DOI: https://doi.org/10.20535/2523-4455.2017.22.6.105199

Застосування генетичного алгоритму для агентного моделювання поведінки об’єктів при виході з палаючої кімнати

Yaroslaw Yuriiovychych Dorogyy, Vasyl V Tsurkan, Anton S Dembitskyi

Анотація


В статті розглянуте питання реалізації генетичного алгоритму для навчання й оптимізації нейронної мережі та її застосування для задач агентного моделювання людської поведінки. Запропоновано систему, що здійснює навчання агентів за допомогою підбору найефективніших стратегій поведінки з наявного набору стратегій із застосуванням генетичного алгоритму. В роботі висвітлено детальну розробку одного з таких модулів поведінки агента на основі нейронної мережі, що, будучи навченим, достатньо допомагає агентові орієнтуватися в середовищі. Описано побудову середовища для такого навчання та представлено результати навчання при різних конфігураціях середовища. Головною метою та застосуванням такого підходу є використання навчених агентів для розробки системи моделювання поведінки натовпу під час пожежі.

Бібл. 11, рис. 6, табл. 4.


Ключові слова


нейронні мережі; генетичний алгоритм; навчання без учителя; агентне моделювання; навчання нейронних мереж; геном

Повний текст:

PDF

Посилання


J. Tu and R. Honsales, Printsipyi raspoznavaniya obrazov [Principles of recognition of patterns]. Moskow: Mir, 1978.

I. S. Svetunkov and S. H. Svetunkov, Metodyi sotsialno-ekonomicheskogo prognozirovaniya: Uchebnik dlya vuzov., t. I [Methods of socio-economic prognostication : Textbook for institutions of higher learning., vol. I]. St. Peterburg: StPbGUEF, 2009.

S. A. Aivazian, V. M. Bukhshtaber, I. S. Eniukov, and L. D. Meshalkin, Prikladnaya statistika: Klassifikatsii i snizhenie razmernosti [Applied statistics: Classifications and decline of dimension]. Moskow: Finansy i statistika, 1989.

P. Dynamics, “Airports,” INCONTROL Simulation Solutions. [Online]. Available: http://www.pedestrian-dynamics.com/crowd-management/airport-crowd-simulation.html.

M. Gardner, “The fantastic combinations of John Conway’s new solitaire game ‘life,’” Sci. Am., vol. 223, no. 4, pp. 120–123, 1970.

Y. Lahodiuk, “Evolyutsiya agentov upravlyaemyih neyronnoy setyu [Evolution of agents guided by a neural network],” Habrahabr, 2013. [Online]. Available: https://habrahabr.ru/post/168067/.

foo52ru, Iskusstvennaya zhizn. Geneticheskiy algoritm v2.0. Pervyie probyi [Artificial life. Genetic algorithm of v2.0. First tests]. 2016. Available: https://www.youtube.com/watch?v=nlDsMYIbqMM

“EXODUS Demo software,” FIRE SAFETY ENGINEERING GROUP. [Online]. Available: http://fseg.gre.ac.uk/exodus/exodus_registered_visitors.html.

Ya. Yu. Dorohyi, O. O. Doroha-Ivaniuk, and D. A. Ferens, “Realizatsiia alhorytmu strukturnoii optimizatsii neironnoi merezhi [Implementation of neural network structural optimization algorithm],” Visnyk NTUU KPI Informatics, Oper. Comput. Sci., no. 63, pp. 101–106, 2015.

R. L. Haupt and S. E. Haupt, Practical Genetic Algorithms, 2nd ed. Wiley-Interscience, 2004. ISBN: 978-0471455653

M. Obitko, “XI. Crossover and Mutation,” Introduction to Genetic Algorithms, 1998. [Online]. Available: http://www.obitko.com/tutorials/genetic-algorithms/crossover-mutation.php.




Copyright (c) 2017 Дорогий Я. Ю., Цуркан В. В., Дембіцький А. С.

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.

ISSN: 2523-4447
e-ISSN: 2523-4455