Reconhecimento de Padrões Computação Evolutiva

Reconhecimento de Padrões

Computação Evolutiva

Luiz Eduardo S. Oliveira, Ph.D.www.lesoliveira.net

Pontifícia Universidade Católica do Paraná (PUCPR)Programa de Pós-Graduação em Informática (PPGIA)

Reconhecimento de Padrões - Computação EvolutivaPUCPR-PPGIa - Prof. Luiz Eduardo S. Oliveira 2

Princípios da CE

• Algoritmos baseados em populações, as quais são reproduzidas a cada geração do algoritmo. – Várias regiões de buscas podem ser

exploradas simultaneamente, ao contrário de algoritmos determinísticos.


O que é Evolução?

• O termo evolução têm sido bastante utilizados em propagandas– Ex: Carros, políticas, teorias evolucionárias

ou evolutivas.• A palavra evolução NÃO significa melhor,

melhoria, adaptação, manipulação de genes.


O que é Evolução

• Porém, evolução normalmente produz melhorias significativas, faz com que indivíduos se adaptem a certo nichos.

• Evolução:– Processo gradual de mudanças.– Três papeis devem estar presentes:

• O Bom, O Mau e o Estranho


O Bom

• A parte boa do processo de evolução é a reprodução.

• Uma “coisa” pode ser resultante de um processo de evolução se e somente ela é capaz de se reproduzir.

• Por exemplo, pedras não são resultados de evolução.


O Mau

• A parte má do processo de evolução é a seleção

• A seleção determina vencedores e perdedores. • Os melhores tem mais chances de reproduzir,

enquanto os piores morrem antes– Lei da selva!

• Sem seleção as coisas se reproduziriam e morreriam aleatoriamente.


O Estranho

• Mutações podem ser consideradas como uma coisa estranha.

• Entretanto, a mutação é o terceiro componente vital do processo evolutivo, pois insere diversidade.

• Geralmente causam pequenas mudanças– Ex: Um dente a mais na arcada dentária.


Evolução

• Em resumo, o processo evolutivo deve contar com – Reprodução– Seleção– Mutação (Diversidade, Variedade)


Procedimento Básico

1. Inicializar a população.2. Calcular a fitness de cada indivíduo.3. Reproduzir os indivíduos selecionados.4. Submeter a população a operações

genéticas (ex cruzamento, mutação).5. Voltar ao item 2 até que alguma

condição seja satisfeita.


Solução Ótima

• Geralmente existe um ótimo global.• O ponto ótimo de um problema pode

mudar dinamicamente.• Vários pontos quase-ótimos podem existir.• Não é sensato esperar que um algoritmo

de otimização encontre o ponto ótimo em um tempo finito.


Terminologia

f(X)

X

Ótimo local Ótimo Global

( )

Vizinhança do solução

Valor do ótimo global

Y


Lei da Suficiência

• O melhor que pode-se esperar é que o algoritmo encontre uma solução próxima a ótima.

• Lei da SUFICIÊNCIA– Se uma solução é suficientemente boa e

rápida, então ela é suficiente.


O Melhor Algoritmo

• Não existe o melhor algoritmo, e sim o algoritmo que é mais eficiente para um determinado tipo de problema.– No free lunch theorem.


Como Isso Funciona nos Computadores?

• Universos digitais– Definir leis que governem nossos universos

digitais (reprodução, seleção e mutação).• Não podemos provar que a evolução

produz bons resultados– Mas invariavelmente produz.– Não existem provas matemáticas.


Referências• P. J. Bentley. Digital Biology, 2001• D. Goldberg. Genetic Algorithms in Search, Optimization

and Machine Learning, 1989.• K. Deb. Multi-objective Optimization using Evolutionary

Algoritms, 2001• J. R. Koza. Genetic Programming of Computers by

Means of Natural Selection, 1994• D. B. Fogel. Evolutionary Computation, 2002.• J. Kennedy and R. Eberhart. Swarm Intelligence, 2001

Reconhecimento de Padrões Computação Evolutiva

Documents

Transcript of Reconhecimento de Padrões Computação Evolutiva