Искуственный интелект на базе нейронной сети, реализующей перемещение модели сложного объекта в пространстве

Немчинова Елена Андреевна

Искуственный интелект на базе нейронной сети, реализующей перемещение модели сложного объекта в пространстве

Бакалаврская работа

Информатика

Дипломы

Вуз: Мордовский государственный университет имени Н.П. Огарева

ID: 5bbb117c7966e104f1dd9ecf

UUID: db8c6220-acff-0136-cd93-525400005860

Язык: Русский

Опубликовано: больше 5 лет назад

Просмотры: 11

Немчинова Елена Андреевна

Источник: федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский Мордовский государственный университет им. Н. П. Огарёва"

Комментировать 0

Рецензировать 0

Скачать - 5,3 МБ

Поделиться работой

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 0 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 1 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 2 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 3 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 4 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 5 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Содержание Введение……………………………………………………………………………...8 1 Основные положения теории нейронных сетей………………………………..10 1.1 Строение и основные принципы функционирования нервной системы…...10 1.2 Искусственный нейрон и искусственные нейронные сети…………....….…11 1.3 Основные принципы обучения искусственных нейронных сетей………….17 2 Разработка модели сложного объекта………………….…………………….....19 2.1 Понятие модели объекта………………….…………………………………....19 2.2 Способы организации движения модели……………………………………..20 2.2.1 Неупругие перемещения конечностей………….……………………….….21 2.2.2 Упругие перемещения конечностей……………………………….…..…....22 2.3 Особенности применения нейронной сети…………………………………...23 3 Разработка искусственной нейронной сети………………………………...…..27 3.1 Постановка задачи ……………………………………………………………..27 Взам. инв. № Инв. № дубл. Подп. и дата 3.2 Архитектура искусственной нейронной сети………………….………….….27 3.3 Выбор среды разработки…………………………………………….……..…..30 3.4 Система классов искусственной нейронной сети и модели объекта….…....31 3.5 Алгоритм обучения…………………………………………………………….37 4 Реализация приложения для моделирования процесса перемещения сложного объекта в пространстве…………………………………………………………….43 4.1 Общая информация и цели использования……………………………….…..43 4.2 Архитектура приложения………………………………………………….......43 4.3 Функциональные возможности приложения……………………….……..….45 5 Анализ результатов……………………………………………………………....55 Инв.№ подл. Подп. и дата 5.1 Условия и критерии проведения экспериментов ……………………………55 5.2 Сравнение эффективности обучения искусственных нейронных сетей с различным количеством нейронов в скрытом слое……………………………...56 Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 6

5.3 Сравнение эффективности обучения искусственных нейронных сетей с различными комбинациями параметров вознаграждения………………….……57 5.4 Эффективность работы нейронных сетей, управляющих различными миделями объектов…………………………………………………………………58 Заключение……………………………………………………………………….…62 Список использованных источников……………………………………………...63 Приложение А – Программный код………………………..……...……………...64 Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата Приложение Б – Графический материал………………………..…………….…..93 Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 7

Введение Искусственный интеллект является одним из передовых направлений современной науки. Достижения данной дисциплины захватывают все сферы человеческой деятельности. Основная цель изучения искусственного интеллекта ― научить машины думать подобно тому, как это делает человеческий мозг. Нейронные сети решают широкий круг задач, каждая из которых непосредственно связана с обучением. К основным областям применения нейронных сетей относят распознавание образов и их классификацию, принятие решений и управление, кластеризацию, прогнозирование, аппроксимацию, оптимизацию, сжатие и анализ данных. В настоящий момент нейронные сети являются ключевым элементом современных систем навигации, используются для распознавания и синтеза речи, обработки изображений, а также для защиты информационных систем от Взам. инв. № Инв. № дубл. Подп. и дата несанкционированного доступа и другого вида атак. В процессе изучения возможностей искусственного интеллекта одной из сложнейших задач стало обучение нейронной сети осознанному перемещению в пространстве. Когда человек идет по улице, он с легкостью переставляет ноги, поддерживает равновесие с помощью рук, не задумываясь, обходит препятствия. Все это происходит, как нам кажется, автоматически. Однако, это не так. Перемещение человека ― это сложный процесс, хорошо просчитанный и четко спланированный нашим мозгом. Нейронные сети решают подобные проблемы пока лишь в упрощенном варианте, но в то же время они могут управлять моделями любых сложных объектов. Ярким примером является Инв.№ подл. Подп. и дата разработка компанией Google DeepMind искусственного интеллекта, которому удалось научиться ходить, бегать, прыгать и преодолевать препятствия без каких-либо предварительных рекомендаций [6]. Целью данной работы является создание искусственной нейронной сети, Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 8

управляющей перемещением модели сложного объекта в двумерном пространстве. Основная задача модели — переместиться как можно дальше влево или вправо от своей начальной координаты. В качестве приложение для вспомогательных создания ресурсов двумерной модели необходимо объекта, а реализовать также для редактирования и настройки параметров нейронной сети. Задачи работы: - анализ предметной области; - разработка архитектуры нейронной сети; - реализация нейронной сети; - разработка приложения для моделирования процесса перемещения Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата сложного объекта в пространстве. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 9

1 Основные положения теории нейронных сетей Искусственные вычислительные нейронные системы с сети представляют множеством связей собой между сложные параллельно выполняющимися простыми процессами. По своей структуре они зачастую напоминают строение человеческого мозга, являются его упрощенной моделью. Их основу составляют элементы, функционально похожие на биологический нейрон. Эти элементы выступают в роли преобразователей поступающей на них информации. Взаимодействие преобразователей также имеет сходство с организацией связей между биологическими аналогами, а принципы познания и способность к адаптивному обучению и развитию позволяют провести параллель между работой нейронной сети и мозговой активностью. Взам. инв. № Инв. № дубл. Подп. и дата 1.1 Строение и основные принципы функционирования нервной системы Центральная нервная система человека имеет клеточное строение. Структурной единицей системы является нервная клетка ― нейрон (рисунок 1). Основу нейрона, как и любой другой клетки, составляет тело, называемое сомой. Нейроны связаны между собой нервными волокнами, по которым передаются сигналы. От тела нервной клетки отходят два типа отростков нервных волокон ― дендриты, которых может быть множество, и единственный аксон. Дендриты ― короткие разветвленные отростки ― предназначены для приема поступающих с других нейронов импульсов. Аксон представляет собой длинный утолщенный отросток с разветвлением на конце. Инв.№ подл. Подп. и дата Каждое ответвление заканчивается синапсом, с помощью которого аксон передает выходные сигналы нейрона на дендриты других нейронов. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 10

Рисунок 1 ― Строение биологического нейрона Основная функция нейрона состоит в передаче возбуждения из дендритов в аксон. На сигнал аксона оказывают влияние все сигналы, поступающие в сому по дендритам с синапсов, которые могут быть как возбуждающими, так и тормозными. Возбуждающие синапсы способствуют увеличению возбуждения нейрона, тормозные, наоборот, препятствуют дальнейшему распространению Подп. и дата импульса. Нейрон сгенерирует сигнал лишь в том случае, когда суммарное возбуждение окажется выше некоторого предельного значения, иначе реакция на возбуждение будет отсутствовать. Данный процесс в действительности имеет более сложную реализацию, однако большинство нейронных сетей Подп. и дата Взам. инв. № Инв. № дубл. строятся на основе этого свойства [3, 4]. 1.2 Искусственный нейрон и искусственные нейронные сети Моделирование мозга начинается с создания информационной модели отдельной нервной клетки ― искусственного нейрона. Следующим этапом становится объединение полученных нейронов в единую структуру определенными путем организации параметрами. Результатом связей, этих характеризующихся действий является искусственная нейронная сеть, готовая к дальнейшему обучению. Искусственный Инв.№ подл. человеческого Изм Лист № докум. Подпись нейрон Дата реализует модель поведения БР-02069964-090301-16-18 своего Лист 11

биологического прототипа (рисунок 2). x1(ti) × w1 x2(ti) × ∑ w2 . . . xn(ti) V(ti) Y(ti) ‒ . . . Z(ti) 𝑓(𝑌(𝑡𝑖 )) Q × wn Рисунок 2 ― Схема искусственного нейрона На вход он принимает некоторое множество сигналов, поступающих от других нейронов сети или из внешней среды (в этом случае вход нейрона Взам. инв. № Инв. № дубл. Подп. и дата является входом всей сети). Совокупность всех входных сигналов в момент времени представляется в виде вектора: ( ) ( ) Подп. и дата ( ) . (1) Значение сигнала каждого входа умножается на соответствующий вес из множества , Полученные произведения ( ) складываются, образуя взвешенную аналогичный синаптической силе. сумму сигналов ( ): ( ) Инв.№ подл. ( ) Аналогично возбуждения Изм Лист № докум. нервным ∑ клеткам ( ). нейрон может (2) обладать . В этом случае уровнем активации нейрона Подпись Дата порогом ( ) будет БР-02069964-090301-16-18 Лист 12

считаться разность между взвешенной суммой входных сигналов ( ) и значением величины порога : ( ) ( ) . (3) Если уровень активации принимает положительное значение ( ( ) то нейрон возбуждается, генерируя выходной сигнал ), ( ) и передавая его в аксон. Генерация выходного сигнала производится путем преобразования уровня активации ( ) активационной функцией : ( ) Активационная функция ( ( )) . (4) может представлять собой различные линейные и нелинейные зависимости, каждая из которых по-своему оказывает Взам. инв. № Инв. № дубл. Подп. и дата влияние на поведение нейронной сети (рисунок 3). Рисунок 3 ― Графики активационных функций Подп. и дата Наиболее часто применяются следующие функции: 1 Пороговая функция ― простая кусочно-линейная функция. Принимает минимально допустимое значение, если взвешенная сумма входных сигналов Инв.№ подл. меньше порогового возбуждения. В остальных случаях равна максимально Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 13

допустимому значению. ( ) { (5) 2 Линейный порог или гистерезис – кусочно-линейная функция. Она разделена на три участка: два из них соответствуют максимальному и минимальному значениям, на оставшемся участке функция монотонно возрастает. ( ) 3 Сигмоидальная дифференцируемая слабых ― нелинейная сигналов. монотонно функция Существует возрастающая с насыщением. две основных 3.1 Логистическая функция ( ) где , (7) ― параметр, влияющий на наклон сигмоидальной функции. 3.2 Гиперболический тангенс Взам. инв. № Подп. и дата функция S-образная усилению (6) разновидности данной функции: Инв. № дубл. Подп. и дата Способствует { ( ) ( ) (8) Несмотря на то, что искусственный нейрон отражает далеко не все свойства нервной клетки, упуская из вида временные задержки при обработке Инв.№ подл. сигналов и много другое, структуры, сконструированные из таких элементов, Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 14

обладают свойствами, напоминающими биологическую систему [3, 4]. Простейшей математической моделью восприятия информации человеческим мозгом является персептрон. Эта модель была предложена Фрэнком Розенблаттом в 1957 году. Персептрон представляет собой искусственную нейронную сеть, основанную на генераторах трех типов: - сенсорных элементов (чувствительные элементы, вырабатывающие сигнал); - ассоциативных элементов (логические решающие элементы, предназначенные для обработки поступающей информации); - реагирующих элементов (формируют выходной сигнал в зависимости от значения суммы поступающих на них сигналов). Рассмотрим основные типы структур искусственных нейронных сетей, основанных на модели персептрона. Однослойная нейронная сеть организованных в слой. Структура искусственной нейронной сети с одним рабочем слоем представлена на рисунке 4. Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата Упрощенный вариант нейронной сети состоит из совокупности нейронов, Рисунок 4 – Структура однослойной нейронной сети Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 15

В сеть из внешней среды поступает вектор входных данных . Первый слой, обозначенный кругами, не выполняет каких-либо вычислений, а служит лишь для распространения входных сигналов, поэтому данный слой не учитывается при подсчете количества слоев сети. С распределительного слоя входные сигналы поступают на нейроны скрытого (рабочего) слоя, обозначенного прямоугольниками. Каждый элемент входного вектора соединен с каждым нейроном рабочего слоя ребром, обладающим отдельным весом, характеризующим интенсивность сигнала. Скрытый слой выполняет все необходимые вычисления и генерирует выход нейронной сети в виде вектора . Реализация однослойных нейронных сетей является наиболее простой, однако функциональные возможности таких сетей ограничены. Многослойная нейронная сеть Структура искусственной нейронной сети с двумя рабочими слоями Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата представлена на рисунке 5. Рисунок 5 ― Структура многослойной нейронной сети Инв.№ подл. Многослойные Изм Лист № докум. Подпись нейронные Дата сети расширяют функциональные БР-02069964-090301-16-18 Лист 16

возможности однослойных сетей путем копирования слоистых структур определенных отделов мозга. При таком строении выход одного слоя служит входом для другого, передавая ему обработанную информацию. Слои сети могут отличаться по количеству нейронов и иметь различные активационные функции. Если функции между слоями окажутся линейными, то многослойная нейронная сеть будет эквивалентна однослойной, и прироста вычислительной мощности не произойдет. 1.3 Основные принципы обучения искусственных нейронных сетей Одним из главных свойств нейронной сети, которое позволяет сравнить их деятельность с активностью биологического мозга, является способность к обучению. Именно оно отличает нейронную сеть от классических средств прогнозирования и классификации. Под термином «обучение» подразумевается корректировка исходных Взам. инв. № Инв. № дубл. Подп. и дата параметров сети таким образом, чтобы она могла решать поставленную задачу. Настраиваемыми параметрами сети выступают веса и пороговые значения возбуждения нейронов (смещения). Целью обучения искусственной нейронной сети является достижение желаемой реакции сети на некоторое множество входных данных. Корректировка параметром сети производится в соответствии с некоторым алгоритмом. Все алгоритмы обучения можно разделить на две категории: обучение с учителем и без учителя. При обучении с учителем необходимо для каждого входного вектора наличие целевого вектора (четко установленного желаемого результата). Такие Инв.№ подл. Подп. и дата пары векторов носят название обучающей пары. Обучение сети производится на некотором множестве таких пар. Обучение без учителя больше похоже на процесс познания биологического мозга. При таком подходе отсутствуют целевые векторы, а Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 17

корректность работы сети оценивается по ее реакции на схожие между собой входные данные. Правильно обученная сеть должна давать одинаковый выход на близкие входные векторы. Процесс обучения распределяет обучающее множество по классам на основе его статических свойств. Выходы нейронной сети при этом преобразуются в некоторую понятную, обусловленную Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата процессом обучения форму. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 18

2 Разработка модели сложного объекта 2.1 Понятие модели объекта Под моделью объекта будем понимать совокупность отрезков, концы которых соединены между собой. В ней должны быть отражены основные части объекта, с мощью которых он перемещается. Соединения отрезков назовем «суставами» модели объекта. Так как перемещение происходит в двумерном пространстве, для однозначного определения положения некоторого отрезка в каждый момент времени зададим его в виде координат точек, являющихся концами этого отрезка. Телом модели объекта будет являться набор жестко связанных отрезков, то есть неподвижных друг относительно друга. Тогда отрезки, способные менять свое положение относительно тела, будут представлять собой конечности модели. Рассмотрим конкретную модель Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата объекта, представленную на рисунке 6. Рисунок 6 ― Модель объекта Исходя из рисунка 6, модель имеет тело, обозначенное четырехугольником 1-2-4-3, и две ярко выраженные конечности (левая конечность ― отрезки 3-5 и 5-7, правая ― отрезки 4-6, 6-8), с помощью которых объект будет перемещаться. Инв.№ подл. Следующим шагом необходимо определить, в каких «суставах» и каким Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 19

образом будут двигаться отрезки, из которых состоит модель. Очевидно, что движения будут совершать отрезки конечностей: - отрезок 3-5 будет совершать поворот на некоторый угол в «суставе», обозначенном точкой 3; - отрезок 5-7 поворачивается в точке 5; - отрезок 4-6 совершает поворот в «суставе» 4; - отрезок 6-8 ― в точке 6. Обозначим на рисунке 7 углы, на которые смогут поворачиваться конечности Подп. и дата объекта. Рисунок 7 ― Углы поворота конечностей объекта Взам. инв. № Инв. № дубл. 2.2 Способы организации движения модели В широком смысле под перемещение понимается изменение положения тела в пространстве с течением времени относительно выбранной системы отсчета. Однако многое зависит от того, как именно будет двигаться объект: будет ли он катиться или упругими прыжками стремиться к цели. Поэтому Инв.№ подл. Подп. и дата необходимо определить способ передвижения объекта, который напрямую зависит от свойств его конечностей. Обозначим два способа организации движения конечностей модели: - неупругое перемещение, при котором конечности фиксируют свое Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 20

положение после совершѐнного действия; - упругое перемещение, использующее пружинящий эффект мышц. Рассмотрим каждый из них более детально. 2.2.1 Неупругие перемещения конечностей Данный способ характеризуется фиксацией отрезка конечности в некотором положении, в которое он пришел после совершения очередного действия. Изначально необходимо определить для исходной модели, на какие углы смогут поворачиваться отрезки в «суставах», то есть требуется указать крайние положения отрезков. Для того чтобы ограничения были корректны в любом положении объекта относительно системы координат, их следует привязать к неподвижным отрезкам модели, а именно к отрезкам, формирующим тело. На рисунке 8 пунктирными линиями указаны предельные Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата положения для каждого из отрезков конечностей объекта. Рисунок 8 ― Диапазоны углов поворота конечностей После поворота конкретного отрезка на определенный угол в доступном ему диапазоне, его положение фиксируется в ожидании дальнейшего действия Инв.№ подл. или реакции окружающей среды. Части конечности, связанные «суставами» с Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 21

тем отрезком, что совершил поворот в данный момент, также изменяют свое положение, если это необходимо. На текущем шаге эти части считаются жестко связанными с ним. 2.2.2 Упругие перемещения конечностей Этот способ в качестве основных двигателей использует «мышцы», представленные в виде пружин [6]. Для подвижных отрезков, как и в предыдущем случае, устанавливается угол поворота. Затем для каждого «сустава», в котором производится некоторый поворот, определяется соответствующая ему «мышца», обозначаемая на рисунке в виде отрезка, лежащего против угла поворота с вершиной в этом «суставе». Крепление «мышц» осуществляется в точки, лежащие на отрезках. На рисунке 9 представлена модель с указанием углов поворота отрезков. Рисунок 10 Взам. инв. № Инв. № дубл. Подп. и дата демонстрирует «мышцы» (голубым цветом) полученной модели объекта. Рисунок 9 ― Модель объекта с указанием углов поворота Инв.№ подл. Подп. и дата отрезков конечностей Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 22

Рисунок 10 ― Расположение «мышц» объекта Модель использует два вида «мышц»: «умные» и «немые». Первые «мышцы» инициируют действие модели. Они изменяют свою длину в соответствии с данными, полученными от нейронной сети. Вторые всего лишь реагируют на произошедшие изменения, влияющие на их состояние. При этом Взам. инв. № Инв. № дубл. Подп. и дата все «мышцы» не остаются в четко фиксированном положении, а реагирую упругими сжатиями и растяжениями подобно пружине. 2.3 Особенности применения нейронной сети В рассмотренных способах перемещения для управления действиями модели объекта будут использоваться нейронные сети, основным отличием которых станут данные, подаваемы на входы сетей, а также результаты, полученные после обработки этих данных. Применительно к неупругой модели движения целесообразно Инв.№ подл. Подп. и дата предоставить нейронной сети информацию об углах поворота конечностей объекта и координатах концов отрезков в текущий момент времени. Однако нейронная сеть, которая будет управлять движением конечностей модели, не сможет повернуть некоторый отрезок на произвольный угол. Ей необходим ряд Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 23

состояний, для каждого из которых она будет давать оценку выгодности этого состояния в текущий момент времени. Для удовлетворения потребностей сети разделим диапазон возможных углов поворота для некоторого отрезка на фиксированное количество частей. Определим как действия модели повороты отрезков по часовой стрелке и против часовой стрелки на угол, равный полученной при делении части диапазона. Состояниями при этом будут все возможные положения конечностей модели, количество которых равно произведению чисел частей, на которые разделили каждый из диапазонов. На рисунке 11 приведена схема разбиения диапазонов допустимых углов поворота отрезков на конечное число частей. Красными пунктирными линиями изображены границы частей основного диапазона. При достаточно большом Инв. № дубл. Подп. и дата количестве таких частей объект будет двигаться более плавно. Взам. инв. № Рисунок 11 ― Разбиение диапазонов углов поворота отрезков на конечное число одинаковых частей Подп. и дата Каким же образом будет перемещаться полученная модель? В каждый момент времени нейронная сеть, оценив предыдущие действия и состояние окружающей среды, делает предположение о дальнейшем действии. Модель Инв.№ подл. выполняет полученное от нейронной сети указание, то есть поворачивает один Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 24

из отрезков конечностей на некоторый определенный заранее угол. После чего производятся получение данных о новом состоянии объекта. Также производится проверка на устойчивость модели в новом состоянии. Если модель начинает падать, то рассчитывается угол поворота тела объекта в сторону падения и соответствующее ее смещение на часть этого угла, определенную для единичного промежутка времени. Когда вычислено итоговое положение модели в пространстве после всех преобразований, данные могут быть переданы на вход нейронной сети для генерации следующего действия. В случае модели упругого перемещения за счет сжатий и растяжений «мышц» движение происходит путем отталкивания объекта от поверхности, то есть прыжками, поэтому в некоторые моменты времени он находится в Взам. инв. № Инв. № дубл. Подп. и дата состоянии полета. Перемещение модели представлено на рисунке 12. Рисунок 12 ― Перемещение модели объекта Для описания текущего состояния модели необходимо учитывать ряд дополнительных параметров, передаваемых на входы нейронной сети, таких Подп. и дата как скорость перемещения, давление касания точек, скорость вращения объектов. Эти данные однозначно характеризуют модель в каждый момент времени. После обработки поданной информации нейронной сетью объект Инв.№ подл. получает от нее значения длин «умных мышц» и изменяет их состояние, Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 25

сжимая или растягивая последние. В зависимости от того, как изменилось положение «умных мышц» и соответствующих отрезков, реагируют «немые мышцы». Таким образом производится упругое отталкивание модели объекта от поверхности, по которой он движется, или его приземление. Как и в первом случае, все данные о новом состоянии модели передаются на входы нейронной Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата сети. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 26

3 Разработка искусственной нейронной сети 3.1 Постановка задачи Целью данной работы является создание искусственной нейронной сети, управляющей перемещением модели сложного объекта в двумерном пространстве. В данной работе будет рассмотрен способ перемещения модели с помощью неупругого движения конечностей. Требуется обучить нейронную сеть таким образом, чтобы она могла производить оценку полезности совершения каждого допустимого действия. На основе полученных результатов модель должна совершать наиболее выгодное для текущего состояния действие. Под действием будем понимать поворот одной из частей конечностей модели объекта. За единицу времени модель может совершить поворот только одной части любой из конечностей. Задача модели ― переместиться как можно дальше влево или вправо от своей Также необходимо реализовать приложение для создания двумерной модели объекта и редактирования и настройки параметров нейронной сети. 3.2 Архитектура искусственной нейронной сети Взам. инв. № Инв. № дубл. Подп. и дата начальной координаты. Искусственная нейронная сеть будет представлять собой многослойный персептрон. Параметры архитектуры сети приведены в таблице 1. Таблица 1 ― Параметры архитектуры нейронной сети Инв.№ подл. Подп. и дата Наименование параметра Количество нейронов входного слоя Значение параметра Количество суставов модели объекта, умноженное на количество параметров, характеризующих каждый Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 27

сустав Окончание таблицы 1 (используются координаты точек в двумерном пространстве) Количество скрытых слоев Два Количество нейронов скрытых слоев 32 ‒ 96 Функция активации скрытых слоев Тангенс гиперболический Количество нейронов выходного слоя Суммарное количество частей подвижных конечностей, умноженное на количество действий, которые они могут совершать конечности может (каждая совершить часть два действия: поворот на единичный угол Подп. и дата по часовой стрелке и против часовой стрелки) Функция активации нейронов Линейная Подп. и дата Взам. инв. № Инв. № дубл. выходного слоя На входы нейронная сеть должна получить набор параметров, однозначно характеризующих положение модели объекта в двумерном пространстве. В качестве таких параметров были выбраны координаты точек, соответствующих суставам модели, в двумерном пространстве. Каждая точка описывается двумя координатами ― значениями по осям абсцисс и ординат. Результатом работы нейронной сети является оценка полезности совершения моделью каждого допустимого действия. На нейроны выходного слоя поступает информация, соответствующая элементарному действию Инв.№ подл. (поворот на единичный угол по часовой стрелке или против часовой стрелки) Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 28

частей подвижных конечностей. Архитектура искусственной нейронной сети представлена на рисунке 13. Рассмотрим параметры нейронной сети для конкретной модели объекта, представленной на рисунке 14. Черными кругами отмечены суставы модели, красным пронумерованы отрезки. Скрытый слой 2 Входной слой Выходной слой ... ... ... ... Оценка полезности действия Координаты суставов модели Скрытый слой 1 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата Рисунок 13 – Архитектура искусственной нейронной сети Рисунок 14 – Модель объекта Инв.№ подл. Модель имеет 8 суставов, каждому из которых соответствуют две Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 29

координаты. Следовательно, у нейронной сети, управляющей перемещением данной модели, будет 16 входов. Пусть подвижными будут являться две конечности: первая состоит из отрезков 7 и 9, вторая ― из отрезков 9 и 10. Таким образом, суммарное количество отрезков равно 4. С учетом возможных направлений поворота отрезков, нейронная сеть будет иметь 8 выходов. Параметры архитектура нейронной сети для данной модели представлены в таблице 2. Таблица 2 ― Параметры архитектуры нейронной сети для конкретной модели объекта Подп. и дата Наименование параметра Значение параметра Количество нейронов входного слоя 8 суставов · 2 = 16 Количество скрытых слоев 2 Количество нейронов скрытых слоев 32 Функция активации скрытых слоев Тангенс гиперболический Количество нейронов выходного слоя 4 отрезка · 2 = 8 Функция активации нейронов Линейная Взам. инв. № Инв. № дубл. выходного слоя 3.3 Выбор среды разработки Для реализации выбрана среда разработки Microsoft Visual Studio 2015 Community. В качестве языка программирования использовался C++. Выбор данного Подп. и дата языка обусловлен его высокой вычислительной производительностью. Гибкость и компактность языка способствуют созданию понятного, легко воспринимаемого кода. Язык обладает обширным кругом инструментов для Инв.№ подл. программирования и отладки. Еще одним преимуществом C++ является Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 30

наличие богатой стандартной библиотеки STL (Standard Template Library), которая включает набор распространѐнных контейнеров и алгоритмов, средств ввода-вывода, регулярных выражений, поддержку многопоточности и других возможностей. C++ сочетает в себе свойства как высокоуровневых, так и низкоуровневых языков. Пользовательский CLR(Common Language компилируются интерфейс Runtime) программы, программирования. создавался ― основе исполняющая написанные Является на на CLR-проекта. среда, в которой .NET-совместимых спецификацией CLI (Common языках Language Infrastructure, общеязыковая инфраструктура) [8]. Причиной для выбора Microsoft Visual Studio 2015 Community средой для разработки стало наличие широких возможностей по отладке программного продукта. Также Microsoft Visual Studio обладает удобным и понятным интерфейсом, а механизм подстановки определений элементов позволяет очень легко и быстро создавать многомодульные проекты. графической библиотеки OpenGL. OpenGL (Open Graphics Library) ― спецификация, определяющая интерфейс написания для платформонезависимый приложений, использующих программный двумерную и трѐхмерную компьютерную графику. Библиотека включает более 300 функций для рисования сложных сцен из простых примитивов. 3.4 Система классов искусственной нейронной сети и модели объекта Взам. инв. № Инв. № дубл. Подп. и дата Реализация отрисовки изображений будет производиться средствами Структура классов нейронной сети и модели объекта может быть Инв.№ подл. Подп. и дата представлена в виде диаграммы (рисунок 15) [1]. Программная реализация классов приведена в приложении А. Класс NeuroNet реализует структуру искусственной нейронной сети, основанную на многослойном персептроне. Класс включает свойства и методы, Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 31

необходимые для функционирования и обучения персептрона: - num_layers ― количество слоев нейронной сети; - layers ― объекты класса Layers, характеризующие каждый слой Подп. и дата нейронной сети, включая входной (распределительный); Взам. инв. № Инв. № дубл. Рисунок 15 ― Диаграмма классов нейронной сети и модели объекта - num_inputs ― количество входов нейронной сети; - num_outputs ― количество выходов нейронной сети; - outputs ― объект класса Matrix2d, содержащий значения выходов нейронной сети; Подп. и дата -NeuroNet()― конструктор по умолчанию класса NeuroNet; - NeuroNet(int ninputs, int nlayers, vector<int> nlneurons, vector<ActFuncTypes> _aft, int noutputs) ― конструктор с параметрами; Инв.№ подл. - Init(int ninputs, int nlayers, vector<int> nlneurons, vector<ActFuncTypes> Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 32

_aft, int noutputs, vector<Matrix2d> _biases, vector<Matrix2d> _weights) ― метод, производящий инициализацию объекта класса в соответствии с набором переданных параметров; - SetWeights(vector<Matrix2d> _w) ― установка значений весовых коэффициентов в соответствии с переданными параметрами; - SetBiases(vector<Matrix2d> _b) ― установка значений смещений в соответствии с переданными параметрами; - AddTest ― метод, добавляющий очередную обучающую пару к обучающей выборке; - Running ― метод, для реализации процесса прямого распространения сигнала по нейронной сети с заданным значением входных данных; - RMSPropagation() ― метод, осуществляющий корректировку весовых коэффициентов и значений смещений нейронов многослойного персептрона в соответствии с алгоритмом RMS Propagation; - RMSLearningOffline ― метод, осуществляющий обучение нейронной Взам. инв. № Инв. № дубл. Подп. и дата сети с помощью алгоритма RMS Propagation; - CalcDeltaAndGrad(Test& test) ― подсчет значений градиента каждого слоя нейронной сети; - CalcError(Test& test) ― расчет значения ошибки выхода нейронной сети; - CorrectWeightsAndBiases(vector<Matrix2d>&_gradient,vector<Matrix2d>& _delta) ― метод, осуществляющий корректировку весовых коэффициентов и значений смещений в соответствии с заданными значениями; - GetOutput() ― вывод значений выходов нейронной сети; - PrintWeightsAndBiases(ostream& fout, bool print_null) – метод сохранения Инв.№ подл. Подп. и дата значений весовых коэффициентов и смещений в файл; - operator << ― оператор вывода параметров нейронной сети. Класс Layer описывает слой нейронной сети с заданным количеством нейронов и указанной функцией активации. Класс содержит свойства и методы Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 33

для расчета состояний и аксонов нейронов слоя: - num_neurons ― количество нейронов слоя; - num_prev_neurons ― количество нейронов предыдущего слоя нейронной сети; - weights ― матрица значений весовых коэффициентов; - states ― матрица значений состояний нейронов; - biases ― матрица значений смещений; - axons ― матрица значений аксонов нейронов; - activation_func ― активационная функция нейронов слоя; - sgmd_func(Matrix2d& _states) ― расчет сигмоиды для элементов матрицы состояний; - tanh_func(Matrix2d& _states) ― расчет гиперболического тангенса для элементов матрицы состояний; - diff_sgmd_func(Matrix2d& _axons) ― расчет производной сигмоиды для элементов матрицы; Взам. инв. № Инв. № дубл. Подп. и дата - diff_tanh_func(Matrix2d& _axons) ― расчет производной гиперболического тангенса для элементов матрицы; - void Init(int nneurons, int nprevneurons, ActFuncTypes act_func, Matrix2d _biases, Matrix2d _weights) ― инициализация объекта класса Layer в соответствии с набором параметров; - CalcStates(Layer& prev_layer) ― метод расчета состояний нейронов слоя; - CalcAxons() ‒ метод расчета аксонов нейронов слоя. Класс Matrix2d представляет собой описание двумерных матриц, содержит средства работы с ними. Свойства и методы класса: - num_rows ― количество строк матрицы; Инв.№ подл. Подп. и дата - num_cols ― количество столбцов матрицы; - matrix ― двумерная матрица; - InitMatrix(int nrow, int ncol, double val) ― инициализация объекта класса Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 34

Matrix2d в соответствии с заданными параметрами; - InitMatrixDiagByOne(int nrow, int ncol) ― инициализация матрицы, главная диагональ которой заполнена единицами, а остальные элементы являются нулями; - InitRandom(double minval, double maxval) ― инициализация матрицы случайными значениями в заданном интервале; - InitValue(double val) ― инициализация элементов матрицы заданным значением; - GetNumRows() ― вывод количества строк матрицы; - GetNumCols() ― вывод количества столбцов матрицы; - Transpose() ― транспонирование матрицы; - MultElByEl(Matrix2d _m) ‒ поэлементное умножение матриц; - SumAll() ― сложение всех элементов матрицы; - SumAllSqr() ― сложение квадратов всех элементов матрицы; - оperator +, operator -, operator *, operator / ― операторы выполнения Класс Creature описывает модель сложного объекта, отражая все необходимые характеристики. Класс снабжен функционалом для работы с параметрами модели: - fall_unit_angle ― единичный угол поворота при падении модели; Взам. инв. № Инв. № дубл. Подп. и дата арифметических действий. - turn_unit_angle ― единичный угол поворота части конечности модели; - double start_pos ― координата начального положения центра тяжести модели по оси абсцисс; - joints ― массив, содержащий описание суставов модели (координаты точек двумерного пространства); Инв.№ подл. Подп. и дата - lines ― массив, содержащий информацию об отрезках, из которых состоит модель (каждый отрезок описывается парой чисел – номер точек концов отрезка из массива joints); - lines_length ― соответствующие длины отрезков массива lines; Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 35

- movable_lines ― массив, содержащий описание подвижных отрезков (содержит пары чисел: номер отрезка из массива lines и номер сустава, в котором он поворачивается, из массива joints); - turn_intervals ― массив значений интервалов допустимых углов поворота каждого отрезка модели; - states_mvlines ― массив состояний подвижных отрезков; - refs – массив зависимостей отрезков; - InitCreature(vector<pair<double, double>> _joints, vector<pair<int, int>> _lines, vector<pair<int, int>> _mvlines, vector<pair<double, double>> _turnint, vector<pair<int, int>> states, vector<vector<int>> _refs, vector<int> _head_points) ― инициализация объекта класса Creature в соответствии с заданными значениями; - GetNumActions() ― вывод общего количества элементарных действий, которые может совершить модель; - GetCenterOfGravityX() ― вывод координаты центра тяжести модели по Взам. инв. № Инв. № дубл. Подп. и дата оси абсцисс; - GetCenterOfGravityY() ― вывод координаты центра тяжести модели по оси ординат; - GetCurDeltaDistance() ― вывод смещения центра тяжести модели по оси абсцисс от своего начально положения; - GetAction(int action_num) ― определение действия на основе результатов работы нейронной сети; - CanDoAction(int action) ― проверка возможности выполнения указанного действия; - Rotate(int line, int tdir) ― поворот отрезка модели на единичный угол по Инв.№ подл. Подп. и дата часовой стрелке или против нее; - Falling() ― корректировка координат точек суставов модели с учетом ее падения; - UpdatePos(int action_num) ― совершение указанного действия моделью; Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 36

- PrintCreatureJoints() ― сохранение в файл текущих координат точек суставов модели. 3.5 Алгоритм обучения Для обучения искусственной нейронной сети c выбранной архитектурой использовался алгоритм RMS Propagation совместно с алгоритмом Q-Learning [5, 9]. RMS Propagation RMS Propagation (Root Mean Square Propagation) основан на классическом алгоритме обратного распространения ошибки. Его отличие состоит в том, что часто обновляемые веса корректируются меньше остальных. Это достигается за счет вычисления усредненных по истории значений градиента и квадрата градиента (экспоненциальное скользящее среднее). взвешенного скользящего среднего и рассчитывается по следующей формуле: ( Взам. инв. № Инв. № дубл. Подп. и дата Экспоненциальное скользящее среднее является частным случаем где ― коэффициент сохранения ( ) , (9) ). Приближение значения γ к единице говорит о том, что история значений будет влиять на результат больше, чем текущее значение x. С учетом формулы 9 расчет значений корректировки весовых коэффициентов искусственной нейронной сети будет производится по Инв.№ подл. Подп. и дата формуле: , (10) √ Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 37

где ― значение веса на текущем шаге; ― значение веса на предыдущем шаге; ― значение скорости обучения; – значение градиента на текущем шаге; ― скользящее среднее значения градиента на текущем шаге; ― скользящее среднее значение квадрата градиента на текущем шаге, ― константа, задающая значение погрешности. Данная формула представляет собой модификацию стандартного алгоритма RMS Propagation, заключающуюся в применении значения корректировки квадрата скользящего среднего градиента совместно с бегущим средним квадрата градиента. Для вычисления значений градиентов используется метод обратного распространения ошибки (Backpropagation) [2]. Согласно алгоритму расчет Подп. и дата значения градиента производится по следующей формуле: ( ) Взам. инв. № Инв. № дубл. где , (11) ― весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n; ― значение выходного сигнал j-ого нейрона; ― взвешенная сумма входных сигналов j-ого нейрона (аргумент активационной функции). Множитель ⁄ является производной активационной функции по ее Подп. и дата аргументу, тогда производная этой функция должна быть определена на всей оси абсцисс. Для гиперболического тангенса она принимает вид: Инв.№ подл. ( ). Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 (12) Лист 38

Множитель слоя ( ) равен значению выходного сигнала предыдущего ⁄ . Первый множитель в формуле (11) можно разложить следующим образом: ∑ ( ∑ ) . (13) Суммирование по k выполняется среди нейронов слоя n+1. Введем новую переменную: ( ) Тогда расчет величин ( ) . (14) слоя n из величин ( ) следующего за ним Подп. и дата слоя n+1 можно реализовать по следующей рекурсивной формуле: ( ) ) ( ) ] . (15) Для выходного слоя эта формула примет вид: Инв. № дубл. Взам. инв. № ( [∑ ( ) где ( ( ) ) , (16) ― желаемое значение выходного сигнала нейрона l. Подп. и дата С учетом формул (15) и (16) по формуле (11) рассчитываются значения градиента. Q-Learning Данный метод применяется в искусственном интеллекте при агентном Инв.№ подл. подходе, когда нельзя четко определить желаемый результат. Он основан на Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 39

введении функции Q, отражающей полезность каждого возможного действия агента для его текущего состояния. Значения функции формируются в зависимости от вознаграждения. Благодаря этим значениям агент не случайно выбирает стратегию поведения, а учитывает опыт предыдущих действий. Перед началом обучения формируется множество возможных состояний S агента, а также набор допустимых для него действий A. Выполнение некоторого действия a ∊ A приводит к переходу агента из одного состояние в другое. В результате выполнения действия агенту начисляется вознаграждение. Задачей агента является максимизация суммарной награды. Процесс обучения представляет собой итерационное уточнение значения функции Q. На каждом шаге рассчитывается значение оценки полезности совершения каждого допустимого действия для текущего состояния агента путем запуска нейронной сети. Затем производится корректировка оценки полезности последнего действия по следующей формуле: Подп. и дата ( ) ( ), (17) где Reward ― вознаграждение, полученное агентом за предыдущее действие; Взам. инв. № Инв. № дубл. ― коэффициент, отражающий степень доверия новому действию ), он показывает, что для агента имеет большую ценность: ( сиюминутные награды или будущие. Чем ближе значение коэффициента к единице, тем быстрее он забывает предыдущие действия. После всех расчетов полученные значения сохраняются в тренировочный набор. Вознаграждение за совершенное действие учитывает следующие Подп. и дата параметры: 1) расстояние, пройденное моделью от ее начального положения: Инв.№ подл. | Изм Лист № докум. Подпись Дата |, БР-02069964-090301-16-18 (18) Лист 40

где CurrentPositionXt ― значение координаты центра тяжести модели по оси абсцисс в текущий момент времени; StartPositionX ― значение координаты центра тяжести модели по оси абсцисс в начальный момент времени; 2) расстояние, пройденное моделью за последнюю единицу времени: | |; (19) 3) штраф за приближение центра тяжести модели к «земле»: , (20) где CenterOfGravityt ― координата центра тяжести модели по оси ординат; Подп. и дата k1 ― коэффициент, показывающий силу влияния данного параметра на общее значение вознаграждения; 4) штраф за падение модели: Взам. инв. № Инв. № дубл. , (21) где MinDistToSupportPoint ― минимальное значение среди расстояний от центра тяжести модели до точек опоры, рассчитанное по оси абсцисс; k2 ― коэффициент, показывающий силу влияния данного параметра на общее значение вознаграждения; Инв.№ подл. Подп. и дата 5) штраф за приближение верхней точки («головы») модели к «земле»: , Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 (22) Лист 41

где MinHeadYt ― минимальное значение среди координат точек «головы» модели по оси ординат; k3 ― коэффициент, показывающий силу влияния данного параметра на общее значение вознаграждения. Формула для расчета вознаграждения представляет собой комбинацию выше указанных параметров и может быть записана в следующем виде: , где ( ̅̅̅̅) (23) ― коэффициент, принимающий значения 0 или 1 и показывающий, будет ли учитываться текущий параметр при расчете вознаграждения. Совмещенный алгоритм С помощью алгоритма Q-Learning производится формирование желаемых Подп. и дата выходных данных для искусственной нейронной сети (значения рассчитываются по формулам (17) – (24)). Полученные данные помещаются в тренировочный набор, после чего с помощью алгоритма RMS Propagation Взам. инв. № Инв. № дубл. происходит обучение сети. На выходе нейронной сети формируется оценка целесообразности поворота отрезков модели. Ошибка выхода нейронной сети вычисляется по следующей формуле: ( [ ) ( )] . (24) Инв.№ подл. Подп. и дата Обучение продолжается в течение нескольких эпох до тех пор или до тех пор, пока значение ошибки не станет меньше некоторой допустимой погрешности. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 42

4 Реализация приложения для моделирования процесса перемещения сложного объекта в пространстве 4.1 Общая информация и цели использования Приложение для моделирования процесса перемещения сложного объекта в пространстве ― программный продукт, реализованный на языке C++. Он предоставляет средства для создания нейронных сетей путем установки их параметров, конструирования моделей сложных объектов, а также запуска процесса моделирования. Для отображения пользовательского интерфейса используется технология Windows Forms [8]. 4.2 Архитектура приложения Приложение представляет собой систему, состоящую из четырех Взам. инв. № Инв. № дубл. Подп. и дата логических модулей: 1 Model Creator ― пользовательский интерфейс для создания моделей объектов и редактирования их параметров; 2 Object Model ― модель сложного объекта, инициализированная параметрами, заданными с помощью интерфейса Model Creator; 3 NeuroNet Editor ― пользовательский интерфейс, позволяющий задавать параметры нейронной сети; 4 Neural Network ― модуль, реализующий нейронную сеть, управляющую поведением модели объекта. Схема взаимодействия модулей приложения представлена на рисунке 16. Подп. и дата Взаимодействие модулей происходит следующим образом. Средствами интерфейса Model Creator создается модель некоторого объекта, задаются значения ее характеристик. Результатом работы модуля Инв.№ подл. является структура данных, полностью описывающая модель и набор ее Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 43

допустимы действий. Эти данные передаются в модуль Object Model, производя инициализацию объекта. Model Creator NeuroNet Editor Object Model Neural Network Рисунок 16 ― Схема взаимодействия модулей приложения В интерфейсе NeuroNet Editor происходит настройка параметров нейронной сети. После чего указанная информация отправляется в модуль Neural Network, реализующий нейронную сеть для управления моделью. Нейронная сеть также должна получить исходные данные от модуля Подп. и дата Object Model для формирования своей структуры. Дальнейшее взаимодействие между модулями Object Model и Neural Network заключается в обмене данными о текущем состоянии модели. Neural Network получает однозначную характеристику модели объекта в некоторый Инв. № дубл. момент времени, возвращая взамен указания на выполнения конкретного действия. Взам. инв. № 4.3 Функциональные возможности приложения Приложение предоставляет ряд возможностей для моделирования Подп. и дата перемещения сложного объекта, управляемого нейронной сетью, в двумерном пространстве. Основу функционала составляют следующие действия: 1 Создание модели сложного объекта; 2 Создание искусственной нейронной сети и настройка ее параметров; Инв.№ подл. 3 Запуск искусственной нейронной сети на обучение; Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 44

4 Запуск обученной искусственной нейронной сети. При запуске приложение открывается главное окно, которое содержит список всех сохраненных нейронных сетей (рисунок 17). Подп. и дата Рисунок 17 ― Главное окно приложения Приложение позволяет производить действия с уже существующими Инв. № дубл. искусственными нейронными сетями или создать новую. После нажатия на кнопку создания нейронной сети появится интерфейс для настройки ее параметров (рисунок 18). Взам. инв. № В открывшемся окне задается имя искусственной нейронной сети, ее характеристики, указанные в таблице 3, а также выбирается одна из существующих моделей объектов, которой сеть будет управлять. Количество Инв.№ подл. Подп. и дата входов и выходов нейронной сети устанавливаются в зависимости от выбранной модели. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 45

Подп. и дата Рисунок 18 ― Интерфейс настройки параметров нейронной сети Таблица 3 ― Параметры искусственной нейронной сети и алгоритма ее обучения Наименование Описание Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. параметра Модель, Creature Model управляемая нейронной сетью Number of inputs значения Модель выбирается из представленного списка Удвоенное количество Задается на основе суставов модели выбранной модели Количество Hidden layers Допустимые скрытых слоев сети 1 – 10 Количество нейронов в скрытом слое, каждый Hidden layers neurons 1 – 1000 скрытый слой содержит Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 46

Продолжение таблицы 3 одинаковое количество нейронов Количество допустимых модели Number of outputs действий (удвоенное количество подвижных Задается на основе выбранной модели отрезков модели) Функция скрытых активации слоев, все скрытые слои имеют Activation function одинаковую функцию активации Линейная (LINE), Сигмоида(SGMD), Гиперболический тангенс(TANH) Максимальный размер тестового Total number of tests Подп. и дата которого из делаются 1 ‒ 100000 случайные выборки Размер случайной выборки из тестового Tests for epoch Инв. № дубл. набора, используемый 1 ‒ 100000 для обучения Количество Epochs эпох Взам. инв. № обучения 1 – 200 Интервал времени (в тиках), в течении которого будет Подп. и дата Training period 1 – 500000 продолжаться процесс обучения Минимальное значение Training accuracy Инв.№ подл. набора, Изм Лист № докум. Подпись Дата [0,0000000001; 10] БР-02069964-090301-16-18 Лист 47

Продолжение таблицы 3 ошибки, при котором процесс обучения на данный момент времени будет остановлен Выбор Training type алгоритма обучения Значение γ алгоритма RMS Gamma RMS Propagation для RMS [0; 1] Propagation Значение η алгоритма RMS Learning rate для RMS [0; 1] Propagation Значение алгоритма Подп. и дата RMS Accuracy для RMS [0; 1] Propagation Коэффициент доверия новому Q-Learning rate действию в [0; 1] Инв. № дубл. алгоритме Q-Learning Параметры, учитываемые ALL_DIST, при расчете Reward parameters вознаграждения алгоритме Q-Learning PREV_STEP_DIST, CENTER_OF_GRAVITY_Y, в FALLING, HEAD_Y Инв.№ подл. Подп. и дата Взам. инв. № ε Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 48

Коэффициент значимости учета штрафа CenterOfGravityY k за приближение тяжести центра модели [0; 1000000] к «земле» Коэффициент значимости Falling k штрафа за учета падение [0; 1000000] модели Окончание таблицы 3 Коэффициент значимости штрафа HeadY k учета за [0; 1000000] приближение «головы» При необходимости может быть создана новая модель. Процесс создания модели состоит из нескольких этапов и реализуется с помощью специального интерфейса. Первоначально конструируется ее внешний вид (рисунок 19). Интерфейс предоставляет объекты двух типов: точки, соответствующие суставам модели, и отрезки, из которых модель состоит. Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата модели к «земле» Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 49

Рисунок 19 ― Вкладка конструирования внешнего вида модели Затем указываются подвижные отрезки. На вкладке отображается список всех отрезков с указанием сустава поворота (рисунок 20). Выбранные отрезки и Взам. инв. № Инв. № дубл. Подп. и дата соответствующие им суставы выделятся красным. Подп. и дата Рисунок 20 ― Вкладка выбора подвижных отрезков Следующим этапом задается общая скорость поворота отрезков, а для Инв.№ подл. каждого подвижного отрезка определяется интервал угла поворота (рисунок Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 50

21). После сохранения интервала для некоторого отрезка, границы интервала появляются на изображении модели. На основе введенных значений углов поворота генерируются наборы возможных состояний отрезков, после чего можно выбрать начальное состояние для каждого отрезка (рисунок 22). Следующий этап состоит в определении взаимосвязей между отрезками, то есть обозначаются те части модели, которые будут жестко связаны с текущим отрезком и в момент его поворота будут поворачиваться вместе с ним (рисунок 23). На последнем этапе можно указать те суставы, которые будут считаться «головой» модели объекта (рисунок 24). Эти данные необходимы для расчета значения одного из параметров вознаграждения в алгоритме Q-Learning. Результатом проделанных действий является модель с установленным Взам. инв. № Инв. № дубл. Подп. и дата набором параметров, которые можно записать в файл (рисунок 25). Рисунок 21 ― Вкладка выбора интервалов углов поворота Инв.№ подл. Подп. и дата и скорости поворота подвижных отрезков Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 51

Рисунок 22 ― Вкладка выбора начальных состояний подвижных отрезков После сохранения модели, она станет доступна для выбора в списке моделей в интерфейсе редактирования параметров нейронной сети. Для работы с некоторой нейронной сетью необходимо выбрать ее из специальной панели окна, а также станет доступен ряд кнопок (рисунок 26). Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата списка, после чего ее параметры и управляемая ей модель отражаются на Рисунок 23 ― Вкладка определения взаимосвязей между отрезками Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 52

Рисунок 24 ― Вкладка определения точек, принадлежащих «голове» модели объекта С помощью этих кнопок можно открыть окно редактирования параметров нейронной сети, удалить сеть или запустить ее. Окно редактирования отличием, что поля формы будут заполнены текущими характеристиками выбранной нейронной сети. Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата параметров сети будет иметь вид, показанный на рисунке 18 с тем лишь Рисунок 25 ― Вкладка сохранения параметров модели объекта в файл Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 53

Рисунок 26 ― Главное окно приложения Запуск искусственной нейронной сети может производится в одном из Подп. и дата трех режимов: 1 сети задаются случайным образом, а отсчет пройденного времени начинается с нуля; 2 Инв. № дубл. Первый запуск на обучение, при котором веса и смещения нейронной Продолжение обучения нейронной сети позволяет запустить ее с теми значениями весов и смещений и с тем положением модели объекта в пространстве, которые были в момент завершения последнего запуска сети на Взам. инв. № обучение; 3 Запуск обученной нейронной сети, при котором отключается режим обучения, и сеть не изменяет свои веса. Подп. и дата Также интерфейс позволяет разрешить или запретить восстановление модели в исходное состояние после падения без прерывания процесса обучения икусственной нейронной сети. Пройденное расстояние при этом сохранаяется. Пример окна запуска моделирования перемещения объекта представлен Инв.№ подл. на рисунке 27. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 54

Рисунок 27 ― Окно моделирования перемещения объекта В окне отображается время, прошедшее с начала запуска, координаты центра тяжести модели и пройденное моделью расстояние. Красным цветом Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата обозначен центр тяжести модели. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 55

5 Анализ результатов 5.1 Условия и критерии проведения экспериментов Для настройки и анализа эффективности работы нейронной сети был проведен ряд исследований. В качестве критерия для исследований была выбрана зависимость пройденного моделью за определенное количество времени расстояния (отсчет времени производился в тиках). Производился подбор следующих характеристик нейронной сети и алгоритма обучения: - количество нейронов скрытого слоя; - комбинации параметров вознаграждения, используемого в алгоритме QLearning. Часть параметров нейронной сети была зафиксирована (таблица 4). Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата Таблица 4 ― Фиксированные параметры искусственной нейронной сети Наименование параметра Количество скрытых слоев 2 Функция активации Гиперболический тангенс Размер тестовой выборки 10000 Количество тестов в эпоху 100 Количество эпох 20 Время обучения 10000 Точность обучения 0,0001 Алгоритм обучения RMS Propagation RMS Гамма 0,95 RMS Скорость обучения 0,001 RMS Точность 0,00000001 Коэффициент доверия новому действию Инв.№ подл. Значение Изм Лист № докум. Подпись Дата 0,001 БР-02069964-090301-16-18 Лист 56

Процесс тестирования заключался в запуске нейронной сети с заданными значениями параметров. Каждый вариант набора параметров запускался несколько раз, после чего полученные результаты усреднялись. Продолжительность запусков составляла 10000 тиков. 5.2 Сравнение эффективности обучения искусственных нейронных сетей с различным количеством нейронов в скрытом слое Для исследования были использованы пять значений количества нейронов скрытого слоя. Остальные параметры нейронной сети были зафиксированы (таблица 5). Таблица 5 ― Фиксированные для текущего исследования параметры искусственной нейронной сети Значение Количество входов 16 Количество выходов 8 Параметры вознаграждения PREV_STEP_DIST Управляемая модель объекта изображена на рисунке 28. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата Наименование параметра Инв.№ подл. Рисунок 28 ― Модель объекта Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 57

Результаты эксперимента представлены на рисунке 29. Рисунок 29 ― Зависимость величины пройденного расстояния за определенный временной интервал от момента времени Взам. инв. № Инв. № дубл. Подп. и дата для нейронных сетей с разным количеством нейронов скрытого слоя Судя по графику, наиболее эффективно нейронная сеть работает при значениях количества нейронов скрытого слоя, равных 48 и 96. 5.3 Сравнение эффективности обучения искусственных нейронных сетей с различными комбинациями параметров вознаграждения Данное исследование проводилось на всех допустимых комбинациях параметров вознаграждений. Параметры подбирались таким образом, чтобы их Инв.№ подл. Подп. и дата значения не противоречили друг другу. В процессе исследования была использована та же модель объекта и те же параметры нейронной сети, что и в предыдущем эксперименте. Количество нейронов в скрытых слоях зафиксировано и рано 96. Результаты эксперимента Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 58

представлены на рисунке 30. Рисунок 30 ― Зависимость величины пройденного расстояния за определенный временной интервал от момента времени для нейронных сетей Подп. и дата с различными комбинациями параметров вознаграждения По полученным данным можно сделать вывод, что наилучшие результаты модель показывает при расчете вознаграждения на основе пройденного за Инв. № дубл. последний шаг расстояния и комбинации этого параметра со штрафом за приближения центра тяжести модели к «земле». Взам. инв. № 5.4 Эффективность Подп. и дата нейронных сетей, управляющих различными миделями объектов Данное Инв.№ подл. работы исследование проводилось на трех различных моделях (рисунок 31). Количество входов и выходов искусственных нейронных сетей для каждой модели указано в таблице 6. Количество нейронов в скрытом слое было зафиксировано равным 96. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 59

Параметры для расчета вознаграждения были выбраны на основе результатов, предыдущего эксперимента. В первом случае в качестве вознаграждения использовалось расстояние, пройденное моделью за последний шаг, во втором ― комбинация расстояния за последний шаг со штрафом за приближения центра тяжести модели к «земле». Результаты экспериментов представлены на рисунках 32 и 33 соответственно. Модель 1 Модель 2 Модель 3 Рисунок 31 ― Модели объектов, используемые при проведении Подп. и дата исследования Таблица 6 ― Количество входов и выходов искусственных нейронных сетей для приведенных моделей Модель 1 Модель 2 Модель 3 Количество входов 16 32 32 Количество выходов 8 16 16 параметра Взам. инв. № Инв. № дубл. Наименование По полученным данным в первом эксперименте при заданных параметрах Инв.№ подл. Подп. и дата нейронной сети и алгоритма обучения наилучший результат показала Модель 1, во втором ― Модель 1 и Модель 3. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 60

Рисунок 32 ― Зависимость величины пройденного расстояния от момента времени для разных моделей с вознаграждением, равным расстоянию, Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата пройденному моделью за последний шаг Рисунок 33 ― Зависимость величины пройденного расстояния от момента времени для разных моделей с вознаграждением, равным сумме расстояния, пройденного за последний шаг, и штрафа за центр тяжести Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 61

Конструкция Модели 2 основана на конструкции модели, с помощью которой производилась настройка параметров нейронной сети и алгоритма ее обучения. Последняя была дополнена двумя конечностями и набором неподвижных отрезков. Расстояние, пройденное Моделью 2 за фиксированный промежуток времени, в обоих экспериментах меньше, чем у остальных моделей. Это связано с тем, что первая и третья модели имеют более Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата устойчивую конструкцию, которая помогает избежать падения. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 62

Заключение В ходе данной работы была реализована искусственная нейронная сеть, предназначенная для управления моделью сложного объекта, создано приложение для моделирования процесса перемещения объекта в двумерном пространстве. Разработанное приложение позволяет конструировать модели сложных объектов, создавать искусственные нейронные сети путем настройки их параметров, а также запускать сети на обучение. В процессе реализации было изучено большое количество литературы, содержащей информацию по нейронным сетям, принципам их работы и обучению. Для описания многослойного персептрона и модели объекта на языке C++ была реализована система классов. Создание приложения производилось с помощью инструментов, предоставляемых языком C++ и интегрированной средой разработки Microsoft Visual Studio. количество нейронов скрытого слоя (32 нейрона) и параметры, используемые при расчете вознаграждения агента в алгоритме Q-Learning (расстояния, пройденное моделью за последний шаг за последний шаг и комбинация расстояния, пройденного за последний шаг, со штрафом за приближения центра тяжести модели к «земле»). Данная программа позволит упростить процесс моделирования перемещения сложных объектов в пространстве. Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата В ходе проведенных исследований были определены оптимальное Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 63

Список использованных источников 1. Буч Г. Язык UML. Руководство пользователя / Рамбо Д., Якобсон И.; пер. с англ. Мухин Н. ― 2-е изд., перераб. и доп. ― М.: ДМК Пресс, 2006. ― 496 с.: ил. 2. Короткий С. Нейронные сети: алгоритм обратного распространения; статья ― 15 с. 3. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. ― М.: Финансы и статистика, 2002. ― 344с.: ил. 4. Хайкин Саймон Нейронные сети: полный курс. ― 2-е изд., перераб. и доп. ― М.: Издательский дом «Вильямс», 2006 ― 1104 с.: ил. 5. DEMYSTIFYING DEEP REINFORCEMENT LEARNING [Электронный ресурс]. ― Режим доступа: http://neuro.cs.ut.ee/demystifyingdeepreinforcement-learning/.― Загл. с экрана. 6. Google's DeepMind AI Just Taught Itself To Walk [Электронный ресурс]. ― Режим доступа: https://www.youtube.com/watch?v=gn4nRCC9TwQ. ― Загл. с Подп. и дата экрана. 7. Learn to Walk (genetic algorithm & Neural Network) [Электронный ресурс]. ― Режим доступа: https://www.youtube.com/watch?v=h-89xjWpV4U. ― 8. MSDN – сеть разработчиков Microsoft [Электронный ресурс]. — Режим доступа: https://msdn.microsoft.com/ru-ru/default.aspx .— Загл. с экрана 9. Neural Networks for Machine Learning [Электронный ресурс]. — Режим доступа: http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf . ― Загл. с экрана. Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Загл. с экрана. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 64

Приложение A (обязательное) Программный код Листинг А.1 – Описание классов extern int TOTAL_TESTS_NUMBER; extern int CUR_TESTS_NUMBER; enum TrainingTypes { RMS }; extern TrainingTypes TRAINING_TYPE; struct Test { Matrix2d inputs; Matrix2d outputs; Test() {}; Test(vector<vector<double>> _in, vector<vector<double>> _out) { inputs = _in; outputs = _out; } Test(Matrix2d _in, Matrix2d _out) { inputs = _in; outputs = _out; } }; Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата extern double LearningRate; extern int NUM_HIDDEN_NEURONS; extern int NUM_HIDDEN_LAYERS; extern ActFuncTypes ACT_FUNC; //For RMS extern double RMS_GAMMA; extern double RMS_LEARN_RATE; extern double RMS_EPS; class NeuroNet { protected: int num_layers; vector<Layer> layers; int num_inputs; int num_outputs; Matrix2d outputs; public: NeuroNet(); NeuroNet(int ninputs, int nlayers, vector<int> nlneurons, vector<ActFuncTypes> _aft, int noutputs); void Init(int ninputs, int nlayers, vector<int> nlneurons, vector<ActFuncTypes> _aft, int noutputs, vector<Matrix2d> _biases, vector<Matrix2d> _weights); void AddTest(deque<Test>& ts, vector<vector<double>> _in, vector<vector<double>> _out); Инв.№ подл. void AddTest(deque<Test>& ts, Matrix2d _in, Matrix2d _out); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 65

void Running(Test& test); void Running(vector<vector<double>>& inps); double RunningLearningOffline(deque<Test> & tests, vector<int>& tests_pos); void ResilientPropagation(); double RPropLearningOffline(deque<Test> & tests, vector<int>& tests_pos); void RMSPropagation(); double RMSLearningOffline(deque<Test> & tests, vector<int>& tests_pos); void PrintWeightsAndBiases(ostream& fout, bool print_null); Matrix2d GetOutput(); void CalcDeltaAndGrad(Test& test); double CalcError(Test& test); void CorrectWeightsAndBiases(vector<Matrix2d>& _gradient, vector<Matrix2d>& _delta); void SetWeights(vector<Matrix2d> _w); void SetBiases(vector<Matrix2d> _b); friend ostream& operator << (ostream& out, NeuroNet& _nnet); }; enum ActFuncTypes { NA, TANH, SGMD, LINE }; class Layer { private: ActFuncTypes activation_func; int num_neurons; int num_prev_neurons; public: Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Matrix2d Взам. инв. № Инв. № дубл. Подп. и дата Matrix2d Matrix2d Matrix2d Matrix2d sgmd_func(Matrix2d& _states); tanh_func(Matrix2d& _states); diff_sgmd_func(Matrix2d& _axons); diff_tanh_func(Matrix2d& _axons); weights; states; biases; axons; delta; prev_delta; delta_sum; prev_delta_sum; grad; prev_grad; grad_sum; prev_grad_sum; // // // // // // // // // // Сигмоидальная функция Гиперболический тангенс Сигмоидальная функция Гиперболический тангенс Веса нейронов Состояния нейронов Смещения нейронов Аксоны нейронов Дельта Предыдущая дельта // Градиент Matrix2d weights_correct; Matrix2d biases_correct; Подп. и дата //RMS Matrix2d Matrix2d Matrix2d Matrix2d rms; rms_biases; rmsn; rmsn_biases; Layer(); Layer(int nneurons, int nprevneurons, ActFuncTypes act_func); Инв.№ подл. Layer& operator = (Layer& _l); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 66

void Init(int nneurons, int nprevneurons, ActFuncTypes act_func, Matrix2d _biases, Matrix2d _weights); int GetNumNeurons(); void CalcStates(Layer& prev_layer); void CalcAxons(); Matrix2d CalcDiffs(); }; extern random_device rnd_dev; extern mt19937 eng; extern uniform_int_distribution<> rnd_gen; int SomeRand(); double GetRandVal(double min_val, double max_val); class Matrix2d { private: int num_rows; int num_cols; double* matrix; public: Matrix2d() { num_rows = 0; num_cols = 0; matrix = nullptr; }; ~Matrix2d(); Matrix2d(int nrow, int ncol, double val = 0.0); Matrix2d(const Matrix2d& _m); Matrix2d(vector<double>& _m); Подп. и дата void void void void void int GetNumRows() const; int GetNumCols() const; Инв. № дубл. Matrix2d Transpose() const; // Транспонирование матрицы Matrix2d MultElByEl(const Matrix2d& _m) const; // Поэлементное умножение матриц double SumAll() const; // Сложение всех элементов матрицы double SumAllSqr() const; // Сложение квадрвтов всех элементов матрицы Matrix2d Sqrt(); Взам. инв. № double& at(const int& i, const int& j); double at(const int& i, const int& j) const; Matrix2d& operator = (vector<double>& _m); Matrix2d& operator = (vector<vector<double>>& _m); Matrix2d& operator = (Matrix2d& _m); Подп. и дата Инв.№ подл. InitMatrix(double val); InitMatrix(int nrow, int ncol, double val); InitMatrixDiagByOne(); InitRandom(double minval, double maxval); InitValue(double val); Изм Лист Matrix2d operator + (const double val); Matrix2d& operator += (const double val); Matrix2d operator + (Matrix2d& _m); Matrix2d& operator += (Matrix2d& _m); // Сложение матрицы с числом // Сложение матрицы с числом // Сложение матриц // Сложение матриц Matrix2d operator - (const double val); Matrix2d& operator -= (const double val); Matrix2d operator - (Matrix2d& _m); Matrix2d& operator -= (Matrix2d& _m); // Вычитание числа из матрицы // Вычитание числа из матрицы // Вычитание матриц // Вычитание матриц № докум. Подпись Дата БР-02069964-090301-16-18 Лист 67

Matrix2d operator * (const double val); Matrix2d& operator *= (const double val); Matrix2d operator * (Matrix2d& _m); // Умножение матрицы на число // Умножение матрицы на число // Произведение матриц Matrix2d operator / (const double val); Matrix2d& operator /= (const double val); // Деление элементов матрицы на число // Деление элементов матрицы на число friend Matrix2d operator / (const double val, const Matrix2d& _m); }; class Creature { private: double fall_unit_angle = M_PI / 30; // единичный угол падения double turn_unit_angle = M_PI / 30; // единичный угол поворота double start_pos = 0.0; double start_max_x = 0.0; double cur_delta_distance = 0.0; double falling = 0.0; vector<pair<double, double>> joints; // суставы (точки соединения) vector<pair<int, int>> lines; // отрезки, из которых состоит модель vector<double> lines_length; vector<pair<double, double>> turn_intervals; // левая и правая границы интервалов поворота отрезков vector<pair<int, int>> states_mvlines; // текущие состояния подвижных отрезков, количество состояний отрезка vector<vector<int>> refs; //какие отрезки повернутся, если повернуть текущий vector<int> head_points; public: Creature() {}; void InitCreature(vector<pair<double, double>> _joints, vector<pair<int, int>> _lines, vector<pair<int, int>> _mvlines, vector<pair<double, double>> _turnint, vector<pair<int, int>> states, vector<vector<int>> _refs, vector<int> _head_points); int GetNumActions() { return 2*movable_lines.size(); } //поворот каждого отрезка в двух направлениях vector<pair<double, double>> GetJoints() { return joints; } double GetStartPos() { return start_pos; } vector<pair<int, int>> GetCurLinesStates() { return states_mvlines; } int GetNumJoints() { return joints.size(); } vector<Line> GetLines(); double GetCenterOfGravityX(); double GetCenterOfGravityY(); double GetCurDeltaDistance(); double GetTraveledDistance(); Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата vector<pair<int, int>> movable_lines; //{номер отрезка; номер сустава, в котором он поворачивается} double GetFalling() { return falling; } double GetHeadY(); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 68

void SetFallUnitAngle(double val) { fall_unit_angle = val; } void SetTurnUnitAngle(double val) { turn_unit_angle = val; } void SetJoints(vector<pair<double, double>> new_joints); void SetStates(vector<int> new_states); pair<int, int> GetAction(int action_num); bool CanDoAction(int action); bool CanDoFullAction(int action); int Rotate(int line, int tdir); void CorrectPos(int line, int tdir); void CorrectPos(int line, int tdir, int point); void Falling(); void UpdatePos(int action_num); // номер действия void PrintCreatureJoints(ostream& fout) { fout << "--------------------------Creature Joints---------------------------" << endl; for (int i = 0; i < joints.size(); ++i) { fout << fixed <<setprecision(8) << joints[i].first << " " << fixed << setprecision(8) << joints[i].second << endl; } fout << "--------------------------Creature States---------------------------" << endl; for (int i = 0; i < states_mvlines.size(); ++i) { fout << states_mvlines[i].first << " "; } fout << endl << "--------------------------------------------------------------------" << endl; } Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата }; Листинг А.2 ― Реализация методов классов NeuroNet::NeuroNet() { num_inputs = 0; num_layers = 0; num_outputs = 0; layers.resize(0); } NeuroNet::NeuroNet(int ninputs, int nlayers, vector<int> nlneurons, vector<ActFuncTypes> _aft, int noutputs) { num_inputs = ninputs; num_layers = nlayers; num_outputs = noutputs; layers.push_back(Layer(ninputs, 0, LINE)); for (int i = 0; i < nlayers; ++i) { layers.push_back(Layer(nlneurons[i], layers.back().GetNumNeurons(), _aft[i])); } } void NeuroNet::Init(int ninputs, int nlayers, vector<int> nlneurons, vector<ActFuncTypes> _aft, int noutputs, vector<Matrix2d> _biases, vector<Matrix2d> _weights) { num_inputs = ninputs; num_layers = nlayers; num_outputs = noutputs; outputs = Matrix2d(1, noutputs); Matrix2d _wm, _bm; _wm.InitMatrix(ninputs, 1, 1.0); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 69

Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата _bm = Matrix2d(1, ninputs); layers.push_back(Layer()); layers.back().Init(ninputs, 0, LINE, _bm, _wm); int nprevneurons; for (int i = 0; i < nlayers; ++i) { nprevneurons = layers.back().GetNumNeurons(); layers.push_back(Layer()); layers.back().Init(nlneurons[i], nprevneurons, _aft[i], _biases[i], _weights[i]); } } void NeuroNet::AddTest(deque<Test>& ts, vector<vector<double>> _in, vector<vector<double>> _out) { Matrix2d test_in; Matrix2d test_out; test_in = _in; test_out = _out; if (ts.size() >= TOTAL_TESTS_NUMBER) ts.pop_front(); Test new_test(test_in, test_out); ts.push_back(new_test); } void NeuroNet::AddTest(deque<Test>& ts, Matrix2d _in, Matrix2d _out) { if (ts.size() >= TOTAL_TESTS_NUMBER) ts.pop_front(); Test new_test(_in, _out); ts.push_back(new_test); } void NeuroNet::Running(Test& test) { int n = layers[0].states.GetNumRows(); int m = layers[0].states.GetNumCols(); for (int i = 0; i < n; ++i) { for (int j = 0; j < m; ++j) { layers[0].states.at(i, j) = test.inputs.at(i, j); } } layers[0].CalcAxons(); for (int i = 1; i < layers.size(); ++i) { layers[i].CalcStates(layers[i - 1]); layers[i].CalcAxons(); } outputs = layers.back().axons; } void NeuroNet::Running(vector<vector<double>>& inputs) { Test new_test; new_test.inputs = inputs; Running(new_test); } double NeuroNet::RunningLearningOffline(deque<Test> & tests, vector<int>& tests_pos) { vector<Matrix2d> _delta(layers.size()); vector<Matrix2d> _grad(layers.size()); for (int i = 0; i < layers.size(); ++i) { _delta[i] = Matrix2d(layers[i].delta.GetNumRows(), layers[i].delta.GetNumCols()); _grad[i] = Matrix2d(layers[i].grad.GetNumRows(), layers[i].grad.GetNumCols()); } Инв.№ подл. for (int i = 0; i < tests_pos.size(); ++i) { Running(tests[tests_pos[i]]); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 70

CalcDeltaAndGrad(tests[tests_pos[i]]); for (int j = 1; j < layers.size(); ++j) { _delta[j] += layers[j].delta; _grad[j] += layers[j].grad; } } // Вычисление суммы квадратов градиентов double norm = 0.0; for (int i = 1; i < layers.size(); ++i) { norm += _delta[i].SumAllSqr(); norm += _grad[i].SumAllSqr(); } if (fabs(norm) < 1e-7) { return 0.0; } // Нормировка градиентов norm = sqrt(fabs(norm)); for (int i = 1; i < layers.size(); ++i) { _delta[i] /= norm; _grad[i] /= norm; } CorrectWeightsAndBiases(_grad, _delta); return norm; Взам. инв. № Инв. № дубл. Подп. и дата } void NeuroNet::ResilientPropagation() { double EttaPlus = 1.2; double EttaMinus = 0.5; double MinCorrectVal = 1e-6; double MaxCorrectVal = 50.0; for (int i = 1; i < layers.size(); ++i) { for (int j = 0; j < layers[i].grad_sum.GetNumRows(); ++j) { for (int k = 0; k < layers[i].grad_sum.GetNumCols(); ++k) { double correct_val = 0.0; double curmatrixult = layers[i].grad_sum.at(j, k) * layers[i].prev_grad_sum.at(j, k); if (curmatrixult == 0.0) correct_val = rand() / RAND_MAX; else if (curmatrixult > 0.0) correct_val = min(EttaPlus * layers[i].weights_correct.at(j, k), MaxCorrectVal); else if (curmatrixult < 0.0) correct_val = max(EttaMinus * layers[i].weights_correct.at(j, k), MinCorrectVal); Инв.№ подл. Подп. и дата layers[i].weights_correct.at(j, k) = correct_val; if (layers[i].grad_sum.at(j, k) == 0.0) continue; if (layers[i].grad_sum.at(j, k) > 0.0) layers[i].weights.at(j, k) -= correct_val; else Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 71

layers[i].weights.at(j, k) += correct_val; } } for (int j = 0; j < layers[i].delta_sum.GetNumRows(); ++j) { double cur_correct = 0.0; double curmatrixult = layers[i].delta_sum.at(0, j) * layers[i].prev_delta_sum.at(0, j); if (curmatrixult == 0.0) cur_correct = rand() / RAND_MAX; else if (curmatrixult > 0.0) cur_correct = min(EttaPlus * layers[i].biases_correct.at(0, j), MaxCorrectVal); else if (curmatrixult < 0.0) cur_correct = max(EttaMinus * layers[i].biases_correct.at(0, j), MinCorrectVal); layers[i].biases_correct.at(0, j) = cur_correct; if (layers[i].delta_sum.at(0, j) == 0.0) continue; if (layers[i].delta_sum.at(0, j) > 0.0) layers[i].biases.at(0, j) -= cur_correct; else layers[i].biases.at(0, j) += cur_correct; } } double NeuroNet::RPropLearningOffline(deque<Test> & tests, vector<int>& tests_pos) { for (int i = 0; i < layers.size(); ++i) { layers[i].delta_sum.InitValue(0.0); layers[i].grad_sum.InitValue(0.0); } for (int i = 0; i < tests_pos.size(); ++i) { Running(tests[tests_pos[i]]); CalcDeltaAndGrad(tests[tests_pos[i]]); for (int j = 1; j < layers.size(); ++j) { layers[j].delta_sum += layers[j].delta; layers[j].grad_sum += layers[j].grad; } Инв. № дубл. Подп. и дата } } Взам. инв. № // Вычисление суммы квадратов градиентов double norm = 0.0; for (int i = 1; i < layers.size(); ++i) { norm += layers[i].delta_sum.SumAllSqr(); norm += layers[i].grad_sum.SumAllSqr(); } Инв.№ подл. Подп. и дата if (norm < 1e-6) { return 0.0; } ResilientPropagation(); for (int i = 1; i < layers.size(); ++i) { layers[i].prev_delta_sum = layers[i].delta_sum; layers[i].prev_grad_sum = layers[i].grad_sum; } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 72

double err = 0.0; for (int i = 0; i < tests_pos.size(); ++i) { Running(tests[tests_pos[i]]); err += CalcError(tests[tests_pos[i]]); } return err; } void NeuroNet::RMSPropagation() { for (int i = 1; i < layers.size(); ++i) { layers[i].weights -= (RMS_LEARN_RATE / (layers[i].rms layers[i].rmsn.MultElByEl(layers[i].rmsn) + RMS_EPS).Sqrt()).MultElByEl(layers[i].grad_sum); layers[i].biases -= (RMS_LEARN_RATE / (layers[i].rms_biases layers[i].rmsn_biases.MultElByEl(layers[i].rmsn_biases) + RMS_EPS).Sqrt()).MultElByEl(layers[i].delta_sum); } } double NeuroNet::RMSLearningOffline(deque<Test> & tests, vector<int>& tests_pos) { for (int i = 0; i < layers.size(); ++i) { layers[i].grad_sum.InitValue(0.0); layers[i].delta_sum.InitValue(0.0); } for (int i = 0; i < tests_pos.size(); ++i) { Running(tests[tests_pos[i]]); CalcDeltaAndGrad(tests[tests_pos[i]]); } for (int i = 1; i < layers.size(); ++i) { layers[i].rms = layers[i].rms * RMS_GAMMA + layers[i].grad_sum.MultElByEl(layers[i].grad_sum) * (1.0 - RMS_GAMMA); layers[i].rms_biases = layers[i].rms_biases * RMS_GAMMA + layers[i].delta_sum.MultElByEl(layers[i].delta_sum) * (1.0 - RMS_GAMMA); layers[i].rmsn = layers[i].rmsn * RMS_GAMMA + layers[i].grad_sum * (1.0 RMS_GAMMA); layers[i].rmsn_biases = layers[i].rmsn_biases * RMS_GAMMA + layers[i].delta_sum * (1.0 - RMS_GAMMA); } RMSPropagation(); for (int i = 0; i < layers.size(); ++i) { layers[i].prev_grad_sum = layers[i].grad_sum; layers[i].prev_delta_sum = layers[i].delta_sum; } Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата for (int j = 1; j < layers.size(); ++j) { layers[j].delta_sum += layers[j].delta; layers[j].grad_sum += layers[j].grad; } double err = 0.0; for (int i = 0; i < tests_pos.size(); ++i) { Running(tests[tests_pos[i]]); err += CalcError(tests[tests_pos[i]]); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 73

} return err; Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата } void NeuroNet::PrintWeightsAndBiases(ostream& fout, bool print_null) { fout << "----------Weights------------" << endl; for (int i = 1; i < layers.size(); ++i) { Matrix2d m = layers[i].weights.Transpose(); for (int j = 0; j < m.GetNumRows(); ++j) { for (int k = 0; k < m.GetNumCols(); ++k) { if (!print_null) fout << fixed << setprecision(7) << m.at(j, k) << " "; else fout << fixed << setprecision(7) << 0.0 << " "; } fout << endl; } } fout << "----------Biases------------" << endl; for (int i = 1; i < layers.size(); ++i) { Matrix2d m = layers[i].biases; for (int j = 0; j < m.GetNumRows(); ++j) { for (int k = 0; k < m.GetNumCols(); ++k) { if (!print_null) fout << fixed << setprecision(7) << m.at(j, k) << " "; else fout << fixed << setprecision(7) << 0.0 << " "; } fout << endl; } } } Matrix2d NeuroNet::GetOutput() { return outputs; } void NeuroNet::CalcDeltaAndGrad(Test& test) { layers[layers.size() - 1].delta = (layers[layers.size() - 1].axons test.outputs).MultElByEl(layers[layers.size() - 1].CalcDiffs()); for (int i = layers.size() - 2; i > 0; --i) { layers[i].delta = (layers[i + 1].delta*layers[i + 1].weights).MultElByEl(layers[i].CalcDiffs()); } for (int i = 1; i < layers.size(); ++i) { layers[i].grad = layers[i].delta.Transpose() * layers[i - 1].axons; } } double NeuroNet::CalcError(Test& test) { double res = (test.outputs - layers.back().axons).SumAllSqr() / 2.0; return res; } void NeuroNet::CorrectWeightsAndBiases(vector<Matrix2d>& _gradient, vector<Matrix2d>& _delta) { for (int i = 1; i < layers.size();++i) { layers[i].weights -= _gradient[i] * LearningRate; layers[i].biases -= _delta[i] * LearningRate; } } void NeuroNet::SetWeights(vector<Matrix2d> _w) { for (int i = 1; i < layers.size(); ++i) { Matrix2d m = _w[i - 1].Transpose(); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 74

layers[i].weights = m; } } void NeuroNet::SetBiases(vector<Matrix2d> _b) { for (int i = 1; i < layers.size(); ++i) { layers[i].biases = _b[i - 1]; Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата } } ostream& operator << (ostream& out, NeuroNet& _nnet) { for (int i = 0; i < _nnet.num_outputs; ++i) { out << fixed << setprecision(6) << _nnet.outputs.at(0, i) << " "; } return out; } Matrix2d Layer::sgmd_func(Matrix2d& _states) { int n = _states.GetNumRows(); int m = _states.GetNumCols(); Matrix2d res(n, m); for (int i = 0; i < n; ++i) { for (int j = 0; j < m; ++j) { if (_states.at(i, j) < (-1.0 * 35)) res.at(i, j) = 1e-12; else res.at(i, j) = 1.0 / (1.0 + exp(-_states.at(i, j))); } } return res; } Matrix2d Layer::tanh_func(Matrix2d& _states) { int n = _states.GetNumRows(); int m = _states.GetNumCols(); Matrix2d res(n, m); for (int i = 0; i < n; ++i) { for (int j = 0; j < m; ++j) { res.at(i, j) = tanh(_states.at(i, j)); } } return res; } Matrix2d Layer::diff_sgmd_func(Matrix2d& _axons) { int n = _axons.GetNumRows(); int m = _axons.GetNumCols(); Matrix2d res(n, m); for (int i = 0; i < n; ++i) { for (int j = 0; j < m; ++j) { res.at(i, j) = (1.0 - _axons.at(i, j)) * _axons.at(i, j); } } return res; } Matrix2d Layer::diff_tanh_func(Matrix2d& _axons) { int n = _axons.GetNumRows(); int m = _axons.GetNumCols(); Matrix2d res(n, m); for (int i = 0; i < n; ++i) { for (int j = 0; j < m; ++j) { res.at(i, j) = (1.0 - _axons.at(i, j) * _axons.at(i, j)); } } return res; } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 75

Layer::Layer() { activation_func = NA; num_prev_neurons = 0; num_neurons = 0; weights = Matrix2d(); states = Matrix2d(); biases = Matrix2d(); axons = Matrix2d(); delta = Matrix2d(); grad = Matrix2d(); prev_delta = Matrix2d(); delta_sum = Matrix2d(); prev_delta_sum = Matrix2d(); prev_grad = Matrix2d(); grad_sum = Matrix2d(); prev_grad_sum = Matrix2d(); weights_correct = Matrix2d(); biases_correct = Matrix2d(); rms = Matrix2d(); rms_biases = Matrix2d(); rmsn = Matrix2d(); rmsn_biases = Matrix2d(); } Layer::Layer(int nneurons, int nprevneurons, ActFuncTypes act_func) { activation_func = act_func; num_prev_neurons = nprevneurons; num_neurons = nneurons; Подп. и дата weights = Matrix2d(nneurons, nprevneurons); weights.InitRandom(0.0, 1.0); states = Matrix2d(1, nneurons); biases = Matrix2d(1, nneurons); biases.InitRandom(-1.0, 1.0); axons = Matrix2d(1, nneurons); delta = Matrix2d(1, nneurons); grad = Matrix2d(nneurons, nprevneurons); Инв. № дубл. prev_delta = Matrix2d(1, nneurons); delta_sum = Matrix2d(1, nneurons); prev_delta_sum = Matrix2d(1, nneurons); prev_grad = Matrix2d(nneurons, nprevneurons); grad_sum = Matrix2d(nneurons, nprevneurons); prev_grad_sum = Matrix2d(nneurons, nprevneurons); Инв.№ подл. Подп. и дата Взам. инв. № weights_correct = Matrix2d(nneurons, nprevneurons); weights_correct.InitRandom(0.0, 1.0); biases_correct = Matrix2d(1, nneurons); biases_correct.InitRandom(-1.0, 1.0); rms = Matrix2d(nneurons, nprevneurons); rms_biases = Matrix2d(1, nneurons); rmsn = Matrix2d(nneurons, nprevneurons); rmsn_biases = Matrix2d(1, nneurons); } Layer& Layer::operator = (Layer& _l) { activation_func = _l.activation_func; num_prev_neurons = _l.num_prev_neurons; num_neurons = _l.GetNumNeurons(); weights = _l.weights; states = _l.states; biases = _l.biases; axons = _l.axons; Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 76

delta = _l.delta; grad = _l.grad; prev_delta = _l.prev_delta; delta_sum = _l.delta_sum; prev_delta_sum = _l.prev_delta_sum; prev_grad = _l.prev_grad; grad_sum = _l.grad_sum; prev_grad_sum = _l.prev_grad_sum; weights_correct = _l.weights_correct; biases_correct = _l.biases_correct; rms = _l.rms; rms_biases = _l.rms_biases; rmsn = _l.rmsn; rmsn_biases = _l.rmsn_biases; return *this; } void Layer::Init(int nneurons, int nprevneurons, ActFuncTypes act_func, Matrix2d _biases, Matrix2d _weights) { activation_func = act_func; num_prev_neurons = nprevneurons; num_neurons = nneurons; weights = _weights; states = Matrix2d(1, nneurons); biases = _biases; axons = Matrix2d(1, nneurons); delta = Matrix2d(1, nneurons); grad = Matrix2d(nneurons, nprevneurons); Подп. и дата prev_delta = Matrix2d(1, nneurons); delta_sum = Matrix2d(1, nneurons); prev_delta_sum = Matrix2d(1, nneurons); prev_grad = Matrix2d(nneurons, nprevneurons); grad_sum = Matrix2d(nneurons, nprevneurons); prev_grad_sum = Matrix2d(nneurons, nprevneurons); Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. weights_correct = Matrix2d(nneurons, nprevneurons); weights_correct.InitRandom(0.0, 1.0); biases_correct = Matrix2d(1, nneurons); biases_correct.InitRandom(-1.0, 1.0); rms = Matrix2d(nneurons, nprevneurons); rms_biases = Matrix2d(1, nneurons); rmsn = Matrix2d(nneurons, nprevneurons); rmsn_biases = Matrix2d(1, nneurons); } int Layer::GetNumNeurons() { return num_neurons; } void Layer::CalcStates(Layer& prev_layer) { states = prev_layer.axons * weights.Transpose() + biases; } void Layer::CalcAxons() { switch (activation_func) { case TANH: axons = tanh_func(states); break; case SGMD: axons = sgmd_func(states); break; case LINE: axons = states; break; default: break; } } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 77

Matrix2d Layer::CalcDiffs() { switch (activation_func) { case TANH: return diff_tanh_func(axons); break; case SGMD: return diff_sgmd_func(axons); break; case LINE: { Matrix2d m; m.InitMatrix(axons.GetNumRows(), axons.GetNumCols(), 1.0); return m; break; } default: break; } } random_device rnd_dev; mt19937 eng = mt19937(rnd_dev()); uniform_int_distribution<> rnd_gen = uniform_int_distribution<>(0, RAND_MAX); int SomeRand() { return rnd_gen(eng); } double GetRandVal(double min_val, double max_val) { return min_val + (max_val - min_val) * SomeRand() / RAND_MAX; } Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата Matrix2d::~Matrix2d() { if (num_rows != 0) delete[](matrix); matrix = nullptr; } Matrix2d::Matrix2d(int nrow, int ncol, double val) { num_rows = nrow; num_cols = ncol; matrix = new double[nrow*ncol]; for (int i = 0; i < num_rows*num_cols; ++i) { matrix[i] = val; } } Matrix2d::Matrix2d(const Matrix2d& _m) { num_rows = _m.num_rows; num_cols = _m.num_cols; matrix = new double[num_rows*num_cols]; memcpy_s(matrix, num_rows*num_cols * sizeof(*matrix), _m.matrix, num_rows*num_cols * sizeof(*_m.matrix)); } Matrix2d::Matrix2d(vector<double>& _m) { num_rows = 1; num_cols = _m.size(); matrix = new double[num_cols]; memcpy_s(matrix, num_rows*num_cols * sizeof(*matrix), _m.data(), num_rows*num_cols * sizeof(*_m.data())); } void Matrix2d::InitMatrix(double val) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 78

at(i, j) = val; } } } void Matrix2d::InitMatrix(int nrow, int ncol, double val) { num_rows = nrow; num_cols = ncol; matrix = new double[nrow*ncol]; for (int i = 0; i < num_rows*num_cols; ++i) { matrix[i] = val; } } void Matrix2d::InitMatrixDiagByOne() { int n = min(num_rows, num_cols); for (int i = 0; i < n; ++i) { at(i, i) = 1.0; } } Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата void Matrix2d::InitRandom(double minval, double maxval) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) = GetRandVal(minval, maxval); } } } void Matrix2d::InitValue(double val) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) = val; } } } int Matrix2d::GetNumRows() const { return num_rows; } int Matrix2d::GetNumCols() const { return num_cols; } // Транспонирование матрицы Matrix2d Matrix2d::Transpose() const { int n = GetNumCols(); int m = GetNumRows(); Matrix2d res(n, m); for (int i = 0; i < n; ++i) { for (int j = 0; j < m; ++j) { res.at(i, j) = at(j, i); } } return move(res); } // Поэлементное умножение матриц Matrix2d Matrix2d::MultElByEl(const Matrix2d& _m) const { if (_m.GetNumRows() != num_rows || _m.GetNumCols() != num_cols) { throw logic_error("Wrong sizes in multiplication operation"); } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 79

Matrix2d res(num_rows, num_cols); for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { res.at(i, j) = at(i, j) * _m.at(i, j); } } return move(res); } // Сложение квадрвтов всех элементов матрицы double Matrix2d::SumAllSqr() const { double res = 0.0; for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { res += at(i, j) * at(i, j); } } return res; } Подп. и дата // Сложение всех элементов матрицы double Matrix2d::SumAll() const { double res = 0.0; for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { res += at(i, j); } } return res; } Matrix2d Matrix2d::Sqrt() { Matrix2d res(num_rows, num_cols); for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { res.at(i, j) = sqrt(fabs(at(i, j))); } } return move(res); Подп. и дата Взам. инв. № Инв. № дубл. } double& Matrix2d::at(const int& i, const int& j) { return matrix[i*num_cols + j]; } double Matrix2d::at(const int& i, const int& j) const { return matrix[i*num_cols + j]; } Matrix2d& Matrix2d::operator = (vector<double>& _m) { delete[](matrix); num_rows = 1; num_cols = _m.size(); matrix = new double[num_rows*num_cols]; memcpy_s(matrix, num_rows*num_cols * sizeof(*matrix), _m.data(), num_rows*num_cols * sizeof(*_m.data())); return *this; } Инв.№ подл. Matrix2d& Matrix2d::operator = (vector<vector<double>>& _m) { Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 80

delete[](matrix); num_rows = _m.size(); num_cols = (num_rows != 0) ? _m[0].size() : 0; matrix = new double[num_rows*num_cols]; for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) = _m[i][j]; } } return *this; } Matrix2d& Matrix2d::operator = (Matrix2d& _m) { delete[](matrix); num_rows = _m.GetNumRows(); num_cols = _m.GetNumCols(); matrix = new double[num_rows*num_cols]; memcpy_s(matrix, num_rows*num_cols * sizeof(*matrix), _m.matrix, num_rows*num_cols * sizeof(*_m.matrix)); return *this; } // Сложение матрицы с числом Matrix2d& Matrix2d::operator += (const double val) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) += val; } } return *this; Подп. и дата // Сложение матриц Matrix2d& Matrix2d::operator += (Matrix2d& _m) { if (_m.GetNumRows() != num_rows || _m.GetNumCols() != num_cols) { //Error! throw logic_error("Wrong sizes in addition operation"); } Взам. инв. № // Сложение матрицы с числом Matrix2d Matrix2d::operator + (const double val) { Matrix2d res = *this; res += val; return move(res); } Инв. № дубл. } for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) += _m.at(i, j); } } Инв.№ подл. Подп. и дата return *this; } // Сложение матриц Matrix2d Matrix2d::operator + (Matrix2d& _m) { Matrix2d res = *this; res += _m; return move(res); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 81

} // Вычтиание числа из матрицы Matrix2d& Matrix2d::operator -= (const double val) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) -= val; } } return *this; } // Вычитание числа из матрицы Matrix2d Matrix2d::operator - (const double val) { Matrix2d res = *this; res -= val; return move(res); } // Вычитание матриц Matrix2d& Matrix2d::operator -= (Matrix2d& _m) { if (_m.GetNumRows() != num_rows || _m.GetNumCols() != num_cols) { //Error! throw logic_error("Wrong sizes in subtraction operation"); } for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) -= _m.at(i, j); } } Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата return *this; } // Вычитание матриц Matrix2d Matrix2d::operator - (Matrix2d& _m) { Matrix2d res = *this; res -= _m; return move(res); } // Умножение матрицы на число Matrix2d& Matrix2d::operator *= (const double val) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) *= val; } } return *this; } // Умножение матрицы на число Matrix2d Matrix2d::operator * (const double val) { Matrix2d res = *this; res *= val; return move(res); } Инв.№ подл. // Произведение матриц Matrix2d Matrix2d::operator * (Matrix2d& _m) { Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 82

if (_m.GetNumRows() != num_cols) { //Error! throw logic_error("Wrong sizes in multiplication operation"); } Matrix2d res(num_rows, _m.GetNumCols()); int _mnum_cols = _m.GetNumCols(); for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < _mnum_cols; ++j) { res.at(i, j) = 0.0; for (int k = 0; k < num_cols; ++k) { res.at(i, j) += at(i, k) * _m.at(k, j); } } } return move(res); } // Деление элементов матрицы на число Matrix2d& Matrix2d::operator /= (const double val) { for (int i = 0; i < num_rows; ++i) { for (int j = 0; j < num_cols; ++j) { at(i, j) /= val; } } return *this; Инв. № дубл. Подп. и дата } // Деление элементов матрицы на число Matrix2d Matrix2d::operator / (const double val) { Matrix2d res = *this; res /= val; return move(res); } Matrix2d operator / (const double val, const Matrix2d& _m) { Matrix2d res(_m.num_rows, _m.num_cols); for (int i = 0; i < _m.num_rows; ++i) { for (int j = 0; j < _m.num_cols; ++j) { res.at(i, j) = val / _m.at(i, j); if (isinf(res.at(i, j)) || isnan(res.at(i, j))) res.at(i, j) = DBL_MAX; } } Инв.№ подл. Подп. и дата Взам. инв. № return move(res); } void Creature::InitCreature(vector<pair<double, double>> _joints, vector<pair<int, int>> _lines, vector<pair<int, int>> _mvlines, vector<pair<double, double>> _turnint, vector<pair<int, int>> states, vector<vector<int>> _refs, vector<int> _head_points) { joints = _joints; lines = _lines; for (int i = 0; i < _lines.size(); ++i) { double d = GetDistance(joints[lines[i].first].first, joints[lines[i].first].second, joints[lines[i].second].first, joints[lines[i].second].second); lines_length.push_back(d); } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 83

movable_lines = _mvlines; turn_intervals = _turnint; states_mvlines = states; refs = _refs; head_points = _head_points; start_pos = GetCenterOfGravityX(); start_max_x = -DBL_MAX; for (int i = 0; i < joints.size(); ++i) { if (joints[i].first > start_max_x) { start_max_x = joints[i].first; } } } Подп. и дата void Creature::SetJoints(vector<pair<double, double>> new_joints) { for (int i = 0; i < joints.size();++i){ joints[i] = new_joints[i]; } } void Creature::SetStates(vector<int> new_states) { for (int i = 0; i < states_mvlines.size(); ++i) { if (new_states[i] > states_mvlines[i].second - 1) return; if (new_states[i] == -1) { for (int j = 0; j < movable_lines.size(); ++j) { if (i == movable_lines[j].first) return; } continue; } if (new_states[i] < 0) return; } for (int i = 0; i < states_mvlines.size(); ++i) { states_mvlines[i].first = new_states[i]; } } Инв. № дубл. vector<Line> Creature::GetLines() { vector<Line> res; Взам. инв. № for (int i = 0; i < lines.size(); ++i) { double cx = 1.0*(joints[lines[i].first].first + joints[lines[i].second].first) / 2; // координата x центра тяжести sum_mass += lines_length[i]; // lines_length[i] - длина отрезка, и т.к. 1 ед. длины = 1 ед. массы, то используем длину sum_momets += cx*lines_length[i]; // плечо на массу } Инв.№ подл. } Подп. и дата for (int i = 0; i < lines.size(); ++i) { Point p1 = { joints[lines[i].first].first, joints[lines[i].first].second }; Point p2 = { joints[lines[i].second].first, joints[lines[i].second].second }; res.push_back({ p1, p2, lines_length[i] }); } return res; double Creature::GetCenterOfGravityX() { double sum_momets = 0.0; double sum_mass = 0.0; double res = 0.0; Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 84

return res = sum_momets / sum_mass; } double Creature::GetCenterOfGravityY() { double sum_momets = 0.0; double sum_mass = 0.0; double res = 0.0; for (int i = 0; i < lines.size(); ++i) { double cx = 1.0*(joints[lines[i].first].second + joints[lines[i].second].second) / 2; sum_mass += lines_length[i]; // lines_length[i] - длина отрезка, и т.к. 1 ед. длины = 1 ед. массы, то используем длину sum_momets += cx*lines_length[i]; // плечо на массу } return res = sum_momets / sum_mass; } double Creature::GetCurDeltaDistance() { double cx = GetCenterOfGravityX(); return cx - start_pos; } Подп. и дата double Creature::GetTraveledDistance() { double tmp = -DBL_MAX; for (int i = 0; i < joints.size(); ++i) { if (joints[i].first > tmp) { tmp = joints[i].first; } } return tmp - start_max_x; } double Creature::GetHeadY() { double minY = DBL_MAX; for (int i = 0; i < head_points.size(); ++i) { minY = min(minY, joints[head_points[i]].second); } return minY; Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. } pair<int, int> Creature::GetAction(int action_num) { int line = action_num / 2; int turn_dir; if (action_num % 2 == 0) turn_dir = 1; else turn_dir = -1; return make_pair(line, turn_dir); } bool Creature::CanDoAction(int action) { pair<int, int> line_and_dir = GetAction(action); //Если отрезок находится в одном из крайних состояний if (states_mvlines[movable_lines[line_and_dir.first].first].first <= 0 && line_and_dir.second == 1) return false; Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 85

if (states_mvlines[movable_lines[line_and_dir.first].first].first >= (states_mvlines[movable_lines[line_and_dir.first].first].second - 1) && line_and_dir.second == -1) return false; return true; } bool Creature::CanDoFullAction(int action) { pair<int, int> line_and_dir = GetAction(action); int line = line_and_dir.first; int tdir = line_and_dir.second; double angsign = 0.0; // Направление поворота if (tdir == 1) angsign = -1.0; if (tdir == -1) angsign = 1.0; int mvline = movable_lines[line].first; double unit_angle = turn_unit_angle; // Перемещение set<int> points; int os = movable_lines[line].second; Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата // концы отрезка, который поворачивается if (lines[mvline].first != os) points.insert(lines[mvline].first); if (lines[mvline].second != os) points.insert(lines[movable_lines[line].first].second); for (int i = 0; i < refs[mvline].size(); ++i) { points.insert(lines[refs[mvline][i]].first); points.insert(lines[refs[mvline][i]].second); } for (auto it = points.begin(); it != points.end(); ++it) { double d = GetDistance(joints[os].first, joints[os].second, joints[*it].first, joints[*it].second); double angle = GetAngle(joints[os].first, joints[os].second, joints[*it].first, joints[*it].second) + angsign*unit_angle; double new_y = joints[os].second + d*sin(angle); if (new_y < 0.0) return false; } return true; } void Creature::Falling() { double cg = GetCenterOfGravityX(); vector<pair<pair<double, double>, int>> sup_points; // точки опоры double err_y = 0.00000001; // допустимое расстояние от земли, при котором касание еще существует for (int i = 0; i < joints.size(); ++i) { if (joints[i].second <= err_y) { Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 86

sup_points.push_back(make_pair(joints[i], i)); } } // Если после поворота некоторго отрезка, существо оказалось в воздухе if (sup_points.size() == 0) { double ymn = 1.0*1e9; for (int i = 0; i < joints.size(); ++i) { if (joints[i].second < ymn) { ymn = joints[i].second; } } for (int i = 0; i < joints.size(); ++i) { joints[i].second -= ymn; } for (int i = 0; i < joints.size(); ++i) { if (joints[i].second <= err_y) { sup_points.push_back(make_pair(joints[i], i)); } } } sort(sup_points.begin(), sup_points.end()); int fall_flag = 0; // balance int turn_point; Подп. и дата if (sup_points[0].first.first > cg) { // left turn_point = sup_points[0].second; fall_flag = -1; } else if (sup_points[sup_points.size() - 1].first.first < cg) { //right turn_point = sup_points[0].second; fall_flag = 1; } if (fall_flag != 0) { Подп. и дата Взам. инв. № Инв. № дубл. falling = 0.0; double angle_sign = 0.0; if (fall_flag == 1) angle_sign = -1.0; else angle_sign = 1.0; vector<pair<double, double>> new_pos; vector<double> err_angles; for (int i = 0; i < joints.size(); ++i) { if (i == turn_point) continue; double d = GetDistance(joints[turn_point].first, joints[turn_point].second, joints[i].first, joints[i].second); double angle = GetAngle(joints[turn_point].first, joints[turn_point].second, joints[i].first, joints[i].second); double x = joints[turn_point].first + d*cos(angle + angle_sign*fall_unit_angle); double y = joints[turn_point].second + d*sin(angle + angle_sign*fall_unit_angle); if (y < 0.0) { double tmp_a = GetAngle(joints[turn_point].first, joints[turn_point].second, joints[i].first + 1.0*fall_flag*d, 0.0); Инв.№ подл. angle = GetEquivPositiveAngle(angle); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 87

tmp_a = GetEquivPositiveAngle(tmp_a); err_angles.push_back(fabs(angle - tmp_a)); } new_pos.push_back(make_pair(x, y)); } if (!err_angles.size()) { for (int i = 0, j = 0; i < joints.size(); ++i) { if (i == turn_point) continue; joints[i].first = new_pos[j].first; joints[i].second = new_pos[j].second; j++; } } else { sort(err_angles.begin(), err_angles.end()); for (int i = 0; i < joints.size(); ++i) { if (i == turn_point) continue; double d = GetDistance(joints[turn_point].first, joints[turn_point].second, joints[i].first, joints[i].second); double angle = GetAngle(joints[turn_point].first, joints[turn_point].second, joints[i].first, joints[i].second) + angle_sign*err_angles[0]; joints[i].first = joints[turn_point].first + d*cos(angle); joints[i].second = joints[turn_point].second + d*sin(angle); } } } else { falling = min(fabs(cg - sup_points[0].first.first), fabs(cg sup_points.back().first.first)); } int Creature::Rotate(int line, int tdir) { double angsign = 0.0; int mvline = movable_lines[line].first; // Обновление состояний if (tdir == 1) { states_mvlines[mvline].first--; angsign = -1.0; } if (tdir == -1) { states_mvlines[mvline].first++; angsign = 1.0; } double unit_angle = turn_unit_angle; Взам. инв. № Инв. № дубл. Подп. и дата } Инв.№ подл. Подп. и дата set<int> points; int os = movable_lines[line].second; // концы отрезка, который поворачивается if (lines[mvline].first != os) points.insert(lines[mvline].first); if (lines[mvline].second != os) points.insert(lines[mvline].second); for (int i = 0; i < refs[mvline].size(); ++i) { points.insert(lines[refs[mvline][i]].first); points.insert(lines[refs[mvline][i]].second); } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 88

double ymn = DBL_MAX; int minpoint = -1; for (auto it = points.begin(); it != points.end(); ++it) { double d = GetDistance(joints[os].first, joints[os].second, joints[*it].first, joints[*it].second); double angle = GetAngle(joints[os].first, joints[os].second, joints[*it].first, joints[*it].second) + angsign*unit_angle; joints[*it].first = joints[os].first + d*cos(angle); joints[*it].second = joints[os].second + d*sin(angle); if (joints[*it].second < ymn) { ymn = joints[*it].second; minpoint = *it; } } return minpoint; } void Creature::CorrectPos(int line, int tdir) { int mvline = movable_lines[line].first; int os = movable_lines[line].second; int nos; if (lines[mvline].first != os) // находим точку отрезка, которая НЕ является суставом поворота nos = lines[mvline].first; else nos = lines[mvline].second; Подп. и дата for (int i = 0; i < joints.size(); ++i) { joints[i].first += 1.0*tdir*dx; joints[i].second += dy; } Подп. и дата Взам. инв. № if (tdir == 1) { dx = fabs(max(x1, x2) - joints[nos].first); } else if (tdir == -1) { dx = fabs(min(x1, x2) - joints[nos].first); } Инв. № дубл. double dy = fabs(joints[nos].second); double dx = 0.0; double x1 = joints[os].first - sqrt(fabs(lines_length[mvline] * lines_length[mvline] - joints[os].second*joints[os].second)); double x2 = joints[os].first + sqrt(fabs(lines_length[mvline] * lines_length[mvline] - joints[os].second*joints[os].second)); } void Creature::CorrectPos(int line, int tdir, int point) { int mvline = movable_lines[line].first; int os = movable_lines[line].second; double dy = fabs(joints[point].second); double dx = 0.0; double dd = GetDistance(joints[os].first, joints[os].second, joints[point].first, joints[point].second); double x1 = joints[os].first - sqrt(fabs(dd * dd joints[os].second*joints[os].second)); double x2 = joints[os].first + sqrt(fabs(dd * dd joints[os].second*joints[os].second)); Инв.№ подл. if (tdir == 1) { dx = fabs(max(x1, x2) - joints[point].first); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 89

} else if (tdir == -1) { dx = fabs(min(x1, x2) - joints[point].first); } for (int i = 0; i < joints.size(); ++i) { joints[i].first += tdir*dx; joints[i].second += dy; } } void Creature::UpdatePos(int action_num) { pair<int, int> p = GetAction(action_num);// номер отрезка и направление поворота (1 по ч.с., 2 - против ч.с.) int line = p.first; int mvline = movable_lines[line].first; int tdir = p.second; int angsign = 0; // Перемещение if (CanDoFullAction(action_num)) { // Если можно совершить полный поворот отрезком Rotate(line, tdir); } else { if (refs[mvline].size() == 0) { Rotate(line, tdir); CorrectPos(line, tdir); } else { int point = Rotate(line, tdir); CorrectPos(line, tdir, point); } } Подп. и дата double GetReward() { double res = 0.0; for (int i = 0; i < used_reward.size(); ++i) { if (used_reward[i]) { res += GetReward(i); } } return res; } Инв.№ подл. Подп. и дата Взам. инв. № } Инв. № дубл. // Падение Falling(); Листинг А.3 ― Реализация алгоритма Q-Learning double GetReward(int rew_type) { switch (rew_type) { case ALL_DIST: return fabs(monster.GetCurDeltaDistance()); case PREV_STEP_DIST: return fabs(prev_dist - monster.GetCurDeltaDistance()); case CENTER_OF_GRAVITY_Y: return -k_reward["CENTER_OF_GRAVITY_Y"] / max(1.0, monster.GetCenterOfGravityY()); case FALLING: Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 90

return -k_reward["FALLING"] / max(1.0, monster.GetFalling()); case HEAD_Y: return -k_reward["HEAD_Y"] / max(1.0, monster.GetHeadY()); default: return 0.0; break; } } void DoNextStep() { prev_inputs = inputs; SetInputs(inputs); int action = -1; reward = 0.0; reward = GetReward(); prev_dist = monster.GetCurDeltaDistance(); cur_tick++; if (!firstStep) { nnet.Running(inputs); Q = nnet.GetOutput(); double tmpQ = -DBL_MAX; for (int i = 0; i < Q.GetNumCols(); ++i) { if (tmpQ < Q.at(0, i) && monster.CanDoAction(i)) { tmpQ = Q.at(0, i); action = i; } } Q.at(0, prevAction) = reward + QGAMMA*tmpQ; Подп. и дата nnet.AddTest(tests, prev_inputs, Q); int epoch = EPOCH; vector<int> tests_pos; for (int i = 0; i < min(CUR_TESTS_NUMBER, tests.size()); ++i) { int pos = max(0, (tests.size() - 1))*(double)rand() / RAND_MAX; tests_pos.push_back(pos); } Инв. № дубл. while (epoch--) { if (run_type != RUN) { if (nnet.RMSLearningOffline(tests, tests_pos) < TRAIN_EPS) break; } } } else { Взам. инв. № nnet.Running(inputs); Q = nnet.GetOutput(); Подп. и дата double tmpQ = -DBL_MAX; for (int i = 0; i < Q.GetNumCols(); ++i) { if ((tmpQ < Q.at(0, i)) && monster.CanDoAction(i)) { tmpQ = Q.at(0, i); action = i; } } firstStep = false; } Инв.№ подл. monster.UpdatePos(action); Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 91

if (run_type != RUN) { if (1.0*rand() / RAND_MAX) < 0.03) { int counter = 100; bool flag_do = false; do { action = (monster.GetNumActions() - 1)*rand() / RAND_MAX; if (monster.CanDoAction(action)) { flag_do = true; break; } } while (counter--); if (flag_do) monster.UpdatePos(action); } } prevAction = action; prevQ = Q; //Вывод текущей информации cout << cur_tick << " " << monster.GetCurDeltaDistance() << endl; if (cur_tick % T == 0) { string dirname = res_dir_str + nnet_name; ofstream wbfout(dirname + "\\" + nnet_name + wb_finame_end); nnet.PrintWeightsAndBiases(wbfout, false); wbfout.close(); ofstream crfout(dirname + "\\" + nnet_name + curcr_finame_end); monster.PrintCreatureJoints(crfout); crfout.close(); } fflush(stdout); Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата } Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 92

Приложение Б (обязательное) Графический материал 1 Модель сложного объекта. Процесс создания модели объекта; 2 Структура нейронной сети. Формулы расчета вознаграждения; 3 Диаграмма классов искусственной нейронной сети и модели объекта. Схема взаимодействия модулей приложения; 4 Анализ эффективности; Инв.№ подл. Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата 5 Анализ эффективности перемещения различных моделей. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 93

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 94 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 95 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 96 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 97 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Инв.№ подл. Изм Лист № докум. Подпись Дата БР-02069964-090301-16-18 Лист 98 Подп. и дата Взам. инв. № Инв. № дубл. Подп. и дата

Рецензии:

Авторизуйтесь, чтобы добавить рецензию

- у работы пока нет рецензий -

Отзывы:

Авторизуйтесь, чтобы оставить отзыв