Documente Academic
Documente Profesional
Documente Cultură
Algoritmos Genticos
Conceitos bsicos
Tcnica de busca e otimizao. Metfora da teoria da Evoluo das Espcies (Charles Darwin). Desenvolvido por John Holland (1975) e popularizado por David Goldberg (1989). Implementao computacional baseada nos princpios naturais da gentica e da evoluo
Conceitos bsicos
Teoria da Evoluo
Gregor Mendel, em 1865, apresenta experimentos do cruzamento gentico de ervilhas. Teoria da evoluo => conceituao integrada da seleo natural com a gentica.
UNISINOS - Joo Ricardo Bittencourt
Conceitos bsicos
Otimizao Buscar a melhor soluo para um determinado problema As tcnicas de otimizao apresentam: Espao de busca onde esto as possveis solues de um problema Funo objetivo (fitness) avaliar a soluo encontrada Em termos matemticos Achar uma soluo que corresponda ao ponto mximo ou mnimo de uma funo
UNISINOS - Joo Ricardo Bittencourt
Caractersticas
Algoritmos estocastcos Lida com uma coleo de solues Fceis de serem implementados computacionalmente Necessita de uma funo de avaliao (fitness) Fcil de integrar com outras tcnicas de IA Funcionam com parmetros contnuos ou discretos
Terminologia
Indivduo
Membro da populao. descrito por um cromossomo Codifica um nico parmetro do problema Os valores que um gene pode assumir Coleo de genes Estrutura de dados que codifica o problema Informao contida nem um cromossomo
UNISINOS - Joo Ricardo Bittencourt
Gene
Alelos
Cromossomo
Gentipo
Dificuldades
As principais dificuldades para aplicar AG Como representar os parmetros que definem o problema? Quem a populao inicial? Como definir a funo objetivo (fitness)?
Algoritmo
Funcionamento
AG manipula uma populao de indivduos. Indivduos so possveis solues do problema. Os indivduos so combinados (crossover) uns com os outros, produzindo filhos que podem sofrer ou no mutao. As populaes evoluem atravs de sucessivas geraes at encontrar a soluo tima.
Funcionamento
Indivduo (Cromossomo) Estrutura de dados que representa uma possvel soluo para o problema. Os parmetros do problema de otimizao so representados por cadeias de valores. Vetores de reais: (2.345, 4.3454, 5.1, 3.4) Cadeias de bits: (111011011) Vetores de inteiros: (1,4,2,5,2,8) Aptido de um indivduo Resultado do fitness
UNISINOS - Joo Ricardo Bittencourt
Funcionamento
Seleo Seleciona um par de indivduos para reproduo Critrio de seleo funo fitness Imitao da seleo natural.
Os melhores indivduos (maior aptido) so selecionados para gerar filhos atravs de crossover e mutao.
Dirige o AG para as melhores regies do espao de busca. Tipo mais comum de seleo: Seleo proporcional a aptido
Funcionamento
Reproduo Conjunto de operaes (crossover, mutao,...) aplicada a um par na gerao de um novo indivduo. Crossover e Mutao Combinam pais selecionados para produo de filhos. Principais mecanismos de busca do AG. Permite explorar reas desconhecidas do espao de busca.
UNISINOS - Joo Ricardo Bittencourt
Funcionamento
Se o crossover aplicado os pais trocam suas caudas gerando dois filhos, caso contrrio os dois filhos sero cpias exatas dos pais.
O crossover aplicado com uma dada probabilidade denominada taxa de crossover (60% a 90%)
UNISINOS - Joo Ricardo Bittencourt
Funcionamento
Funcionamento
Mutao Pequenas mudanas aleatrias na seqncia de bits Mutao inverte os valores dos bits A mutao aplicada com dada probabilidade, denominada taxa de mutao (~1%), em cada um dos bits do cromossomo.
A taxa de mutao no deve ser nem alta nem baixa, mas o suficiente para assegurar a diversidade de cromossomos na populao. UNISINOS - Joo Ricardo Bittencourt
Funcionamento
Elitismo Problema: o melhor cromossomo poder ser perdido de uma gerao para outra Soluo: manter na prxima gerao o melhor indivduo da gerao atual Esta estratgia chamada de elitismo
Funcionamento
Funo de avaliao (fitness) Funo usada para avaliar o membro de uma gerao Estas funes podem ser extremamente complexas. Efetuar toda uma simulao para obter a avaliao. Usar duas funes objetivos: Uma simplificada no inicio da busca Uma mais refinada quando encontra-se uma soluo
UNISINOS - Joo Ricardo Bittencourt
Funcionamento
Critrio de Parada Nmero de geraes Encontrou a soluo (quando esta conhecida) Convergncia nas ltimas k geraes no houve melhora na aptido: Mdia Mxima
Referncias
Goldberg, D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, 1989. Tom M. Mitchell. Machine Learning. McGraw-Hill, 1997. Eberhart, R; Simpson, P; Dobbins, R. Computational Intelligence PC Tools. Academic Press,1996.