Teoria e metodologia del movimento umano. (Prof.ssa E. Bilotta) A.A. 2013/2014

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Teoria e metodologia del movimento umano. (Prof.ssa E. Bilotta) A.A. 2013/2014"

Aloisia Lazzari
7 anni fa
Visualizzazioni

1 Teoria e metodologia del movimento umano (Prof.ssa E. Bilotta) A.A. 2013/2014 Alessandra Oliverio matricola

ESPERIMENTO 1 Fase I: Costruzione del robot Innanzitutto nella sezione Corpo e cervello definisco il corpo del mio robot.

2 Report Indirizzo Primaria) Ipotesi di lavoro 1. La funzione di fitness varia in base al numero di neuroni presenti nella rete neurale di un individuo. ESPERIMENTO 1 Fase I: Costruzione del robot Innanzitutto nella sezione Corpo e cervello definisco il corpo del mio robot. Al robot scelto aggiungo un unità nascosta, ovvero un neurone interno che si occupa dell elaborazione interna delle informazioni. FASE II: Nella sezione Modalità di addestramento modifico due parametri, ovvero imposto il numero di generazioni a 150 e la lunghezza della vita a 100.

3 FASE III: Nella sezione Ambiente aggiungo un solo cilindro. Questo perché l importante è che il robot sappia discriminare tra un muro ed un oggetto cilindrico, quindi non è importante aggiungere più cilindri. Così facendo cerco di mantenere il risultato finale il più attendibile possibile.. FASE IV: Salvo il progetto con il nome Esperimento 1 FASE V: Avvio la fase di Addestramento. L esperimento mostra l evoluzione fino a 150 generazioni. I risultati dell evoluzione sono nel grafico qui allegato. Infine nel file Fitness, in formato excel, trovo i risultati della funzione di fitness che trascino in Blocco note. Qui dopo aver sostituito i punti con le virgole, riporto i dati su foglio Excel e creo il seguente grafico a Linee con indicatori.

4 ESPERIMENTO 2 Data l ipotesi, l unica variante nel secondo esperimento è costruire il robot con più neuroni interni. Le unità nascoste sono quattro, ben tre in più rispetto al primo robot. Salvo il robot con il nome Esperimento 2. Procedo nelle fasi successive come nel primo esperimento non modificando nessun altro parametro. Dall evoluzione si ottiene il grafico qui allegato. Infine nel file Fitness trovo i risultati della funzione di fitness che trascino in Blocco note. Qui dopo aver sostituito i punti con le virgole, riporto i dati su foglio Excel e creo il seguente grafico a Linee con indicatori. Dalla comparazione dei grafici si evince quanto segue: da un punto di vista generale i valori della funzione di fitness sono pressoché simili in entrambi gli esperimenti ma nello specifico risultano qualitativamente migliori nel secondo esperimento (robot con 4 unità nascoste). Infatti basta mettere a confronto il primo valore e vediamo che nel primo esperimento è pari a 10,77778 mentre nel secondo è 26, Inoltre comparando i grafici relativi alla fitness osserviamo che nel primo esperimento ci sono dei picchi elevati ma non costanti, invece nel secondo esperimento la misura della funzione di fitness ha meno picchi ma i valori sono costantemente buoni. Infatti nel primo caso il valore maggiore è 31,44444 mentre nel secondo è 30,44444, questo perché i valori nel primo caso sono irregolari con picchi e cali evidenti mentre nel secondo caso sono costanti e più regolari. Inoltre confrontando i grafici relativi all evoluzione, si osserva una evoluzione costante nel primo robot mentre nel secondo è meno regolare. Quindi possiamo interpretare a conclusione dei due esperimenti che un robot con più neuroni, ovvero con una rete neurale con un peso sinaptico maggiore, presenta un evolversi nelle generazioni. Questo grazie ad una fitness che parte già di per sé più elevata rispetto ad un caso in cui la rete neurale è minore. Quindi nel secondo esperimento gli individui nelle generazioni saranno sempre più forti poiché più adatti a sopravvivere nell ambiente in cui vivono.

5 ESPERIMENTO 3 Con il terzo esperimento verifico se nella funzione di fitness incide il livello di mutazione genetica. Quindi procedo come segue: - sezione Corpo e cervello: seleziono lo stesso robot del primo esperimento - sezione Modalità di addestramento: vario il parametro della mutazione genetica da basso ad alto e lascio invariati i parametri usati nel primo esperimento. - sezione Ambiente: non applico modifiche. Infine salvo il progetto e lo avvio. Il grafico dell evoluzione ottenuto è qui allegato. Confrontando i grafici della funzione di fitness Esperimento 1 ed Esperimento 3 notiamo un evidente calo dei valori in presenza di un alto livello di mutazione genetica in individui con numero di neuroni basso. Vediamo che il grafico Esperimento 3 presenta un andamento calante e costante dei valori a parte un isolato picco alla generazione n 94 con un valore di fitness di 30. Quindi in individui con una rete neurale poco ampia, in presenza di un alto livello di mutazione genetica, la funzione di fitness va a diminuire. Anche il grafico dell evoluzione mostra un andamento a calare mentre nel primo esperimento era più regolare.

6 ESPERIMENTO 4 Visti i risultati del precedente esperimento vado a verificare se ciò accade anche in robot con rete neurale ampia. L importanza della rete neurale ampia sta nel fatto che i neuroni artificiali si scambiano segnali tra di loro attraverso delle connessioni. Le connessioni amplificano o attenuano i segnali che le percorrono, maggiore è il loro numero migliore sarà il funzionamento della rete neurale artificiale. Quindi procedo come segue: - sezione Corpo e cervello: seleziono lo stesso robot del secondo esperimento - sezione Modalità di addestramento: vario il parametro della mutazione genetica da basso ad alto e lascio invariati i parametri usati nel primo esperimento. - sezione Ambiente: non applico modifiche. Infine salvo il progetto con il nome Esperimento 4 ed avvio l addestramento. Il grafico dell evoluzione ottenuto è qui allegato. Confrontando i grafici della funzione di fitness Esperimento 2 ed Esperimento 4 notiamo un evidente miglioramento della misura di fitness in presenza di un alto livello di mutazione genetica in individui con numero alto di neuroni. Vediamo che il grafico Esperimento 4 presenta un andamento crescente e costante dei valori con valori di fitness alti anche nei punti di calo. Quindi in individui con una rete neurale ampia, in presenza di un alto livello di mutazione genetica, la funzione di fitness va ad aumentare nel corso delle generazioni. Anche il grafico dell evoluzione mostra un andamento nettamente migliore rispetto al secondo esperimento. Quindi a parità di neuroni, nello stesso ambiente e con le stesse modalità di addestramento (a parte il livello di mutazione genetica), cambiando il livello di mutazione genetica da basso ad elevato si ottengono valori della funzione di fitness decisamente migliori. Questo perché un elevata mutazione genetica permette un mescolamento dei geni tale da ottenere più velocemente individui più adatti all ambiente. Gli individui che meglio si adattano, hanno più probabilità di riprodursi e di trasmettere i propri geni alle generazioni future.

7 ESPERIMENTO 5 Infine verifichiamo quanto un ambiente più complesso incide sulla misura della funzione di fitness. Quindi procedo come segue: - sezione Corpo e cervello: seleziono lo stesso robot del secondo esperimento - sezione Modalità di addestramento: uso gli stessi parametri usati nell esperimento quattro. - sezione Ambiente: modifico l ambiente aggiungendo due cilindri e tre muri. Infine salvo il progetto con il nome Esperimento 5 ed avvio l addestramento. Il grafico dell evoluzione ottenuto è qui allegato. Confrontando i risultati dei grafici Esperimento 2, Esperimento 4 ed Esperimento 5 si osserva un influenza dell ambiente sul robot a cui segue una capacità di adattamento durante le generazioni tale da mantenere un evoluzione costante, dimostrando che il robot ha una buona capacità di adattamento in ambienti più difficili.

Documenti analoghi

REPORT BRAIN FARM. MODALITA DI ADDESTRAMENTO in questa fase, si sono impostati diversi parametri: GENITORI:3 FIGLI:3 GENERAZIONI:100

REPORT BRAIN FARM. MODALITA DI ADDESTRAMENTO in questa fase, si sono impostati diversi parametri: GENITORI:3 FIGLI:3 GENERAZIONI:100 REPORT BRAIN FARM Federica Catanzariti 147 Consuelo Nicoletti 1621 Mariapaola Mercurio 1 Paola Ozimo 13 Maria Rosa Vardè 19 Lo scopo del nostro lavoro è quello di imparare a usare Brain Farm che ci permette