목표
– EV3 로봇으로 유전자 학습 구현
– 가장 효율적으로 스윙을 구동하는 방법은 무엇입니까?
유전자 알고리즘이란 무엇입니까?
– 강화학습의 한 분야로 다윈의 적자생존이론에 기반한 전역 최적화 기법입니다.
그것은 자연 세계의 진화를 모방하는 다양한 계산을 수행하여 많은 가정에서 문제를 가장 잘 해결하거나 가장 적합한 솔루션을 선택하는 것을 목표로 합니다.
– 자연선택을 통한 생명의 진화를 이용하여 임의의 유전자 중에서 “좋은” 유전자를 선택하여 생존하도록 조정
– 여기서 중요한 점은 유전적 다양성을 보존하는 것입니다.
심지어 “나쁜” 유전자도 세대에 따라 약간의 변이를 허용하도록 남겨두어야 합니다!
알고리즘(순서도)
암호
#!
/usr/bin/env pybricks-micropython
from pybricks import ev3brick as brick
from pybricks.ev3devices import (Motor, TouchSensor, ColorSensor,
InfraredSensor, UltrasonicSensor, GyroSensor)
from pybricks.parameters import (Port, Stop, Direction, Button, Color,
SoundFile, ImageFile, Align)
from pybricks.tools import print, wait, StopWatch
from pybricks.robotics import DriveBase
# Write your program here
import random
import copy
# 포트 설정
Bmotor = Motor(Port.B)
Cmotor = Motor(Port.C)
Gsensor = GyroSensor(Port.S2)
Gsensor.reset_angle(0)
# 안될 시 각속도 값을 계산으로 각속도에 따라 가중치 부여 하는 알고리즘으로 변경
# 각속도 배열 선언
# 유전 단계에서 변이 70
# 유전시 각속도값이 양수면 0 음수 면 1로 유전
# 1과 0이 흔드는 속도에 따라 뭉치게 될 것이라 예상
# 세대에 따라 변이율 조정
# 최악으로 아예 세대별 확률로 값 설정하고 세대가 올라갈수록 확률을 늘려서 각속도에 맞춰 0 1 로
# 일정 확률로 움직이게 만들기.
gene = 1 # 세대 수
mutation = 10 # 돌연변이 확률
objects = 10 # 개체 수
datas = 10 # 개체 별 데이터 수
checktime = 20 # 자이로 체크 주기
point = (0 for col in range(objects)) # 점수표
select = (0,0) # 우성 개체
# 개체 별 데이터 초기화
sets = ((0 for col in range(datas)) for row in range(objects))
new_sets = ((0 for col in range(datas)) for row in range(objects))
# 개체 별 랜덤 데이터
for i in range(objects):
for j in range(datas):
sets(i)(j) = random.randint(0,1)
# 유전 학습 시작
while True:
# 체킹 시스템
for i in range(objects):
maxG = 0
minG = 0
for j in range(datas):
state = sets(i)(j)
Bmotor.track_target(((state - 0.5) * 140) + 15)
Cmotor.track_target(((state - 0.5) * 140) + 15)
for t in range(checktime):
angle = Gsensor.angle()
maxG = max(maxG, angle)
minG = min(minG, angle)
wait(10)
point(i) = maxG - minG
Gsensor.reset_angle(0)
#점수 체크
print(gene,"Gen : ", point)
print(gene,"Gen sets:")
for i in range(objects):
print(sets(i))
brick.display.text(str(gene) + "Gen : ")
brick.display.text("(" + str(point(0)) + "," + str(point(1)) + "," + str(point(2)) + "," + str(point(3)) + "," + str(point(4)) + ")")
brick.display.text("(" + str(point(5)) + "," + str(point(6)) + "," + str(point(7)) + "," + str(point(8)) + "," + str(point(9)) + ")")
#좋은 세대 탈출
check = False
for i in range(objects):
if point(i) > 200:
check = True
break
if check:
break
#우성
point_check = copy.deepcopy(point)
point_check.sort(reverse=True)
for i in range(2):
for j in range(objects):
if point_check(i) == point(j):
select(i) = j
break
#다음세대 제작
for i in range(objects) :
for j in range(datas) :
if random.randint(0, 100) < mutation:
new_sets(i)(j) = random.randint(0,1)
else:
new_sets(i)(j) = sets(select(random.randint(0,1)))(j)
#복사 및 다음 세대
sets = copy.deepcopy(new_sets)
gene += 1
#최대 세대수
if gene > 1000:
break
#마무리 세대 및 결과값 출력
brick.display.text(str(gene) + "Gen : ")
brick.display.text("(" + str(point(0)) + "," + str(point(1)) + "," + str(point(2)) + "," + str(point(3)) + "," + str(point(4)) + ")")
brick.display.text("(" + str(point(5)) + "," + str(point(6)) + "," + str(point(7)) + "," + str(point(8)) + "," + str(point(9)) + ")")
print(gene,"Gen point : ", point)
print(gene,"Gen sets:")
for i in range(objects):
print(sets(i))
print(point, "done")
while True:
# 완성된 그네 반복
for i in range(2):
for j in range(datas):
state = sets(select(i))(j)
Bmotor.track_target(((state - 0.5) * 140) + 15)
Cmotor.track_target(((state - 0.5) * 140) + 15)
wait(checktime * 10)
결과
