, которая описывалась выше.

3. Практическое применение и тестирование разработанных моделей адаптивного поведения искусственного объекта

3.1 Практическое применение разработанных моделей