Holografikus Kutatási Stratégia

Ez nem valami helyett van. Ez van. Eddig azokban a témákban,

amelyekben alkalmazzák az un. genetikus algoritmust

használták. Ezt sikerült kiváltani. A genetikus algoritmus

kombinatorikus kutatási területeken a mainstream. Ezért írtam azt

róla, hogy az eddig leghatékonyabbnak tartott.

Konkrét példa: katalizátor összetétel, 8 komponens,

többszázezer potenciális mérési pont. 167 méréssel 2 hét alatt

sikerült olyan kombinációt találni, amelynek katalitikus aktivitása

több, mint 98 % (= gyakorlatilag az elérhető maximum). Ez

korábban sokkal tovább tartott, ráadásul az alkalmazott módszer

nem volt determinisztikus, keresés közben eltévedt, stb.

A Hologrfikus Kut.Strat. ezeket a hibákat kiküszöböli, óriási a

zajtűrése, ráadásul a szoftvert úgy írtam meg, hogy közbetlenül

felhasználható vezérlésre: így aztán egy kutatóautomata

sikeredett belőle.

A módszer abszolút érzéketlen a kutatási területre.

Bármely kutatási feladat megfogalmazható és végrehajtható

ezzel az eljárással. Ha konkrét ötleted van, dobj föl egy

mailt és megbeszéljük.

Üdv: meditor

Az evolúciós algoritmussal való összehasonlításból hamarosan

tudományos publikáció fog megjelenni. Ebből nyomonkövethető

lesz, hogy a mi módszerünk sokkal célratörőbben és sokkal

gyorsabban találja meg az optimumot, az optimumcentrumok is

sokkal kompaktabbak. Ez azért van, mert a genetikus algoritmus

nem zárja ki a véletlent. Ennek további következménye, hogy

két egymásutáni futtatás csak ritkán hoz egyforma eredményt,

mig a HoKuStra esetében minden futás ugyanazt az eredményt

hozza.

Továbbá: a HoKuStra esetében nemcsak az érdekes, hogy mi

a megmért pontok értéke, hanem a pontok elhelyezkedése is

fontos információtartalommal bír. Ez lehetővé teszi a teljes

tér visszaállítását arra az elvre támaszkodva, hogy a gödör

feneke a nagy üres foltokban van, a dombtető pedig ott,

ahol a mérési adatok sűrűsödnek. Mivel a genetikus algoritmus

mintavételezése során kapott kép sokkal szétesőbb, ez az elv

sokkal nehezebben alkalmazható, illetve a tér sokkal nagyobb

hibával állítható vissza.

Egyébként való igaz, hogy különösebb újdonság nincs a

módszerben, az elrendezés egy 70-es évek közepén-végén

bejelentett szabadalmon alapul (Tejfalussy-elrendezés),

az, hogy egy gradiens mentén haladva keresed a neked

megfelelő pontot: nos a lepkehím is így találja meg a

nöstényt. Amit vektorforgatásnak neveztem a leírásban,

az egy Furier transzformáció (ha jól sejtem).

Az egyetlen nagy előnye, hogy következetesen végigvisz

egy gondolatot és hogy az egész gondolat egy jól használható

szoftverben megtestesül. A gyakorlatban kiállta a próbát,

azt hiszem, és ez akárhogy is nézzük nem kis dolog.

Valóban, az optimumkritériumot meg kell adni. További feltétel,

hogy a tér ne legyen homogén, illetve fehérzaj. Más szavakkal:

legyen információtartalma.

Itt jegyzem meg, hogy a módszer még fehérzajhoz közeli

állapotban is ugyanazokat az optimumcentrumokat találja

meg (a mintaszám drasztikus emelkedése nélkü!!), mint

zajmentesen. Erre találsz példát a hivatkozott oldalon, igaz

nem a fehérzaj-közlei állapotot hozva föl példának.

És mégegy: a vektorrendszernek és a térnek OK-OKOZATI

összefüggésben kell lennie! Például, ha a teret Magyarország

domborzati térképével helyettesíted, a kereső nem fogja

megtalálni Kékestetőt!

Nem ismerem, oszdd meg velem...

Én most kapásból nem tudnék olyan kutatási témát fölvetni,

ahol ne lenne használható, de én kevés vagyok ahhoz, hogy ezt átlássam.

Abban viszont biztos vagyok, hogy minden olyan problémában,

amelyben különféle független változók különféle értékeinek

a hatását kell vizsgálni, alkalmazható az eljárás.

Ez a hasonlat jutott eszembe egyébként:

Ha a genetikus algoritmus maga az evolúció,

akkor a HoKuStra a nemesítés.

Keresgélj a Találmányügyi Hivatal Honlapján.

Az elrendezésre alapozva számos találmányt adott be

és rendszerint meg is kapta rájuk a szabadalmat.

A bevonható paraméterek száma nincs korlátozva. Lehet 200,

vagy akár 1000 is, csak hardver kérdése az egész. Ekkora

méretű rendszerre, már lehet, hogy clustert kéne használni,

de lehet, hogy nem.

Azt tapasztaltam, minél nagyobb a tér, annál kisebb hányadát

kell megmérni ahhoz, hogy megtaláljuk az optimumot. Ez azért van,

mert a bevont mérési pontok száma lineárisan, a tér pedig

mértani módon növekszik egy újabb paraméter bevonásának

a hatására.

Sokszázezres terekről vannak tapasztalataink, itt a genetikus

algoritmushoz képest elért hatékonyságnövekedés kb 100 %.

Sebesség tekintetében azt tudom mondani, hogy egy ilyen

paraméterű térben az optimumot egy nem túl erős PC-n,

grafikus felületen, folytonos kijelzéssel kb 2-3 másodperc.

Az idő javarészét a grafika teszi ki, a matekja szerintem

ekkora méretnél még pillanatszerű. A Program C-ben íródott.

Azt hiszem kimerítő választ adtam a kérdéseidre.

A válaszadásban most egy kis szünet következik, holnap este

folytatom. A kérdéseket természetesen továbbra is várom, akár

itt, akár levélben.

Mindenkinek jó éjszakát: meditor

/1/

"csupán annyi a feltétel, hogy a paraméterek megváltozása befolyásolja és konzekvensen befolyásolja a függvényértéket"

Igen. Azt is megjegyzem, a módszer erősen támaszkodik arra,

hogy a Tejfalussy tér folytonos.

/2/

"- hogyan viszonyul ez hagyományos minimumkeresésekhez, ahol a függvényszerű kapcsolat pontosan ismert, és analitikus/numerikus deriváltak, esetleg magasabbrendű deriváltak számolhatóak?"

Erre precíz választ most nem tudok adni, utánanézek. Annyi

bizonyos, hogy ahol a függvénykapcsolat ismert, ott

semmi szükség erre a módszerre, hiszen a függvénykapcsolat

ismert (-:: Kifejezetten olyan helyekre való, ahol a

függvénykapcsolat NEM ismert.

/3/

"- mennyire garantált a globális optimum? tudomásom szerint ilyen nincs. "

Ha nem méred meg a teljes teret, sohasem lehetsz benne

biztos, hogy megtaláltad a globális optimumot. Azonban minden

eddigi szimulációs és (ez a fontos) gyakorlati próbája még

nagyon kisarkított helyzetekben (áloptimumok, kis effektusok

extrém kicsi keresőablakok) is biztosította a globális optimum

megtalálását. Ha pl egy katalizátor aktivitása közel 100 %,

akkor nemigazán érdemes tovább keresgélni.

Azaz csak valószínűsíteni lehet a sikert, de az a valószínűség

nagyon közel van az egyhez. Másképp fogalmazva: ha nem

találod meg a globális optimumot, akkor a megtalált technológia

kvázioptimális.

"befolyásolja-e a keresést az, hogy a modell lineáris/nemlineáris?"

nem befolyásolja. Még a polinómikus viselkedés sem kritérium.

Köszönöm a pontosítást, látod, nekem eszembe sem jutott,

hogy a vektorrendszer és az általa kifeszített tér nincs

ok-okozati összefüggésbe. Illetve csináltam ellenőrzést,

ahol nem volt, hát szépen el is tévedt a kereső. (Ezt egyébként

komoly eredménynek tartom, mert visszajelzi a kölcsönhatást)

Másfelül, nehezen tudnék olyan kutatási területet elképzelni,

ahol nem az történik, hogy megváltoztatnak valamit és

ennek hatását vizsgálják. Ezért talán megbocsájtható

a megfogalmazáson, mindenesetre kössz, hogy egy másik

aspektusra is felhívtad a figyelmemet.

Nagyon okosakat és nehezeket kérdeztél. A lokális optimumok

kérdésének kulcsa a vektorforgatásban van. Azaz: a

szomszédviszonyok olyanjellegű megváltozásában, hogy

a tér folytonossága megmarad. Amit látunk a képen sok-sok

paca formájában, két dimenzióban, az a sokdimenzios térben

valójában egyetlen hegycsúcs és környezete.

Egyébként saját meglátásom szerint nem hegycsúcsokban és

konkrét koordinátában kell gondolkodni, hanem optimum

centrumokban, amelyek alternativ és egymáshoz nagyon

hasonló technológiákat valósítanak meg. Ezt bizonyítja a nagy

zajban történt optimumkeresés esete is: sikerült megtalálni

ugyan a legjobb adatot, de annak koordinátái nem egyeztek

a zajmantes adathalmaz optimumának koordinátáival. !DE!

Mindkét esetben ugyanott voltak az optimumcentrumok.

Érdekelne továbbá, hogy melyek azok az általad említett

free-csomagok, szívesen megnézném őket. Kössz.

Nem érzem teljesen jóindulatunak a kérdést, de azért válaszolok

rá.

A környezetről:

Ha nincsen GNU, akkor bizony ez az egész fejlesztés elmaradt

volna. Az ingyenes fejelsztési környezet, amit a linux nyújt

rendkívül inspirálólag hat. Ugyanis 8 dimenziós térben elég

nehéz kockáspapiron Furier transzformációt csinálni. És

meg nehezebb elmagyarázni az embereknek, hogy ezt

és ezt látnád, ha nem papíron dolgoznék, hanem mondjuk

képernyőn. A környezet egyébként: GNU-C, openmotif, Xt,

SuSE linux 6.2-7.1 majd Slackware 10. Ezúton mondok

köszönetet a linuxos közösség minden tagjánok, hogy

munkájukkal segítettek egy probléma megoldásában.

A szorzó kérdése, konkrét példára lebontva:

1 mérés ára kb 12.000,- Namármost a 100 %-os

hatékonyságnövekedés azt jelenti, ugyanannyi információt

fele akkora összeggel állítasz elő. Ma néztem át az összehasonlító adatokat: egyrészt, 450 mérés helyett

(több, mint 500.000,-) mintegy 200 (kevesebb, mint 250.000,-) mérés elég volt egy jobb kombináció eléréséhez egyik

méréssorozatunknál, másrészt a dolog szervezettségéből

adódóan 1/3 annyi időt vett igénybe. Ez utóbbi pénzértéke

akkor, amikor pl egy szabadalmi bejelentésen dolgoznak,

megbecsülhetetlen. Azt hiszem ezt a kérdést nem tetted volna

föl, ha FIGYELMESEN olvastad volna el az anyagot.

[bocs...]

Táltos! Ha a nép viselkedésének okát tudnám, akkor én lennék

a Csekonics báró!

[

Megkaptad a CD-t

]

[

Megkaptad a CD-? - az előbb lemaradt a kérdőjel.

]