Modelli Di Apprendimento Nella Vita Artificiale

8/8/2019 Modelli Di Apprendimento Nella Vita Artificiale

1/17

1

Modelli di apprendimento nella vita artificialeSistemi Emergenti nei Modelli d'Apprendimento

Vito Francesco De Giuseppe

Abstract

I Sistemi viventi sono caratterizzati dalla capacit di interagire con l'ambiente che li circonda e daquesta interazione si forma la struttura che consente ai sistemi biologici di adattarsi all'ambiente.In questo lavoro sono presentati i primi risultati del lavoro di sperimentazione sulla rilevazione difenomeni emergenti nella costituzione del Campo Cognitivo di un Agente artificiale, sulla basedella Teoria del Campo di Kurt Lewin e della Teoria dei Sistemi, attraverso l'uso di software disimulazione dell'evoluzione biologica.I primi risultati sembrano indicare come anche durante le simulazioni il fenomeno emergentesembra essere paragonabile a quello che si evidenzia nei comportamenti umani durante le prime fasidi sviluppo.

Keywords: Algoritmi Genetici, Artificial Life, Teoria del Campo, Teoria dei Sistemi, Sistemi

Emergenti,

Organizzazione della Conoscenza: Il Modello PIK

Gli agenti possono essere considerati come gli elementi che costruiscono la conoscenza.Possiamo trovarci di fronte ad agenti che organizzano la conoscenza secondo modalit bottom-uped agenti che la organizzano secondo modelli top-down.Osservando il modello TOGA (Gadomski ed altri, 2003), si considerato un modello in cui un

elemento catalizzatore che definiremo Preferenza, con la quale indichiamo lo stato internodell'agente che apprende, ovvero la tensione verso l'informazione da un lato ed una competenzadall'altro, che indicheremo con la lettera P, mette in relazione l'Informazione, che indicheremo conla lettera I, e la conoscenza, indicata con la lettera K (Knowledge), nella quale verr implementatal'Informazione I. L'informazione crea un nuovo livello di Conoscenza K.Lagente che sar cos delineato verr definito PIK ed organizza la conoscenza secondo modalitbottom-up.I pu essere collegato solo a K. P pu essere collegato a I ed a K. Il vettore che collega I a K puandare solo in questa direzione e non al contrario. P si collega ad I ed a K con un vettoreunidirezionale che va da K a questi due elementi e non pu andare in direzione opposta.P l'unico elemento che pu collegarsi ad entrambi. I non pu collegarsi a nessun altro I,cos come


2/17

2

K non po' essere legato ad un suo simile. Un I pu essere collegato a pi K.Se proviamo a riportare con un diagramma quanto illustrato, otteniamo una figura topologicamentedefinita (Fig. 1).

Fig. 1: Organizzazione della Conoscenza secondo il modello PIK

Se riduciamo il diagramma ai suoi elementi fondamentali, vale a dire P, I e K, otteniamo una figurabase a due dimensioni: un triangolo.I vettori che collegano gli elementi danno vita ad unorganizzazione che assume una forma definitanello spazio.

K

I

K

K

K

K

K

I


3/17

3

Affinch i tre fattori vengano uniti necessario che i vettori formino angoli, di ampiezza differentea seconda della posizione nello spazio bidimensionale (Fig. 2).

Fig 2. Una forma triangolare PIK

Fig.3 Gli elementi P, I, K danno vita a tre triangoli PIK che hanno in comune un unico elemento K.

Se aumentiamo il numero di elementi il numero di triangoli aumenta, ma non in proporzione alnumero di elementi, poich un unico elemento P pu essere collegato a pi elementi I e K.

La forma sar pi complessa a causa dell'iterazione della forma elementare di base, pur rimanendo

P

K

I

I

K


4/17

4

inalterate le regole che organizzano la struttura (Fig. 3).

Fig. 4: Aumentando il numero di elementi aumenta il numero di triangoli PIK.

I pu essere condiviso tra pi conoscenze. Anche nell'esperienza quotidiana troviamo che la stessaidentica informazione possa essere implementata in specifiche conoscenze, anche diverse, ma checondividono la stessa informazione (Fig. 4).Ad esempio le informazioni riguardanti il funzionamento di una cellula umana, fanno parte dellaconoscenza di un Biologo e di un Medico.Il Biologo ed il Medico sono agenti diversi con conoscenze diverse, ma condividono la stessainformazione che d vita a due conoscenze diverse, dalle quali scaturiscono abilit e competenzedifferenti.Anche P pu condividere diverse I e K. Infatti sia il Biologo che il Medico possono averepreferenze rispetto alla conoscenza del funzionamento della cellula umana e raccogliereinformazioni relative ad esso ed ampliare le proprie conoscenze riguardo il funzionamento di unacellula umana.Ogni K per rimarr specifica, poich la conoscenza del Medico e del Biologo rimarrannospecifiche.Di conseguenza nessuna K potr collegarsi a K, che rimarranno identitarie e specifiche, cos comeogni informazione unica.Rimanendo nell'esempio, l'informazione riguardante il funzionamento della cellula umana, non puessere contemporaneamente quella riguardante il funzionamento di un automobile e viceversa.Da ragionamento descritto possiamo formulare il principio che K (la Conoscenza) funzione di P(la Preferenza) ed I (Informazione), vale a dire:

K = f(P, I)

PP

KP

K

I

I

I

I


5/17

5

Un modello genetico del modello PIK

Quanto descritto finora il tentativo di proporre in termini formali un modello di organizzazionedella conoscenza che descriva la relazione tra informazione, competenza e stato dell'agente cheapprende.Proviamo ora a determinare l'evoluzione della conoscenza nel momento in cui l'agente vieneinserito in un ambiente, dove le informazioni si organizzano su base bottom-up, per ricostruire lecaratteristiche del Campo Cognitivo di un Agente, nei termini di fenomeni emergentidallinterazione delle informazioni acquisite, al fine di analizzare e, laddove fosse possibile, rilevareun modello su come le informazioni possano strutturare il Campo Cognitivo, sulla base deiparadigmi teorici della Teoria del Campo di Lewin e dei Sistemi Emergenti.

Teoria del Campo

Nella Teoria del Campo Lewinpostula che quello che lui definisce Campo sia un insieme diversodalla semplice somma degli elementi che lo compongono e descrive come il Campo sia diviso inRegioni e delimitato da un Confine.Regioni e Confini sono mobili e come l'intero Campo tendono ad un equilibrio quasi Stazionario,nel senso che sono sempre al limite di un cambiamento o di un passaggio da uno stato all'altro. NelCampo non esistono per spazi vuoti. Le Regioni identificano le tracce mnestiche dell'Agente e ledimensioni ne determinano il peso nel Campo.Sia Il Campo che le Regioni si sviluppano su pi dimensioni e di conseguenza presentano pi areedi confine (Lewin, 1980).

Se si considera il Campo, cos come definito da Lewin, si pu pensare ad un Agente che modulal'apprendimento in termini adattivi, ma secondo istanze che tendono a strutturare il Campodell'Agente stesso.

Teoria ddeeii SSiisstteemmii

Per la Teoria dei Sistemi gli elementi che formano una struttura, unorganizzazione, formano unaconfigurazione con propriet e problemi specifici, diversi da quelli degli elementi stessi.Nella Teoria Generale dei Sistemi, l'emergenza il fattore attraverso il quale i sistemi sicostituiscono.

Agente

Con Il termine di Agente indichiamo un sistema dotato di sensori, attraverso i quali percepiscelambiente. Lelaborazione del dato percepito ha come conseguenza lesecuzione di attivitapplicate attraverso degli attuatori.Questo comprende anche tutte quelle attivit che hanno lo scopo di acquisire ulteriore conoscenza. questa la definizione di agente intelligente o razionale.Se pensiamo ad un uomo, possiamo definire gli occhi e le orecchie come sensori, mentre gli artipossono essere definiti attuatori.


6/17

6

Tra le varie classificazioni che si possono fare degli Agenti, che aumentano con l'incremento delleimplementazioni di nuovi modelli, troviamo quelle che fanno riferimento a (Gadmoski, Fontana,2003) :

scopo ed obiettivo; utilit; apprendimento.

Le azioni e i comportamenti, adottati da un Agente sono regolati da scopi, cio sono intrapresi edeseguiti facendo riferimento a una rappresentazione del loro esito e in funzione dello stesso.In questa visione lo stato regolatore del comportamento e lo stato percepito sono duerappresentazioni in cui la prima definisce l'azione attraverso cui l'individuo cerca di adeguarel'ambiente, mentre la seconda la rappresentazione che l'individuo tenta di adeguare all'ambiente.Il primo riguarda lo scopo, il secondo le conoscenze (Castelfranchi, Miceli, 2002).

Tale teoria fa riferimento al modello TOTE (Pribram, Galanter e Miller, 1960), in cui lo scopo unostato da raggiungere, un indice definito con il termine di set-point.Il confronto tra lo stato regolatore, cio il set-point, e lo stato percepito, non forniscono soloinformazioni sulla loro eventuale differenza, ma quali e quante sono le caratteristiche delledifferenze.Questo fornisce all'individuo, perch sistema cognitivo, la mappa con cui orientare le proprie sceltesull'adozione dell'azione pi appropriata per risolvere un eventuale problema.

Agenti specifici ed Agenti aspecifici

Gli agenti specifici sono entit che raccolgono informazioni indirizzati, cio raccolgono solo un cer-to tipo di informazione, elaborano solo le caratteristiche specifiche ed attuano comportamenti con-seguenti di tipo specifico, secondo modalit caratterizzanti.Tale specificit prodotta dalla tipologia dei sensori di cui sono dotati, che possono rilevare solo undeterminato input. La specificit non riguarda solo la qualit del dato, ma anche la quantit dei datiin ingresso.Nel caso di un soggetto umano, gli occhi ad esempio acquisiscono il dato visivo solo all'interno diun range ben definito dello spettro elettromagnetico.Il campo visivo definito dalla posizione degli occhi e si possono mettere a fuoco solo gli oggettiposti su una parte di esso. Ad esempio se mettiamo a fuoco gli oggetti sullo sfondo, si sfocano glioggetti in primo piano e viceversa.

La capacit elaborativa a sua volta formata da elementi specifici ed elementi aspecifici. I primielaborano lo stimolo e le sue caratteristiche fisiche, i secondi quelle aspecifiche cio comuni ai variinputs.La prima istanza alla quale risponde quella dell'adattamento e per farlo l'agente ha bisognodi acquisire informazioni. L'acquisizione di informazioni gli permette di costruire conoscenza,intesa come struttura nella quale organizzare le informazioni acquisite.Gli agenti astratti sono agenti totipotenziali, di struttura semplice, che possibile assemblare insie-mi ad altri e che vengono impiegati in iterazioni semplici, ma continue.


7/17

7

Artificial Life Learning: Sperimentazione

Nel tentativo di analizzare l'attivit degli agenti con un approccio di tipo bottom-up, per ricostruire

le caratteristiche del sistema nei termini di fenomeni emergenti dallinterazione degli agenti, dovegli agenti sono le informazioni e l'ambiente il Campo Cognitivo dell'Agente, stata avviata unasperimentazione sulla rilevazione di fenomeni emergenti nella costituzione del campo cognitivo diun agente artificiale, attraverso l'uso di software di simulazione dell'evoluzione biologica.Le informazioni sono considerate, quindi alla stregua di agenti, considerati come elementicostituenti il sistema ambiente, il Campo Cognitivo, per valutare la possibilit di rilevare un gradodi complessit maggiore di quello mostrato ai livelli pi bassi. Lo scopo non quello di costruire unalgoritmo che descriva il comportamento del singolo agente, quanto utilizzare uno strumento cheevidenzi gli effetti delle interazioni della totalit degli agenti in un ambiente (Annunziato, Liberto,Pannicelli, 2007).Per costruire un modello evolutivo di tipo bottom-up abbiamo utilizzato un simulatore di vita

artificiale, nello specifico il software Avida, per simulare l'evoluzione di un Agente per vedere senell'organizzazione della conoscenza fosse possibile individuare un sistema emergente.Con l'utilizzo del software abbiamo tentato di implementare il modello PIK in un modello cheattraverso un algoritmo genetico producesse un evoluzione del sistema.

Ipotesi sperimentale

Si ipotizzata un'analogia tra gli amminoacidi che si aggregano per formare una molecola di DNAe le informazioni che si aggregano per formare il Campo Cognitivo.Sia il DNA che il Campo Cognitivo si costituiscono, si sviluppano e si evolvono sulla spinta delleistanze adattive fornite dall'ambiente.Se gli amminoacidi interagiscono per formare una Struttura complessa, si pu ipotizzare cheinformazioni semplici possano interagire per strutturare forme complesse.Se i legami tra amminoacidi riproducono modelli di legame tra informazioni, la simulazione deilegami degli amminoacidi rispecchierebbe quello delle informazioni, cio si pu simularel'evoluzione del Campo Cognitivo con un sistema che simuli l'evoluzione biologica di un genotipo.Si perci pensato di utilizzare un Simulatore di Vita Artificiale che, attraverso l'utilizzo dialgoritimi genetici, simuli l'evoluzione del Campo Cognitivo di un Agente Artificiale durante ilprocesso di adattamento all'ambiente in cui immerso.L'informazione I stata considerata alla stregua di un organismo cellulare che reagisce allavicinanza dei simili unendosi a questi, quando le caratteristiche sono tali da permettere la loro

unione. I sistemi prodotti dall'unione di cellule diventavano conoscenza K. Le K potevano dare vitaa due cellule figlie I.Si pensato di costruire un agente prendendo spunto dalle equazione di sviluppo genotipiche.Le informazioni rispondevano a poche regole di interazione. Fondamentalmente le relazioni cheavevamo indicato nel modello PIK come linee vettoriali, in questo modello venivano sostituite dacolorazioni. Le informazioni si associavano per colore. Ogni colore rispecchiava una diversatipologia di informazione. L'associazione di pi elementi colorati dava vita ad un cellula madre eduna cellula madre si divideva in due cellule figlie. durante la divisione una piccola partedell'informazione poteva subire una lieve trasformazione. Si inoltre posto un limite alla vitadell'informazione, questo per simulare il fenomeno del decadimento mnemonico: quando un'agentenon utilizza un informazione per molto tempo quell'informazione decade fino a scomparire ed a non


8/17

8

essere pi usata. In parole povere muore. abbiamo considerato un'informazione alla stregua di unorganismo che muore in seguito alla scarsit di cibo o per impossibilit di rispondere alle istanzeevolutive. In fondo se consideriamo l'adattamento un'applicazione di strategie che partono dalle

informazioni, possiamo considerare che se un'informazione non risulta essere pi adatta allo scopo,semplicemente non viene pi usata e scompare dal repertorio cognitivo dell'agente, sostituita daun'altra informazione.Questo ripercorre esattamente lo schema evolutivo di un organismo, allorquando il suofunzionamento non corrisponde adeguatamente agli stimoli ambientali, in termini d'adattamentoquesto muore per inefficacia delle sue strategie ed il suo posto viene preso da un organismo cheinvece risulta essere pi efficace in termini di risposta agli stimoli ambientali.Utilizzando lo stesso schema abbiamo pensato all'informazione come ad un organismo che agisce inun ambiente, l'Agente che si modifica a secondo del numero di organismi e della loro interazionedinamica.

Disegno Sperimentale

L'esperimento ha previsto una simulazione della durata di trenta minuti dell'evoluzione di unCampo Cognitivo. stato utilizzato un software di simulazione dell'evoluzione biologica, con cui osservare come leinformazioni, interagendo tra di esse una volta acquisite, strutturano il campo cognitivo. Durantel'osservazione il Campo Cognitivo stato campionato, in momenti diversi della crescita edell'evoluzione. stato utilizzato un approccio bottom-up per osservarefenomeni emergenti.

Metodologia

La metodologia ha previsto un'elaborazione di trenta minuti totali con l'utilizzo di software disimulazione dell'evoluzione biologica.Sono stai dapprima Strutturati i dati e sono state date le regole d'interazione dei dati. Sono statequindi create le regole d'iterazione dati per il processo di elaborazione.Il software ha elaborato i dati in batch processing. stata quindi eseguita la Campionatura dell'evoluzione in tre momenti attraverso delle schermatedell'elaborazione: t0, all'avvio; t1, dopo dieci minuti dall'avvio, t2, dopo venti minuti dall'avvio, t3al termine del processo, al trentesimo minuto, in seguito all'arresto dell'elaborazione.

Strumenti

stato impiegato un ComputerNotebook Fujitsu-Siemens Amilo A con processore mobile AMDAthlon Xp (tm) 1800+ed unamemoria RAMdi 217,2 MB.Il Sistema Operativo stato l'Ubuntu 7.10 Gutsy Gibbon - versione x86 e come software disimulazione stato utilizzato l'Avida Evolution Simulator.L'Avida Evolution Simulator un sistema auto-organizzante. Impiegato su piatteforme digitali nellericerche sulla Vita Artificiale, un mondo digitale che muta e si evolve.Avida impiegato in ricerche ed esperimenti sulle dinamiche evolutive e per lo studio di teoriebiologiche che non sono testabili in sistemi biologici reali.In Avida gli organismi sono composti da un corpo che contiene un set di componenti. Tali


9/17

9

componenti sono:La Memoria, cio una sequenza di istruzioni che possono essere eseguite, copiate,mutate, etc.

Un Puntatore dell'Istruzione (instruction pointer: IP) che indica il punto successivo incui l'istruzione deve essere eseguita.

Tre registri che possono essere usati dagli organismi per conservare le informazioniche vengono manipolate. Il contenuto non predefinito ed a 32-bit intero.

Due Stacks (Pile di dati in cui l'estrazione dei dati segue un ordine inverso rispetto aquello d'immissione) che sono usati per conservare i dati ottenuti dagli organismidurante l'elaborazione. In teoria la loro capienza non ha limite, ma per comodit sipreferisce non superare superiore a 10.

Un Buffer di input ed uno di output, usati per ricevere informazioni e restituire irisultati dell'elaborazione effettuata dagli organismi.

Un'Intestazione di Lettura (Read-Head), un'Intestazione di Scrittura (Write-Head), edun'Intestazione di Flusso (Flow-Head), impiegate come specifiche posizioni nellaMemoria della CPU.

Analisi dei Dati

t0: Momento Iniziale.

t0 il momento in cui viene catturata la schermata all'avvio del programma di simulazione. Lospazio nero costituisce l'ambiente in cui l'agente immerso. Il punto rosso indica che l'informazionedi cui l'agente in possesso corrisponde al suo Campo Cognitivo.Informazione e Campo Cognitivo coincidono.L'agente ha un unica informazione: IO SONO QUI.Nelle indicazioni laterali, il quadrato rosso rappresenta l'informazione, quello bianco il luogo di re-sidenza dell'informazione che viene per cancellata e non si struttura nel Campo Cognitivo (Fig. 5).

Fig. 5: Schermata iniziale dell'Agente


10/17

10

t1: dopo 10 min. di elaborazione.

In t1 la Schermata catturata dopo 10' di elaborazione della simulazione.

Lo spazio bianco che rappresenta il Campo Cognitivo diventato pi ampio e le informazioni sonodiversificate e sono presenti in punti diversi del Campo, ma tutte verso le aree esterne .L'agente ha pi informazioni ed un Campo Cognitivo strutturato.Nelle indicazioni laterali, i quadrati che indicano le informazioni sono aumentati per numero e sidiversificano in diversi colori, cio si differenziano per caratteristiche (Fig.6).

Fig.6: Schermata t1 dell'Agente

t2: dopo 20 min. di elaborazione.

Schermata catturata dopo 20' di elaborazione della simulazione.Lo spazio bianco, il Campo Cognitivo, cresciuto relativamente poco.Il Campo pesenta un numero maggiore di elementi (i quadrati bianchi). Si pu sostenere che ora pi articolatoI punti di aggregazione delle informazioni sono diminuiti e si presentano solo sulle aree esterne.Quest'ultimo tratto si presenta con maggiore evidenza rispetto al momento t1.Le informazioni si sono stabilizzate, per tipologia e numero (Fig.7).


11/17

11


t3: dopo 30 min. di elaborazione. Termine dell'elaborazione.

Schermata catturata dopo 30' di elaborazione della simulazione.Lo spazio bianco, il Campo Cognitivo, ha continuato a crescere con tempi costanti, ma pilentamente che da t0 a t1, riuscendo comunque a coprire quasi l'intero ambiente.Il Campo presenta un incremento dell'articolazione interna.Le informazioni sono diversificate, come anche i punti di aggregazione che non si presentano solosulle aree esterne (Fig.8).


Percentuale di crescita del Campo CognitivoIl tasso di crescita del Campo Cognitivo non cresce significativamente tra t2 e t3 (Figg 9 e 10).


12/17

12

Fig.9: Crescita del Campo Cognitivo a t2

Fig.10: Crescita del Campo Cognitivo a t3


13/17

13

Numero di Informazioni presenti tra t1 e t3Il numero di informazioni presenti nel Campo dimezzano nell'intervallo di tempo tra t1 e t3(Figg.11 e 12).

Fig.11: Numero di informazioni Presenti nel Campo a t1

Fig.12: Numero di informazioni presenti nel Campo a t3


14/17

14

Tempi di Crescita del Campo Cognitivo tra t2 e t3I tempi di crescita del Campo Cognitivo non cambiano significativamente nell'intervallo di tempotra t2 e t3 (Fig.13 e 14)

Fig.13: Tempo di Crescita del Campo a t2

Fig.14: Tempo di Crescita del Campo a t3

Risultati della Sperimentazione

Questa prima sperimentazione sembra confermare alcuni punti: Un Agente acquisisce ed elabora pi informazioni in un momento iniziale; Questo sembra rispondere alla necessit dell'Agente di far crescere il proprio Campo

Cognitivo, poich cos si appropria di una maggior controllo rispetto ad una pi ampiasuperficie ambientale. Questa sembra essere una caratteristica tipica dell'adattamento;

In un primo momento il Centro del Campo si stabilizza e le informazioni presentano una pifacile aggregazione nelle aree periferiche, successivamente il Campo presenta nuove


15/17

15

aggregazioni anche verso i punti pi centrali, in concomitanza con una diversificazione delleinformazioni;

Il tempo di elaborazione non muta dopo una prima accelerazione ed assume una

caratteristica costante; In un primo momento il Centro del Campo si stabilizza e le informazioni presentano una pifacile aggregazione nelle aree periferiche, successivamente il Campo presenta nuoveaggregazioni anche verso i punti pi centrali, in concomitanza con una diversificazione delleinformazioni;

Il tempo di elaborazione non muta dopo una prima accelerazione ed assume unacaratteristica costante;

Le informazioni diminuiscono al passare del tempo: l'Agente satura la necessit di acquisirenuove informazioni.

Il Campo diventa via via pi articolato. Inizialmente il numero di aggregazioni delle informazioni decresce verso una tendenza

stabile, per poi ripresentare un incremento delle aggregazioni ed una variazione delleposizioni delle aggregazioni.

Conclusioni

Ad una prima lettura dei dati sperimentali si possono trarre solo poche conclusioni.Il fenomeno emergente nella simulazione, potrebbe consentire di formulare un'ipotesi che sembrariconducibile a due situazioni tipiche:

Il Bambino Che Apprende;

L'Adolescente.Nella situazione del Bambino che Apprende, inizialmente, Il Campo Cognitivo dell'AgenteArtificiale si struttura secondo modalit e processi tipici del bambino che apprende, attraverso unaccentuata sensibilit alla raccolta di nuove informazioni che produce una massiccia aggregazionedelle informazioni, costituzione di nuove Regioni del Campo e diversificazione nella tipologia diinformazioni.Dopo una prima accelerazione i tempi si stabilizzano.Nella situazione dell'Adolescente, raggiunto un limite di soglia, nel momento in cui l'interoambiente entra a far parte del Campo Cognitivo, si manifesta un'altra volta una modalitcomportamentale caratterizzata dalla necessit di raccogliere ulteriori nuove informazioni per farfronte alle nuove istanze che l'ambiente propone, in funzione dei mutamenti avvenuti all'interno del

sistema. In questa fase, si riscontra un incremento delle aggregazioni delle informazioni ed unaulteriore capacit di strutturare ulteriori Regioni del Campo, nonch un ulteriore diversificazionenella tipologia di informazioni. Questo seconda situazione sembra essere analoga a quella presentenel periodo adolescenziale in cui si ristruttura il Campo Cognitivo per rimodularsi sulle nuoveistanze adattive.La costituzione del Campo Cognitivo si modella presentando fenomeni emergenti non dissimili daquelli rilevabili in una colonia di formiche, secondo quella che sembra essere una logica di sciame.Al di l dei risultati innanzi descritti, la sperimentazione illustrata va considerata come l'inizio di unprogetto di studio che dovr essere approfondito su intervalli temporali pi ampi e construmentazioni pi sofisticate.


16/17

16

Bibliografia

M. Annunziato, C. Liberto, A. Pannicelli. Modellazione ad agenti dei flussi passeggeri in una

stazione di trasporto metropolitano, 2007.http://laral.istc.cnr.it/wiva3/atti/wiva3/presentazioni/BagnoliLioSguanci.pdf

A. M. Gadomski, F. Fontana, Agenti Cognitivi Semi-Intelligenti per Imprese Virtuali di e-Learning:Applicazioni di Metodologia TOGA e Tecnologie Web Multimediali. Notizie AIIA Periodico del-lAssociazione Italiana per lIntelligenza Artificiale, Anno XVI, N.1, pagine 66-72, 2003.

S. Johnson: La nuova scienza dei sistemi emergenti. Dalle colonie di insetti al cervello umano, dallecitt ai videogame e all'economia, dai movimenti di protesta ai network. Garzanti, 2004.

K. Lewin. Principi di psicologia topologica. Ediz. O/S, Firenze.1980

G.A. Miller, E. Galanter, K. H. Pribram. Plans and the structures of behaviour. New York, Holt(1960). Tr. It. Piani e strutture del comportamento. Franco Angeli, Milano.1973.

Webgrafia:

http://devolab.cse.msu.edu/software/

http://it.wikipedia.org/wiki/Agente_intelligente

http://it.wikipedia.org/wiki/Algoritmo_genetico

http://it.wikipedia.org/wiki/DNA

http://it.wikipedia.org/wiki/Vita_artificiale

http://laral.istc.cnr.it/wiva3/atti/wiva3/presentazioni/BagnoliLioSguanci.pdf

http://sodaplay.com/

http://www.airs.it/AIRS/Associazione/associazione.htm

http://www.alife.org/links.html

http://www.his.atr.jp/~ray/tierra/

http://www.mitpressjournals.org/loi/artl?cookieSet=1

http://www.nobleape.com/sim/


17/17

17

http://www.psicopolis.com/Kurt/

http://www.stauffercom.com/evolve4/

Modelli Di Apprendimento Nella Vita Artificiale

Documents

Transcript of Modelli Di Apprendimento Nella Vita Artificiale