Vergleich des GeLog-Systems mit anderen GLP-Systeme auf der Basis einer statistischen Auswertung

Student:Elena Bauer
Title:Vergleich des GeLog-Systems mit anderen GLP-Systeme auf der Basis einer statistischen Auswertung
Type:study thesis
Advisors:Kókai, G.
State:submitted on January 31, 2005
Prerequisits:

Das Ziel des GeLog-System ist, die Vorteile der Methoden der genetischen Algorithmen und induktiv

Topic:

Hintergrund:
Das Ziel des GeLog-System ist, die Vorteile der Methoden der genetischen Algorithmen und induktiv logischen Programmierung zu nutzen. Dieses System ist auch bei umfangreichen Problemstellungen noch effizient einsetzbar und sich sehr leicht auf das Erlernen von Zusammenhängen aus verschiedenen Aufgabenbereichen anpassen lässt. Mit dem automatischen Lernsystem Gelog können logische Programme erzeugt werden, die eine Lösung für eine gegebene Aufgabe darstellen. Die erlernten Programme liegen anschließend als Quelltext in der logischen Programmiersprache PROLOG vor und sind in dieser Form direkt ausführbar. Zur Formulierung der Aufgabenstellung werden aus der induktiv logischen Programmierung bekannte Komponenten verwendet. Anhand von Beispieldaten erlernt das System die logischen Zusammenhänge und formuliert diese mit Hilfe von Bausteinen aus dem Hintergrundwissen als PROLOG-Programm. Der eigentliche Lernvorgang basiert auf einem genetischen Algorithmus. Zu Beginn wird aus Elementen des Hintergrundwissens zufällig eine Menge von Programmen erzeugt, die eine sogenannte Population von Individuen bildet. Diese Individuen durchlaufen einen wiederkehrenden Evolutionszyklus, in dem Generation für Generation das Erbgut der Individuen weitergegeben, kombiniert und mutiert wird. Dabei wird der Lernfortschritt eines einzelnen Individuums mit Hilfe der Beispieldaten ermittelt und bestimmt die Eignung des Individuums. Daraus leitet sich die Wahrscheinlichkeit ab, mit der die Erbinformation eines Individuums in die nächste Generation weitergegeben wird. Um ein Programm an das Beispielwissen anzupassen, haben die Operatoren zur Rekombination und Mutation die gleichen Auswirkungen auf die Erbinformation wie die Generalisierungs- und Spezialisierungsmethoden der induktiv logischen Programmierung. Genetische Algorithmen sind in der Lage auch große Ergebnisräume auf effiziente Weise zu durchsuchen und die darin enthaltenen vielversprechenden Regionen ausfindig zu machen. Dies ist ein entscheidender Vorteil für die Bearbeitung umfangreicher und komplexer Problemstellungen. Die aus der induktiv logischen Programmierung stammenden Elemente Hintergrundwissen und Beispieldaten erlauben dabei eine einfache und flexible Anpassung des genetischen Algorithmus an die jeweilige Aufgabenstellung, ohne dass Eingriffe in das System selbst nötig sind. Durch eine universelle Datenrepräsentation und die vielseitigen Möglichkeiten den Evolutionsverlauf durch Parameter zu beeinflussen, kann eine Vielzahl verschiedener Problemstellungen bearbeitet werden.

Aufgabenstellung:
Die Aufgabe des Bearbeiters ist:

  • die bisherigen Systeme kennenzulernen,
  • Von diesen Systemen eine Zusammenfassung erstellen
  • Mit dem aus dem standart Machine-Learning-Database ausgewählte Beispielen die Systemen testen
  • Die Versuche müssen auf der 10-crossover Methode basieren
  • Die erzeugten Ergebnisse müssen interpretiert und dargestellt werden

Literatur:

  • Ralf Haselmann: Entwurf und Implementierung der Datenstruktur, der genetischen Operatoren und Erzeugung der initialen Generation eines ILP und GA kombinierenden Lernsystems Diplomarbeit, 2000, Lehrstuhl für Programmiersprachen, Friedrich-Alexander Universität Erlangen-Nürnberg
  • Knut Sander: Entwurf und Implementierung der Transformations-, Fitness- und Selektionmechanismen eines ILP und GA kombinierenden Lernsystems Diplomarbeit, 2000, Lehrstuhl für Programmiersprachen, Friedrich-Alexander Universität Erlangen-Nürnberg
  • Botta M., Giordana A.: SMART+: A Multi-Strategy Learning Tool, Proc of the IJCAI-93, 1993,
  • Hekanaho, J.: DOGMA: A GA-Based Relational Learner, TUCS Technical Report, 1997, Turku, Finland,
  • Lappoon R. Tang, Mary Elaine Califf, Raymond J. Mooney: An Experimental Comparison of Genetic Programming and Inductive Logic Programming on Learning Recursive List Functions TR AI98-271, Artificial Intelligence Lab, University of Texas at Austin, May 1998.
  • Whigham P.A., McKay R. I.: Genetic programming and inductive logic Technical Reports CS14/94, University College, University of New South Wales, 1994
  • Man Leung Wong, M.L., Leung K.S.: Genetic Logic Programming System: Inducing Logic Programs With Genetic Algorithms IEEE Expert/Intelligent Systems and Their Applications Vol. 10, No. 5, October 1995
watermark seal