Algoritmos EvolutivosAlgoritmos Evolutivos Algoritmos Genéticos Algoritmos Genéticos Introdução IntroduçãoRoberto Tadeu Raittz
1
IntroduçãoIntrodução
Modelos inspirados na seleção natural como princípio evolutivo
Charles Darwin 1859Interação dos aspectos:
reprodução, competição, mutação e seleção
2
Alguns autoresAlguns autoresFraserBremermannReedHollandDécadas de 50-70
3
Onde UtilizarOnde Utilizar
Na resolução de problemas que requerem adaptação busca e otimização
4
Ciclo BásicoCiclo Básico(i) Inicialização aleatória da população
de soluções(ii) Avaliação da fitness (Função de
aptidão)(iii) Seleção dos indivíduos mais aptos
baseada em uma estratégia de seleção
(iv) Aplicação dos operadores de cruzamento e mutação
(v) Geração de uma nova população(vi) Repetição dos passos (ii) a (v)
5
Por que utilizarPor que utilizarSão técnicas robustas e eficientes em
espaços de busca irregulares, complexos e com múltiplas dimensões
Necessitam apenas informações sobre a função objetivo para cada indivíduo da população
São simples conceitualmenteApresentam tolerância aos ruídos no
problema
6
VantagensVantagensTratam adequadamente sistemas
sujeitos a restriçõesNão estudam um caminho para a
resolução do problema, apenas avaliam os resultados intermediários
São adequados ao Processamento Paralelo Distribuído
Funcionam bem com múltiplos objetivos
7
LimitaçõesLimitaçõesNão Garantem a melhor solução
possívelTêm de avaliar todas as soluções
de cada populaçãoA estratégia usada para a
solução de um problema pode não ser adequada a um outro
8
OperadoresOperadoresSeleçãoCruzamento (crossover)Mutação
9
SeleçãoSeleçãoEmprega o princípio de
sobrevivência dos indivíduos mais aptos.
Consiste em escolher soluções melhores para repassar dados para as populações futuras
10
Cruzamento-CrossoverCruzamento-CrossoverE responsável pela troca de
material genético entre os indivíduos com maior probabilidade de se reproduzirem visado obter soluções melhores
11
MutaçãoMutaçãoModifica genes de indivíduos com
objetivo de desenvolver esquemas não presentes na população. Permite fugir de mínimos/máximos locais
12
TerminologiaTerminologiaPopulação – conjunto de soluções
candidatasIndivíduo – solução candidataCromossomo - estrutura que
representa uma solução possível para o problema
Gene – elemento que compõe o cromossomo (posição)
Alelo – valor contido no gene
13
Tipos de representaçãoTipos de representaçãoCanônica ou bináriaPonto flutuanteInteira (por ordem)
14
Representação CanônicaRepresentação CanônicaO cromossomo neste caso é um
conjunto de bitsUm gene neste caso é um bit
determinado, sendo seus alelos possíveis 0 ou 1
15
Exemplo com um byteExemplo com um byte
Ind cromossomo representa1 - 0 0 1 1 0 1 0 1 - 532 - 1 0 0 1 1 0 1 1 - 1553 - 1 1 1 0 1 0 1 0 - 2344 - 0 0 0 1 0 0 1 0 - 185 - 1 0 1 0 1 0 1 1 - 171
16
Selecionando...Selecionando...
Critério: Valores maiores, maior probabilidade...
Pais:3 - 1 1 1 0 1 0 1 0 - 2345 - 1 0 1 0 1 0 1 1 - 171
17
Cruzando...Cruzando...
Pais3 - 1 1 | 1 0 1 0 1 0 - 2345 - 1 0 | 1 0 1 0 1 1 - 171Filhos(3,5) - 1 1 | 1 0 1 0 1 1 - 235(5,3) - 1 0 | 1 0 1 0 1 0 - 170
18
Representação por OrdemRepresentação por OrdemO cromossomo neste caso é um
conjunto de elementos com símbolos possíveis pré-determinados
Um gene neste caso é a posição que um destes símbolos pode se encontrar
O alelo é o conteúdo do gene
19
Exemplo:Exemplo:
Ind cromossomo representa1 - a v x e r b i m2 - b v e m r i x a3 - v b m x i r a e4 - x i v r e a b m5 - m i v r b a x e
20
Cruzando...Cruzando...
Pais2 - b v | e m r i x a3 - v b | m x i r a eFilhos:(2,3) – b v m x i r a e(3,2) – v b e m r i x a
21
Métodos de SeleçãoMétodos de SeleçãoMonte Carlo - RoletaEscala fixaOutros – Procurar
22
ExemplosExemplosCaixeiro viajanteEquaçãoMatlab
23
Top Related