Optimização Os problemas de optimização têm como objetivo maximizar ou minimizar uma função...
-
Upload
joana-ximenes-cortes -
Category
Documents
-
view
223 -
download
2
Transcript of Optimização Os problemas de optimização têm como objetivo maximizar ou minimizar uma função...
OptimizaçãoOs problemas de optimização têm como objetivo maximizar ou minimizar
uma função definida sobre um certo domínio
Optimizar (max ou min) função – função objectivosujeita a um conjunto de restrições
Região admissível R é o conjunto de pontos que satisfazem as restrições
Solução admissível é qualquer ponto de R
Solução óptima é um ponto de R a que corresponde o maior (menor) valor da função objectivo
Exemplos: alinhamento de sequências, squenciação, epesquisa de motivos,...
Algoritmos heurísticos
Ex: TSP
1
24
3
5
6
7
12
12
10
12 97
9
6
11 1011
8
3
HEURÍSTICA DE MELHORAMENTO - parte de uma solução admissível e procura melhorá-la através de sucessivas pequenas alterações
Heurística de melhoramento local (TSP)
1
24
3
5
6
7
12
12
10
12 97
9
6
11 1011
8
1-2-3-4-5-6-7Distância =69
1
24
3
5
6
7
12
12
10
12 97
9
6
11 1011
8
1-3-2-4-5-6-7Distância =68
3
3
Trocar 2-3
Heurística de melhoramento local (TSP)
1
24
3
5
6
7
12
12
10
12 97
9
6
11 1011
81-2-4-3-5-6-7-1 Distância =65
Troca 4-5
Iteração 1
1-2-3-4-5-6-7-1 Distância =69
Troca 2-3
1-3-2-4-5-6-7-1 Distância =68
Troca 3-4
1-2-3-5-4-6-7-1 Distância =65
Troca 5-6
1-2-3-4-6-5-7-1 Distância =66
3
Heurística de melhoramento local (TSP)
1-2-4-3-5-6-7-1 Distância =65
Iteração 2
1-2-4-6-5-3-7-1 Distância =64
Apenas a troca 3-5-6 leva a um melhoramento no valor da solução
Mais nenhuma troca leva a melhoramentos
Heurística de melhoramento local (TSP)
Solução da heurística1-2-4-6-5-3-7-1Distância =64
1
24
3
5
6
7
12
12
10
12 97
9
6
11 1011
8
3
Solução óptima1-2-4-6-7-5-3-1Distância =63
1
24
3
5
6
7
12
12
10
12 97
9
6
11 1011
8
3
Metaheuristicas
Metaheurística – método heurístico para resolver de forma genérica problemas de optimização.
As metaheurísticas fornecem uma estrutura e uma estratégia para desenvolver algoritmos heurísticos para problemas específicos
Desvantagens heurística de melhoramento local – pára num óptimo localConsiderar várias soluções iniciais, escolhidas aleatoriamente
Metaheurística – combina melhoramento local com estratégias que permitam escapar aos óptimos locais
Metaheuristicas
Pesquisa Tabu - Pesquisa “inteligente”, que pretende imitar o comportamento humano e aplicar algumas regras de aprendizagem. Algumas alternativas de pesquisa podem ser excluídas – lista tabu.Uso de memória – o passado, recente ou mais afastado, vai influirdeterminantemente no processo de pesquisa, guiando-a em funçãodas soluções já visitadas.
Simulated Annealing (arrefecimento simulado) técnica de busca local probabilística, com analogia na termodinâmica
Algoritmo genético - faz uma analogia entre o processo de encontrar soluções óptimas ou de boa qualidade para problemas complexos e a teoria da evolução das espécies baseada no princípio da sobrevivência dos indivíduos mais aptos de uma população.
Algoritmos genéticos“As espécies evoluem pelo principio da seleção natural e sobrevivência do mais apto.” Charles Darwin”
Holland (1975)*
Uma criança herda alguns dos cromossomas de cada um dos progenitoresHerança de “boas” características maior probabilidade de sobrevivência
Maior probabilidade de sobrevivência “boas” características transmitidas aos descendentes
A população tende a melhorar ao longo do tempo
Mutações (ocorrem ocasionalmente) alteração característica de um cromossoma
Mutação traz vantagem maior probabilidade de sobrevivência
Imitar algumas etapas da selecção natural incorporando-as num algoritmo computacional.
Algoritmos genéticos População de indivíduos de uma geração
Processo de selecção de indivíduos para reprodução, baseado na sua aptidão
Cruzamento dos pares de indivíduos seleccionados,mais algumas transformações...
População da geração seguinte.
Este processo repete-se por um número especificado de gerações.
Algoritmos genéticos
Os indivíduos são representados por cromossomas;
Seleccionam-se os mais aptos para darem origem à geração seguinte (selecção para reprodução)
Os indivíduos seleccionados passam por uma série de transformações. (cruzamento e mutação)
Selecção, cruzamento e mutação operadores genéticos.
População
Algoritmos genéticos
Indivíduo solução do problema
Geração
conjunto de soluções
iteração do algoritmo
Aptidãodo indivíduo
função de avaliaçãoda solução
Algoritmos genéticos
Codificação das soluções (cromossomas);
Criação de uma população inicial;
Função de avaliação das soluções em termos da sua aptidão(função objectivo);
Utilizar operadores (genéticos) na construção de uma nova geração Selecção, Mutação, Cruzamento
AlgoritmoGerar a população inicial (cromossomas)
Enquanto critério de paragem não for satisfeito
Seleccionar os indivíduos mais aptos (progenitores)
Criar nova população (partindo dos cromossomasseleccionados e aplicando os operadores cruzamento e mutação)Avaliar a população
Output cromossoma mais apto na população actual
Avaliar a população (cromossomas)
Desvios relativamente à teoria da evolução: um adulto (solução) pode ser usado para reprodução em várias gerações.
Inicialização
Iteração
Algoritmos genéticos
- Qual a melhor codificação para as soluções?
-População inicial ( conjunto soluções) pode ser gerada aleatoriamente.
- Qual a dimensão da população?
- Seleccionar alguns elementos da população para cruzamento. Quais?
-Como fazer o cruzamento?
-Reter, apenas, elementos da população que correspondem a soluçõesadmissíveis? reter apenas os mais aptos (?!)
- Em cada iteração, como fazer a substituição da população?
- Regra de paragem, qual? – nº de iterações, pré-fixado, sem melhoramento do valor da “melhor” solução
Algumas questões:
Representação das soluções
Exemplos :
Exemplo: Listas de dígitos binários (0,1,1,0,....)
Listas de dígitos inteiros (6,8,2,3,...)Listas de dígitos reais (2.2, 4.6,...)
Listas de regras (R1, R2,...)
Para uma boa implementação de um AG é necessário uma boa representação das soluções do problema.
Lista de elementos
População inicial pode ser gerada aleatoriamente, atirando uma moeda ao ar tantas vezes quantas as necessárias, isto é,dimensão do cromossoma × dimensão da população
Em muitos casos a aptidão de um cromossoma é o valor da função objectivo da solução que ele codifica
A aptidão de um cromossoma deve medir a qualidade da solução associada
A função aptidão pode depender da função objectivo
Função aptidão
SelecçãoA selecção dos progenitores é feita com base na aptidão, indivíduos mais aptos têm maior probabilidade de se reproduzirem
Os indivíduos seleccionados são sujeitos ao operador cruzamento
Roleta enviesada
Exemplo de selecção
4 cromossomas designados por A,B C e D
Para cada cromossoma existe uma secção na roleta proporcional à taxa de aptidão desse cromossoma face à aptidão total.
31,9%25,2%
37,3%6,6
AC
D
Operadores genéticos
Cruzamento
Selecciona-se aleatoriamente uma posição para o cruzamento Trocar os elementos em posições seguintes à do cruzamento
Exemplo de Cruzamento Simples
1 0 0 0 1 0 1
1 1 0 1 1 1 01 1 0 0 1 0 1posição 2
1 0 0 1 1 1 0
O cruzamento de dois cromossomas combina as características dos dois transmitindo aos descendentes essa informação.
Pares de indivíduos são cruzados com uma determinada probabilidade.
Operadores genéticos
Nota: Com listas binárias é “fácil” fazer o cruzamento
Mutação
Cada descendente é sujeito a mutação com uma detreminada probabilidade
Exemplo de Mutação Simples
posição 2 1 0 0 1 1 1 0 1 1 0 1 1 1 0
Selecciona-se aleatoriamente uma posição do cromossoma e substitui-se o elemento nessa posição pelo seu complementar
O algoritmo vai explorar uma “nova” zona da região admissível
Operadores genéticos
(Goldberg,89) max f(x) = x2 , x [0,31], x inteiro
Codificação das soluções - listas binárias
31 na base 10 31, 3101+1100
Listas binárias31 na base 2 11111 124 + 123+122+ 121+120 = 31
12 na base 2 01100 024 + 123+122+ 021+020 = 8+4= 12
x [0,31], na base 2 (a4,a3,a2,a1,a0) com ai=0 ou 1
x = a424 + a323+a222+ a121+a02
Exemplo
Nota: cada ai é um gene
Dimensão da população = 4em cada iteração (geração) temos 4 indivíduos
Função Aptidão dada por f(x) = x2 por exemplo x = 8 tem aptidão f(8)=64 e x = 0 tem aptidão f(0)=0.
População inicial gerada aleatoriamenteLançando uma moeda ao ar 20 vezes (porquê?), cara 1 coroa 0
Lista nº População inicial(gerada aleatoriamente)
Valor de x f(x)População inicial(gerada aleatoriamente)
Lista nº x f(x)
1 0 1 1 0 1 13 1692 1 1 0 0 0 24 5763 0 1 0 0 0 8 644 1 0 0 1 1 19 361
Exemplo
Selecção e reproduçãoA probabilidade de selecção do indivíduo i pode ser dada por
Exemplo: lista nº1 (indivíduo 1) f(1)=169; =1170; p1=169/1170=0.14
De acordo com estas probabilidades, constrói-se a roleta enviesada. Gira-se a roleta 4 vezes para seleccionar 4 progenitores.
Lista nº População inicial(gerada aleatoriamente)
x f(x)pseleccionar
ii
ff
frequência observada
roleta
frequência esperada
ff i
1 0 1 1 0 1 13 169 0.14 0.58 12 1 1 0 0 0 24 576 0.49 1.97 23 0 1 0 0 0 8 64 0.06 0.22 04 1 0 0 1 1 19 361 0.31 1.23 1
Soma 1170Média 293Máximo 576
Exemplo
)f(x)f(x
ii
)f(xi
Cruzamento 1º) emparelham-se aleatoriamente os progenitores seleccionados;2º) para cada par, o ponto de cruzamento é seleccionado aleatoriamente
0 1 1 0 1 2 4 0 1 1 0 0 12 1441 1 0 0 0 1 4 1 1 0 0 1 25 6251 1 0 0 0 4 2 1 1 0 1 1 27 7291 0 0 1 1 3 2 1 0 0 0 0 16 256
Soma 1754Média 439Máximo 729
Progenitoresselecionados
(ponto de cruzamento)par Ponto de
cruzamentoNova população x f(x)
Exemplo
Nota: Pode considerar-se que cada nova geração substituiu a antiga em bloco.
Nesta geração, a aptidão média aumentou de 293 para 439,
a aptidão máxima aumentou de 576 para 729.
Mutação Considere-se a probabilidade de mutação pm= 0.001 e o cruzamentodos indivíduos 1 e 2;
Gerem-se aleatoriamente dez números, xi, entre 0 e 1;Se xi<0.001 vai ocorrer uma mutação no gene i;Caso contrário não ocorre mutação no gene iExemplo. Supondo que a8<0.001 e ai>=0.001, i8 Nenhuma mutação em C1, uma mutação no gene 3 de C2
Exemplo
C1: 01100C2: 11001
Após cruzamento
C1: 01100C2: 11101
MutaçãoX1=12X2=25
X1=12X2=29
Nova população
0 1 1 0 01 1 1 0 11 1 0 1 11 0 0 0 0
Rudolph (1994) prova, usando Cadeias de Markov finitas, que um algoritmo genético converge assimptoticamente para o óptimo global desde que se use elitismo.
Rudolph, G. (1994) “Convergence Analysis of Canonical Genetic Algorithms”, IEEE Transactions on Neural Networks 5 (1) pp 96-101.
Num AG não existe garantia de que o elemento mais apto (“melhor” solução)passe para a geração seguinte.
O elitismo consiste na selecção obrigatória para a geração seguinte do indivíduo que representa a melhor solução até ao momento.
Convergência
Nas iterações iniciais podem ocorrer situações em que existem alguns indivíduos muito aptos numa população de aptidão média reduzida. Estes indivíduos podem levar o AG a convergir prematuramente (para uma solução de má qualidade). Para evitar a convergência prematura e estimular a competição selectiva mais tarde, existem técnicas de calibração da função de aptidão que modificam a escala de aptidão.Caso a população inicial não inclua indivíduos correspondentes a soluções admissíveis pode-se recorrer, por exemplo, a uma heurística construtiva para obter indivíduos correspondentes a soluções admissíveis .
Empiricamente, vários autores sugerem dimensão da população da ordem dim_pop=30. Alander (1992)* sugere n dim_pop 2n) sendo n a dimensão do cromossoma binário.
A eficiência de um AG pode ser melhorada incorporando no AG outra técnica heurística – hibridização.
Questões
Pode-se definir vários tipos de cruzamento múltiplo (multi-point crossover).Exemplo:
Questões
1 0 0 0 1 1 0
1 1 0 1 1 0 11 1 0 0 1 0 1
1 0 0 1 1 1 0
Em geral, a população de uma geração é totalmente substituída pelos descendentes da geração anterior. Podem perder-se indivíduos de boa qualidade de uma geração para outra. Mecanismos para contrariar estas desvantagens são, por exemplo o elitismo e a substituição incremental.substituição incremental – a população da geração seguinte é constituída criando apenas r (valores pequenos para r) filhos por cruzamento que vão substituir r membros da população corrente.
posições 2 e 5