03 Search Local EAs PDF

UNIVERSITATEA BABE-BOLYAI
Facultatea de Matematic i Informatic
INTELIGEN
ARTIFICIAL
Rezolvarea problemelor de cutare

Strategii de cutare informat local
Algoritmi Evolutivi
Laura Dioan
Sumar
A. Scurt introducere n Inteligena Artificial (IA)
B. Rezolvarea problemelor prin cutare

Definirea problemelor de cutare
Strategii de cutare
Strategii de cutare neinformate
Strategii de cutare informate
Strategii de cutare locale (Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi
evolutivi, PSO, ACO)
Strategii de cutare adversial
C. Sisteme inteligente
Sisteme bazate pe reguli n medii certe
Sisteme bazate pe reguli n medii incerte (Bayes, factori de
certitudine, Fuzzy)
Sisteme care nva singure
Arbori de decizie
Reele neuronale artificiale
Maini cu suport vectorial
Algoritmi evolutivi
Sisteme hibride
Martie, 2013 Inteligen artificial - metode de cutare local 2
Sumar
Rezolvarea problemelor prin cutare
Strategii de cutare informate (euristice) SCI

Strategii locale
Algoritmi evolutivi

Materiale de citit i legturi utile
capitolul 14 din C. Groan, A. Abraham, Intelligent
Systems: A Modern Approach, Springer, 2011
M. Mitchell, An Introduction to Genetic Algorithms, MIT

Press, 1998
capitolul 7.6 din A. A. Hopgood, Intelligent Systems for

Engineers and Scientists, CRC Press, 2001
Capitolul 9 din T. M. Mitchell, Machine Learning, McGraw-

Hill Science, 1997

Cutare local
Tipologie
Cutare local simpl - se reine o singur stare

vecin
Hill climbing alege cel mai bun vecin
Simulated annealing alege probabilistic cel mai bun
vecin
Cutare tabu reine lista soluiilor recent vizitate
Cutare local n fascicol (beam local search) se

rein mai multe stri (o populaie de stri)
Algoritmi evolutivi
Optimizare bazat pe comportamentul de grup (Particle
swarm optimisation)
Optimizare bazat pe furnici (Ant colony optmisation)
Algoritmi inspirai de natur
Care este cea mai bun metod de rezolvare a unei
probleme?
Creierul uman
a creat roata, maina, oraul, etc
Mecanismul evoluiei
a creat creierul (mintea) uman
Simularea naturii
Cu ajutorul mainilor reelele neuronale artificiale
simuleaz mintea uman
maini de zbor, computere bazate pe ADN, computere cu
membrane
Cu ajutorul algoritmilor
algoritmii evolutivi simuleaz evoluia naturii
algoritmii inspirai de comportamentul de grup simuleaz
adaptarea colectiv i procesele sociale dintr-un colectiv (Particle
Swarm Optimisation)
algoritmii inspirai de furnici (Ant Colony Optimisation)

Algoritmi evolutivi aspecte teoretice
Simularea naturii
Zborul liliecilor
Leonardo da Vinci schema unei

maini de zbor
Zborul psrilor i al avioanelor
Zborul psrilor i turbinele

eoliene

Care sunt caracteristicile de baz ale AE?
Implic procese iterative i paralele
Folosesc populaii de poteniale soluii
Se bazeaz pe o cutare aleatoare
Sunt inspirai de biologie implic mecanisme
precum:
selecia natural
reproducerea
recombinarea
mutaia

Cteva repere istorice
Jean Baptise de Lamark (1744-1829)
A propus n 1809 o explicaie pentru
originea speciilor n cartea
Zoological Philosophy:
Nevoile unui organism determin
caracteristicile care evolueaz
Caracteristicile utile dobndite n cursul
vieii unui organism se pot transfera

urmailor acestuia
Legea utilizrii i neutilizrii
use and disuse

Charles Darwin (1807-1882)
n cartea Origin of Species demostreaz c toate organismele
au evoluat din alte organisme pe baza:
variaiei
supraproducia de descendeni
seleciei naturale
competiia (generaii constante ca dimensiune)
supravieuirea pe baza calitii/adaptrii la

mediul de via (fitness)
reproducerea
apariia de specii noi

Teoria evolutiv modern
mbogete teoria Darwinian cu mecanismul motenirii genetice
Variaia genetic se produce prin:
mutaie spontan i
reproducere sexual
L. Fogel 1962 (San Diego, CA) programare evolutiv PE

(Evolutionary Programming)
J. Holland 1962 (Ann Arbor, MI) algoritmi genetici AG (Genetic

Algorithms)
I. Rechenberg & H.-P. Schwefel 1965 (Berlin, Germany) strategii

evolutive SE (Evolution Strategies)
J. Koza 1989 (Palo Alto, CA) programare genetic PG (Genetic

Programming)
Metafora evolutiv
Evoluia natural Rezolvarea problemelor

Individ Soluie potenial
Populaie Mulime de soluii poteniale
Cromozom Codarea unei soluii poteniale
Gen Parte a codrii
Fitness Calitate
ncruciare i mutaie Operatori de cutare
Mediu Problem

Algoritmi evolutivi - algoritm
Schema general
Proiectare

.
Algoritmi evolutivi algoritm

Schema general a unui AE
Generaional
Steady-state
Selecia prinilor
Gen(t) pentru perturbare ncruciare
Selecia pentru
supravieuire Mutaie
Gen(t+1)
Selecia pentru supravieuire

Proiectare
Alegerea unei reprezentri a cromozomilor
Alegerea unui model de populaie
Stabilirea unei funcii de evaluare
Stabilirea operatorilor genetici
Selecie
Mutaie
Recombinare
Stabilirea unui criteriu de stop

Proiectare alegerea unei reprezentri
2 nivele de existen pentru o soluie candidat
Nivel exterior fenotip

Individ - obiectul original n contextul dat de problem
Aici are loc evaluarea unei poteniale soluii
Furnic, rucsac, elefant, orae, ...
Nivel interior genotip

Cromozom codul asociat unui obiect
format din gene, poziionate n locuri (fixe) loci i
avnd anumite valori alele
Aici are loc cutarea unei noi poteniale soluii
Vector unidimensional (numeric, boolean, string), matrice,
...

Reprezentarea trebuie s fie relevant pentru:
problem,
funcia de evaluare i
operatorii genetici
Genotip
Fenotip
Codare
(reprezentare)
Decodare

Tipologia reprezentrii cromozomilor
Liniar
Discret
Binar problema rucsacului
Ne-binar
ntreag
Oarecare procesarea imaginilor
Permutri problema comisului voiajor
Categorial problema colorrii hrilor
Continu (real) optimizri de funcii
Arborescent probleme de regresie

Reprezentare liniar discret binar cromozom
Genotip 1 0 1 0 0 0 1 1
ir de bii
gen
Fenotip
Elemente de tip Boolean
Ex. Problema rucsacului obiectele alese pentru
umplerea rucsacului
Numere ntregi
Numere reale ntr-un anumit

interval

Reprezentare liniar discret binar
Genotip
ir de bii
Fenotip
umplerea rucsacului
Genotip Fenotip
ob1+ob3+ob7+ob8
Numere ntregi
Au fost alese obiectele 1, 3, 7 i 8

interval

Genotip
ir de bii
Fenotip
umplerea rucsacului
Genotip Fenotip
Numere ntregi

interval

Genotip
ir de bii
Fenotip
umplerea rucsacului
Numere ntregi
Genotip Fenotip
Interval (ex. [2.5, 20.5])

Transformarea valorilor reale reprezentate pe bii
Fie z [x,y] reprezentat ca {a1,,aL} {0,1}L
Funcia [x,y] {0,1}L trebuie s fie inversabil (un

fenotip corespunde unui genotip)
Funcia : {0,1}L [x,y] definete reprezentarea

y x L1
( a1 ,..., a L ) x L ( a L j 2 j ) [ x , y ]
2 1 j 0
Observaii
Se pot reprezenta doar 2L valori
L indic precizia maxim a soluiei
Pentru o precizie ct mai bun cromozomi lungi
evoluie ncetinit

Reprezentare liniar discret ne-binar ntreag
oarecare
Genotip
ir de numere ntregi dintr-un anumit interval
Fenotip
Utilitatea numerelor n problem
Ex. Problema plii unei sume folosind diferite monezi

Genotip ir de nr ntregi de lungime egal cu numrul de
monezi diferite, fiecare numr din intervalul
[0,suma/valoarea monezii curente]
Fenotip cte monezi din fiecare tip trebuie considerate

Reprezentare liniar discret ne-binar ntreag
de tip permutare
Genotip
Permutare de n numere (n numrul de gene)
Fenotip
Utilitatea permutrii n problem
Ex. Problema comisului voiaior

Genotip permutare de n elemente
Fenotip ordinea de vizitare a oraelor, tiind c fiecrui
ora i corespunde un numr din mulimea {1,2,...,n}

Reprezentare liniar discret ne-binar categorial
Similar cu cea ntreag, dar n loc de numere se folosesc
etichete
Genotip
ir de etichete dintr-o anumit mulime

Fenotip
Interpretarea etichetelor
Ex. Problema colorrii hrilor

Genotip ir de etichete (culori) de lungime egal cu numrul
de ri, fiecare etichet aparinnd unei mulimi de culori date
Fenotip cu ce culoare trebuie haurat fiecare hart a unei
ri

Reprezentare liniar continu (real)
Genotip
ir de numere ntregi
Fenotip
Utilitatea numerelor n problem
Ex. Problema optimizrii funciilor f:Rn R

Genotip tuplu de numere reale X=[x1, x2, ..., xn], xi R
Fenotip valorile asociate argumentelor funciei f

Reprezentare arborescent
Genotip
Arbori care codeaz S-Expresii
Nodurile interne ale arborelui funcii (F)
Matematice
Operatori aritmetici
Operatori de tip Boolean
Instruciuni
ntr-un limbai de programare
Alt tip de instruciuni
Frunzele arborelui terminale (T)
Valori reale sau Booleene, constante sau variabile
Subprograme
Fenotip
Interpretarea S-expresiilor
Ex. Calculul ariei unui cerc *

2
*r *
r r

Proiectare formarea unei populaii
Populaie concept
Scop
reine o colecie de soluii candidat
se permit repetiii
este folosit n ntregime n procesul de selecie pentru
reproducere
Proprieti
dimensiune (de obicei) fix
diversitate
Nr de fitness-uri/fenotipuri/genotipuri diferite
Observaii
Reprezint unitatea de baz care evolueaz
populaia ntreag evolueaz, nu indivizii!!!

Populaie iniializare
Uniform (dac e posibil) n spaiul de cutare
Stringuri binare
generarea de 0 i 1 cu probabilitatea 0.5
iruri de numere reale generate uniform (ntr-un anumit interval)
Permutri
generarea permutrii identice i efectuarea unor schimbri

Populaie iniializare
Uniform (dac e posibil) n spaiul de cutare
Arbori
Metoda Full arbori complei

Nodurile de la adncimea d < Dmax se iniializeaz aleator cu o funcie din
setul de funcii F
Nodurile de la adncimea d = Dmax se iniializeaz aleator cu un terminal din
setul de terminale T
Metoda Grow arbori incomplei

Nodurile de la adncimea d < Dmax se iniializeaz aleator cu un element din
FUT
Nodurile de la adncimea d = Dmax se iniializeaz aleator cu un terminal din
setul de terminale T
Metoda Ramped half and half

din populaie se creeaz cu metoda Full
din populaie se creeaz cu metoda Grow
Folosind diferite adncimi

Modele de populaii algoritm evolutiv:
Generaional
n fiecare generaie se creaz descendeni
Fiecare individ supravieuiete o singur generaie
Mulimea prinilor este nlocuit n ntregime cu mulimea
descendenilor
Steady-state
n fiecare generaie se obine un singur descendent
Un singur printe (cel mai slab) este nlocuit cu
descendentul obinut
Discrepana ntre generaii (Generation Gap)

Proporia populaiei nlocuite
1 = /, pentru modelul generaional
1/, pentru modelul steady-state
Proiectare funcia de evaluare
Scop
Reflect condiiile la care trebuie s se adapteze populaia
Funcie de calitate sau funcie obiectiv
Asociaz o valoare fiecrei soluii candidat
Consecine asupra seleciei cu ct sunt mai multe valori diferite, cu att e mai
bine
Proprieti
Etapa cea mai costisitoare
Nu se re-evalueaz indivizii nemodificai
Tipologie:
Dup nr de obiective urmrite:
Uni-obiectiv
Multi-obiectiv fronturi Pareto
Dup direcia optimizrii
De maximizat
De minimizat
Dup gradul de exactitate
Exact
Euristic

Proiectare funcia de evaluare
Exemple
Problema rucsacului
reprezentare liniar discret binar
fitness abs(greutatea rucsacului greutatea obiectelor alese)
minimizare
Problema plii unei sume folosind diferite monezi
reprezentare liniar discret ntreag
fitness abs(suma de plat suma monezilor selectate) minimizare
Problema comisului voiaior
reprezentare liniar discret ntreag sub form de permutare
fitness costul drumului parcurs minimizare
Problema optimizrii funciilor
Reprezentare liniar continu real
fitness valoarea funciei minimizare/maximizare
Calculul ariei unui cerc
reprezentare arborescent
fitness suma ptratelor erorilor (diferenelor ntre valoarea real i cea
calculat pe un set de exemple) minimizare

Proiectare selecia
Scop:
acord anse de reproducere/supravieuire mai mari indivizilor mai
buni
i indivizii mai slabi trebuie s aib ansa s se reproduc/supravieuiasc
pentru c pot conine material genetic util
direcioneaz populaia spre mbuntirea calitii
Proprieti
lucreaz la nivel de populaie
se bazeaz doar pe fitnessul indivizilor (este independent de
reprezentare)
aiut la evadarea din optimele locale datorit naturii sale stocastice

Proiectare selecia
Tipologie
n funcie de scop:
Selecia prinilor (din generaia curent) pentru reproducere
Selecia supravieuitorilor (din prini i descendeni) pentru generaia
urmtoare
n funcie de modul de decidere al ctigtorului

Determinist cel mai bun ctig
Stocastic cel mai bun are cele mai mari anse s ctige
n funcie de mecanism
Selecia pentru reproducere
Selecie proporional (bazat pe fitness)
Bazate pe ntreaga populaie
Selecie bazat pe ranguri
Selecie prin turnir ---- Bazat pe o parte din populaie
Selecia pentru supravieuire
Bazat pe vrst
Bazat pe calitate (fitness)

Proiectare selecia pt. reproducere
Selecie proporional (bazat pe fitness) SP
Ideea de baz
Algoritmul ruletei la nivelul ntregii populaii
Estimarea numrului de copii ale unui individ
f (i )
f , unde:
E (ni )
= dimensiunea populaiei, Cel mai bun

f(i) = fitnessul individului i,
f = fitnessul mediu al populaiei Cel mai slab
Indivizii mai buni
au alocat mai mult spaiu n rulet
au anse mai mari s fie selectai
Ex. O populaie cu = 3 indivizi
f(i) PselSP(i)
A A 1 1/10=0.1
B 5 5/10=0.5
C
B 4/10=0.4
C 4
Suma 10 1
Selecie proporional (bazat pe fitness)
Avantaie
Algoritm simplu
Dezavantaie
Convergena prematur
cromozomii foarte buni tind s domine populaia
Presiune de selecie foarte mic atunci cnd fintessurile indivizilor sunt foarte apropiate (la sfritul
rulrii)
Susceptibil de traspoziia funciei
Rezultatele reale ale unei astfel de selcii difer de distribuia probabilistic teoretic
Lucreaz cu ntreaga populaie
Soluii
scalarea fitnessului
Windowing
f(i) = f(i) - t , unde este un parametru care depinde de istoria recent a evoluiei
ex. este fitnessul celui mai slab individ din populaia curent (a t-a generaie)
Scalare de tip sigma (de tip Goldberg)
f(i) = max{f(i) (f c * f ), 0.0}, unde:
c este o constant (de obicei 2)
f - fitnessul mediu al populaei
f deviaia standard a fitnessului populaiei
Scalare prin normalizare
Se ncepe cu fitnessurile absolute (iniiale)
Se standardizeaz astfel nct Se aiusteaz fitnessurile a..:
ele s aparin [0,1]
cel mai bun fitness s fie cel mai mic (egal cu 0)
suma lor s fie 1
alt mecanism de selecie
Selecia bazat pe ranguri SR
Ideea de baz
Se ordoneaz ntreaga populaie pe baza fitnessului
Crete puin complexitatea algoritmului, dar se poate
negliia aceast cretere comparativ cu timpul necesar
evalurii unui individ
Se acord ranguri fiecrui individ
Se calculeaz probabilitile de selecie pe baza
rangurilor
Cel mai slab individ are rangul 1
Cel mai bun individ are rangul
ncearc s rezolve problemele seleciei proporionale

prin folosirea fitnessurilor relative (n locul celor
absolute)

Modaliti de acordare a rangurilor
Liniar (RL) 2 s 2i( s 1)
Plin _ rank (i )

( 1)
s presiunea de selecie
msoar avantaiele celui mai bun individ
1.0 < s 2.0
n algoritmul genetic generaional s este numrul de copii ai unui individ
Ex. pentru o populaie cu = 3 indivizi
f(i) PselSP(i) Rang PselRL(i) pt. s=2 PselRL(i) pt. s=1.5
A 1 1/10=0.1 1 0 0.167
B 5 5/10=0.5 3 0.67 0.5
C 4 4/10=0.4 2 0.33 0.33
Suma 10 1 1 1
i
Exponenial (RE) 1 e
Pexp_ rank (i )
c
Cel mai bun individ poate avea mai mult de 2 copii
c factor de normalizare
depinde de dimensiunea populaiei ()
trebuie ales a.. suma probabilitilor de selecie s fie 1

Avantaie
Pstreaz presiunea de selecie constant
Dezavantaie
Lucreaz cu ntreaga populaie
Soluii
Alt mecanism de selecie

Selecia prin turnir
Ideea de baz
Se aleg aleator k indivizi eantion de k indivizi (k mrimea turnirului)
Se selecteaz cel mai bun individ dintre cei alei anterior
Probabilitatea alegerii unui individ n eantion depinde de
Rangul individului
Dimensiunea eantionului (k)
Cu ct k este mai mare, cu att crete i presiunea de selcie
Modul n care se face alegerea dac se realizeaz cu nlocuire (model steady-
state) sau nu
Alegerea fr nlocuire crete presiunea de selecie
Pt k = 2 timpul necesar ca cel mai bun individ s domine populaia este acelai cu
cel de la selecia pe baz de ranguri liniare cu s = 2 * p, p probabilitatea alegerii
celui mai bun individ din populaie
Populaia
Concureni
Ctigtori

Selecia prin turnir
Avantaje
Nu implic lucrul cu ntrega populaie
Uor de implementant
Uor de controlat presiunea de selcie prin intermediul
parametrului k
Dezavantaje
Rezultatele reale ale unei astfel de selecii difer de distribuia
probabilistic teoretic (similar seleciei prin mecanismul ruletei)

Algoritmi evolutivi
Proiectare selecia
Selecia pentru supravieuire (nlocuire)
Pe baza vrstei
eliminarea celor mai btrni indivizi
Pe baza calitii (fitness-ului)
seleciei proporional
selecie bazat pe ranguri
selecie prin turnir
elitism
Pstrarea celor mai buni indivizi de la o generaie
la alta (dac descendenii sunt mai slabi ca
prinii se pstreaz prinii)
GENITOR (nlocuirea celui mai slab individ)
Eliminarea celor mai slabi indivizi
Proiectare operatori de variaie
Scop:
Generarea unor soluii poteniale noi
Proprieti
lucreaz la nivel de individ
se bazeaz doar pe reprezentarea indivizilor (independent
de fitness)
Aiut la explorarea i exploatarea spaiului de cutare
Trebuie s produc indivizi valizi
Tipologie
n funcie de aritate
Aritate 1 operatori de mutaie
Aritate > 1 operatori de recombinare/ncruciare

Proiectare mutaia
Scop
Reintroducerea n populaie a materialului genetic pierdut
Operator unar de cutare (spaiul continuu)
Introducerea diversitii n populaie (n spaiul discret binar)
Proprieti nainte
Acioneaz la nivel de genotip

dup
Bazat pe elemente aleatoare
Responsabil cu explorarea unor noi regiuni promitoare ale spaiului

de cutare
Este responsabil de evadarea din optimele locale
Trebuie s produc mici schimbri stocastice ale individului

Mrimea mutaiei trebuie s fie controlabil
Se produce cu o anumit probabilitate (pm) la nivelul fiecrei
gene a unui cromozom
Proiectare mutaia
Tipologie
Reprezentare binar
Mutaie tare - bit-flipping
Mutaie slab
Reprezentare ntreag
Random resetting
Creep mutation
Reprezentare permutare
Mutaie prin inserie
Mutaie prin interchimbare
Mutaie prin inversare
Mutaie prin amestec
Mutaie k-opt
Reprezentare real
Mutaie uniform
Mutaie neuniform
Mutaie Gaussian
Mutaie Cauchy
Mutaie Laplace
Reprezentare arborescent ntr-un curs viitor
Mutaie grow
mutaie shrink
Mutaie switch
Mutaie cycle
Mutaie tip Koza
Mutaie pentru terminalele numerice

Proiectare mutaia (reprez. binar)
Un cromozom c=(g1,g2,...,gL) devine c=(g1,g2,...,gL),
unde gi, gi {0,1}, pt. i=1,2,...,L
Mutaie tare bit flipping

Ideea de baz
Schimbarea cu probabilitatea pm (rat de mutaie) a unor
gene n complementul lor
10
01
Ex. Un cromozom cu L = 8 gene, pm = 0.1
1 0 1 0 0 0 1 1 1 1 1 0 0 0 0 1

Proiectare mutaia (reprez. binar)
Un cromozom c=(g1,g2,...,gL) devine
c=(g1,g2,...,gL), unde gi, gi {0,1}, pt.
i=1,2,...,L
Mutaie slab
Ideea de baz
Schimbarea cu probabilitatea pm (rat de mutaie) a
unor gene n 0 sau 1
1 0/1
0 1/0
Ex. Un cromozom cu L = 8 gene, pm = 0.1
1 0 1 0 0 0 1 1 1 1 1 0 0 0 0 1

Proiectare mutaia (reprez. ntreag)
unde gi, gi {val1, val2,...,valk}, pt. i=1,2,...,L
Mutaie random resetting

Ideea de baz
Valoarea unei gene este schimbat (cu probabilitatea
pm) ntr-o alt valoare (din setul de valori posibile)
3 0 2 5 1 3 1 0 3 1 5 5 1 3 1 2

Proiectare mutaia (reprez. ntreag)
unde gi, gi {val1, val2, ..., valk}, pt. i=1,2,...,L
Mutaie creep
Ideea de baz
Valoarea unei gene este schimbat (cu probabilitatea pm)
prin adugarea unei valori (pozitiv sau negativ)
valoarea face parte dintr-o distribuie simetric fa
de zero
modificarea produs este fin (mic)
3 0 2 5 1 3 1 0 3 1 1 5 1 3 1 2

Proiectare mutaia (reprez. permutare)
Un cromozom c=(g1,g2,...,gL) cu gigi pentru orice ii devine
c=(g1,g2,...,gL), unde gi, gi {val1, val2,...,valL}, pt. i=1,2,...,L
a.. gigi pentru orice ii.
Mutaie prin interschimbare (swap

mutation)
Ideea de baz
Se aleg aleator 2 gene i se interschimb valorile lor
1 2 3 4 5 6 7 8 1 6 3 4 5 2 7 8

Mutaie prin inserie

Ideea de baz
Se aleg 2 gene oarecare gi i gj cu j > i
Se insereaz gj dup gi a.. gi=gi, gi+1=gj,
gk+2=gk+1, pentru k=i, i+1, i+2, ...
1 2 3 4 5 6 7 8 1 2 6 3 4 5 6 7

Mutaie prin inversare

Ideea de baz
Se aleg aleator 2 gene i se inverseaz ordinea
genelor situate ntre ele (substringul dintre gene)
1 2 3 4 5 6 7 8 1 6 5 4 3 2 7 8

Mutaie prin amestec (scramble mutation)

Ideea de baz
Se alege aleator un subir (continuu sau discontinuu)
de gene i se rearanjeaz acele gene
1 2 3 4 5 6 7 8 1 6 2 4 3 5 7 8

Mutaie k-opt
Ideea de baz
Se aleg 2 substringuri disjuncte i de lungime k
Se interchimb 2 elemente ale acestor substringuri
de gene
1 8 7 1 8 7
2 5 3 4 8 6 1 7
2 6 2 6
k=2
2 5 6 4 8 3 1 7
3 4 5 3 4 5

Proiectare mutaia (reprez. real)
unde gi, gi [LIi, LSi], pt. i=1,2,...,L
Mutaie uniform
Ideea de baz
gi este schimbat cu probabilitatea pm la o valoare
aleas aleator uniform din [LIi, LSi]

Proiectare mutaia (reprez. real)
Un cromozom c=(g1,g2,...,gL) devine
c=(g1,g2,...,gL), unde gi, gi [LIi, LSi], pt.
i=1,2,...,L
Mutaie neuniform
Ideea de baz
Valoarea unei gene este schimbat (cu probabilitatea pm)
prin adugarea unei valori (pozitiv sau negativ)
valoarea face parte dintr-o distribuie
N(, ) (Gaussian) cu = 0
Cauchy (x0, )
Laplace (, b)
i readus la [LIi, LSi] (dac este necesar) clamping

Proiectare - recombinarea
Scop
Amestecarea informaiilor preluate din prini
Proprieti
Descendentul trebuie s moteneasc ceva de la fiecare dintre prini
Alegerea informailor care se amestec este aleatoare
Operator de exploatare a spaiilor deja descoperite
Descendenii pot s fie mai buni, la fel de buni sau mai slabi dect prinii lor
Efectele sale se reduc pe msur ce cutarea converge
1 0 1 0 0 0 1 1 1 0 1 1 0 1 0 1
0 0 1 1 0 1 0 1 1 0 1 0 0 0 1 1

Proiectare - recombinarea
Tipologie n funcie de reprezentarea indivizilor
Reprezentare binar i ntreag
Cu puncte de tietur
Uniform
Reprezentare cu permutri
ncruciare prin ordonare (versiunea 1 i versiunea 2)
ncruciare transformat parial (Partially Mapped Crossover)
ncruciare ciclic
ncruciare bazat pe legturi (muchii)
Reprezentare real
Discret
Intermediar (aritmetic)
Aritmetic singular
Aritmetic simpl
Aritmetic complet
Geometric
ncruciare amestecat
ncruciare binar simulat
Reprezentare cu arbori
ncruciare de sub-arbori ntr-un curs viitor

Proiectare recombinarea (reprez. binar i ntreag)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi {0,1} / {val1, val2, ..., valk}, pt. i=1,2,...,L
ncruciare cu n puncte de tietur

Ideea de baz
Se aleg n puncte de tietur (n < L)
Se taie cromozomii prini prin aceste puncte
Se lipesc prile obinute, alternnd prinii
1 0 1 0 0 0 1 1 1 0 1 1 0 1 0 1
n=2
0 0 1 1 0 1 0 0 0 0 1 0 0 0 1 0
ncruciare cu n puncte de tietur
Proprieti
Media valorilor codate de prini = media valorilor codate de descendeni
Ex. Reprezentarea binar pe 4 bii a numerelor ntregi XO cu n = 1 dupa
bitul 2
p1 = (1,0,1,0), p2 = (1,1,0,1)
d1 = (1,0, 0,1), d2 = (1,1,1,0)
val(p1) = 10, val(p2) = (13) (val(p1) + val(p2))/2 = 23/2=11.5
val(d1) = 9, val(d2) = (14) (val(d1) + val(d2))/2 = 23/2=11.5
Ex. Reprezentare binar pe 4 bii pentru problema rucsacului de capacitate K
= 10 cu 4 obiecte de greutate i valoare ((2,7), (1,8), (3,1), (2,3))
p1 = (1,0,1,0), p2 = (1,1,0,1)
d1 = (1,0, 0,1), d2 = (1,1,1,0)
val(p1) = 8, val(p2) = 18 (val(p1) + val(p2))/2 = 26/2=13
val(d1) = 10, val(d2) = 16 (val(d1) + val(d2))/2 = 26/2=13
Probabilitatea apariiei unui factor de rspndire 1 este mai mare dect
probabilitatea oricrui alt factor
val (d1 ) val (d 2 )

val ( p1 ) val ( p2 )
ncruciare prin contracie < 1
Valorile descendenilor se afl ntre valorile prinilor
ncruciare prin extensie > 1
Valorile prinilor se afl ntre valorile descendenilor
ncruciare staionar = 1
Valorile descendenilor coincid cu valorile prinilor

p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi {0,1} / {val1, val2, ..., valk}, pt. i=1,2,...,L
ncruciare uniform
Ideea de baz
Fiecare gen a unui descendent provine dintr-un printe ales
aleator i uniform:
Pentru fiecare gen n parte se genereaz un numr aleator r care respect legea
uniform
Dac numrul generat r < probabilitatea p (de obicei p=0.5), c1 va lua gena
respectiv din p1 i c2 va lua gena respectiv din p2,
Altfel c1 va lua gena respectiv din p2 i c2 va lua gena respectiv din p1
p=0.5 1 0 1 0 0 0 1 1 0 0 1 1 0 0 0 1
0 0 1 1 0 1 0 0 1 0 1 0 0 1 1 0
10*r 8 6 3 2 6 4 7 2
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
Se copiaz substringul din p1 n descendentul d1 (pe poziii corespondente)
1 2 3 4 5 6 7 8
4 5 6 7
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6
Se copiaz genele din p2 n descendentul d1 astfel:
ncepnd cu prima poziie de dup terminarea substringului

Respectnd ordinea genelor din p2 i
Re-lund genele de la prima pozie (dac s-a ajuns la sfrit)
1 2 3 4 5 6 7 8
4 5 6 7 4 5 6 7 3
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6

1 2 3 4 5 6 7 8
4 5 6 7 4 5 6 7 3
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6

1 2 3 4 5 6 7 8
4 5 6 7 2 4 5 6 7 3
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6

1 2 3 4 5 6 7 8
4 5 6 7 2 4 5 6 7 3
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6

1 2 3 4 5 6 7 8
4 5 6 7 2 8 4 5 6 7 3
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6

1 2 3 4 5 6 7 8
4 5 6 7 2 8 1 4 5 6 7 3
7 2 6 8 1 5 4 3
2 3 2 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
2 3
Ideea de baz
prinilor
7 6

Se reia procedeul pentru al doilea descendent d2.
1 2 3 4 5 6 7 8
4 5 6 7 2 8 1 4 5 6 7 3
7 2 6 8 1 5 4 3
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
ncruciare parial transformat (partially mapped XO)

Ideea de baz
Se iau pe rnd elementele i din substringul din p2 care nu apar n substringul
din p1 i se determin care element j a fost copiat n locul lui din p1
Se plaseaz i n d1 n poziia ocupat de j n p2 (dac locul este liber)
Dac locul ocupat de j n p2 a fost deja completat n d1 cu elementul k, i se
pune n locul ocupat de k n p2
Restul elementelor se copiaz din p2 n d1
Pentru descendentul d2 se procedeaz similar, dar inversnd prinii
1 2 3 4 5 6 7 8
4 5 6 7 4 5 6 7 8
4 3 7 8 2 6 5 1
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare parial transformat (partially mapped XO)

Ideea de baz
Se iau pe rnd elementele i din substringul din p2 care nu apar n substringul
din p1 i se determin care element j a fost copiat n locul lui din p1
Dac locul ocupat de j n p2 a fost deja completat n d1 cu elementul k, i se
pune n locul ocupat de k n p2
1 2 3 4 5 6 7 8
4 5 6 7 2 4 5 6 7 8
4 3 7 8 2 6 5 1
2 3 2 3
1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
5 5
se obin 2 descendeni 8 8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL), 7 6
7 6
2 3
ncruciare parial transformat 1 4
Ideea de baz
Se alege un substring de gene din primul printe p1 8 5
Se copiaz substringul din p1 n descendentul d1 (pe poziii

7 6
corespondente)
Se iau pe rnd elementele i din substringul din p2 care nu apar n substringul din p1 i se
determin care element j a fost copiat n locul lui din p1
Dac locul ocupat de j n p2 a fost deja completat n d1 cu elementul k, i se pune n locul
ocupat de k n p2
1 2 3 4 5 6 7 8
4 5 6 7 1 3 2 4 5 6 7 8
4 3 7 8 2 6 5 1
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare ciclic
Ideea de baz
1. iniial k = 1
2. Se formeaz un ciclu
Se adaug n ciclu gena de pe poziia k din p1 (gk1)
Se consider gena de pe poziia k din p2 (gk2)
Se alege gena din p1 cu valoarea egal cu gk2 (gr1) i se include n ciclu
Se consider gena de pe poziia r din p2 (gr2)
Se repet paii anteriori pn cnd se ajunge la gena de pe poziia k din p1
3. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p1)
4. Se incrementeaz k i se formeaz un nou ciclu dar cu genele din p2
6. Se repet paii 2-5 pn cnd k = L
k=1 1 2 3 4 5 6 7 8 9
1 4 8 9
9 3 7 8 2 6 5 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare ciclic
Ideea de baz
1. iniial k = 1
k=2 1 2 3 4 5 6 7 8 9
1 3 7 4 2 5 8 9
9 3 7 8 2 6 5 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare ciclic
Ideea de baz
1. iniial k = 1
k=3 1 2 3 4 5 6 7 8 9
1 3 7 4 2 6 5 8 9
9 3 7 8 2 6 5 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare bazat pe muchii

A se consulta: Whitley, Darrell, Timothy Starkweather, D'Ann Fuquay (1989).
"Scheduling problems and traveling salesman: The genetic edge recombination
operator".International Conference on Genetic Algorithms. pp. 133140 link

Proiectare recombinarea (reprez. real)
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare discret
Ideea de baz
Fiecare gen a unui descendent este luat (cu aceeai
probabilitate, p = 0.5) dintr-unul din prini
Similar ncrucirii uniforme de la reprezentarea binar/ntreag
Nu se modific valorile efective ale genelor (nu se creeaz
informaie nou)
0.3 -1.5 3.2 2.4 -1.1 0.6 2.0 -1.7 -2.1 1.3 3.2 2.4 1.1 0.6 1.0 -1.7
p=0.5
-2.1 1.3 0.2 -1.4 1.1 -0.3 1.0 1.7 0.3 -1.5 0.2 -1.4 -1.1 -0.3 2.0 1.7
10*r 8 6 3 2 6 4 7 2
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare intermediar (aritmetic)

Ideea de baz
Se creeaz copii aflai (ca valoare) ntre prini ncruciare
aritmetic
zi = xi + (1 - ) yi unde : 0 1.
Parametrul poate fi:
Constant ncruciare aritmetic uniform
Variabil ex. dependent de vrsta populaiei
Aleator pt fiecare ncruciare produs
Apar noi valori ale genelor
Tipologie
ncruciare aritmetic singular
ncruciare aritmetic simpl
ncruciare aritmetic complet
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare intermediar (aritmetic) singular

Se alege cte o gen (de acelai index k) din cei doi prini i
se combin
gk= gk1 + (1-)gk2
gk= (1-)gk1 + gk2
Restul genelor rmn neschimbate
0.6*3.2+(1-0.6)*0.2=2.0
gi= gi1
gi= gi2 , pentru i = 1,2,...,L i i k (1-0.6)*3.2+0.6*0.2=1.4
[LI,LS] = [-2.5, +3]
k=3 0.3 -1.5 3.2 2.4 -1.1 0.6 2.0 -1.7 0.3 -1.5 2.0 2.4 -1.1 0.6 2.0 -1.7
= 0.6
-2.1 1.3 0.2 -1.4 1.1 -0.3 1.0 1.7 -2.1 1.3 1.4 -1.4 1.1 -0.3 1.0 1.7

p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare intermediar (aritmetic) simpl

Se alege o poziie k i se combin toate genele de dup acea
poziie
gi= gi1 + (1-)gi2
gi= (1-)gi1 + gi2 , pentru i=k, k+1, ..., L
Genele de pe poziii < k rmn neschimbate
gi= gi1 0.6*0.6+(1-0.6)*(-0.3)=0.24
gi= gi2 , pentru i = 1,2,...,k-1
(1-0.6)*0.6+0.6*(-0.3)=0.06
[LI,LS] = [-2.5, +3]
k=4
0.3 -1.5 3.2 2.4 -1.1 0.6 2.0 -1.7 0.3 -1.5 3.2 2.4 -1.1 0.24 1.6 -0.34
= 0.6
-2.1 1.3 0.2 -1.4 1.1 -0.3 1.0 1.7 -2.1 1.3 0.2 -1.4 1.1 0.06 1.4 0.34

p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare intermediar (aritmetic) complet

Toate genele (de pe poziii corespunztoare) se combin
gi= gi1 + (1-)gi2
gi= (1-)gi1 + gi2 , pentru i=1,2,...,L
0.6*0.3+(1-0.6)*(-2.1)=-0.66
(1-0.6)*0.3+0.6*(-2.1)=-1.14
[LI,LS] = [-2.5, +3]
= 0.6
0.3 -1.5 3.2 2.4 -1.1 0.6 2.0 -1.7 -0.66 4.3 2.0 0.48 -0.22 0.24 1.6 -0.34
-2.1 1.3 0.2 -1.4 1.1 -0.3 1.0 1.7 -1.14 0.18 1.4 0.12 0.22 0.06 1.4 0.34

p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare geometric
Ideea de baz
Fiecare gen a unui descendent reprezint produsul genelor
prinilor, fiecare cu un anumit exponent , respectiv 1- (unde
numr real pozitiv subunitar)
gi= (gi1) (gi2)1-
gi= (gi1)1- (gi2) 0.30.7+2.11-0.7=1.68
0.31-0.7+2.10.7=2.38
[LI,LS] = [-2.5, +3]
= 0.7 0.3 1.5 3.2 2.4 1.1 0.6 2.0 1.7 1.68 2.41 2.87 2.95 2.10 1.40 2.62 2.62
2.1 1.3 0.2 1.4 1.1 0.3 1.0 1.7 2.38 2.33 1.74 2.57 2.10 1.29 2.23 2.62
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obine 1 descendent
c1 =(g1,g2,...,gL),
unde gi1,gi2, gi [LIi, LSi], pt. i=1,2,...,L
ncruciare amestecat (blend crossover BLX)

Ideea de baz
Se genereaz un singur descendent
Genele gi ale descendentului sunt alese aleator n intervalul [Mini-I*a,
Maxi+I*a], unde:
Mini = min{gi1, gi2}, Maxi = max{gi1, gi2}
I = Max Min, a parametru din [0,1]
[LI,LS] = [-2.5, +3]
a = 0.7 0.3 1.5 3.2 2.4 1.1 0.6 2.0 1.7
1.25 1.45 -1.11 2.37 1.10 0.11 0.70 1.70

2.1 1.3 0.2 1.4 1.1 0.3 1.0 1.7
Min 0.3 1.3 0.2 1.4 1.1 0.3 1.0 1.7 Min-Ia -0.26 1.16 -1.90 0.70 1.10 0.09 0.30 1.70
Max 2.1 1.5 3.2 2.4 1.1 0.6 2.0 1.7 Max+Ia 2.66 1.50 3.20 2.40 1.10 0.60 2.00 1.70
I 0.8 0.2 3.0 1.0 0 0.3 1.0 0.0

p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
ncruciare binar simulat

Ideea de baz
Fiecare gen a unui descendent reprezint o combinaie a genelor
prinilor p1 p2 p2 p1 p1 p2 p2 p1
d1 , d2
2 2 2 2
a.. s se respecte cele 2 proprieti de la ncruciarea cu n puncte
de tietur (pt. reprezentarea binar)
media valorilor codate n prini = media valorilor codate n
descendeni
probabilitatea apariiei unui factor de rspndire 1 este
mai mare dect a oricrui alt factor

Proiectare recombinarea
Recombinarea multipl
Bazat pe frecvena valorilor din prini (ncruciare uniform

general)
Bazat pe segmentare i recombinare (ncruciare general cu

puncte de tietur diagonal)
Bazat pe operaii numerice specifice valorilor reale

(ncruciare bazat pe centrul de mas, ncruciare general
aritmetic)

Proiectare mutaie sau recombinare?
Dezbateri aprinse
ntrebri:
care operator este mai bun?
care operator este necesar?,
care operator este mai important?
Rspunsuri:
Depinde de problem, dar
n general, este bine s fie folosii ambii operatori
Fiecare avnd alt rol
Sunt posibili AE doar cu mutaie, dar nu sunt posibili AE doar cu ncruciare
Aspecte ale cutrii:

Explorare descoperirea regiunilor promitoare ale spaiului de cutare (acumulnd informaie util
despre problem)
Exploatare optimizarea ntr-o regiune promitoare (folosind informaia existent)
Trebuie s existe cooperare i competiie ntre aceste 2 aspecte
ncruciarea
Operator exploatativ, realiznd un mare salt ntr-o regiune undeva ntre regiunile asociate prinilor
Efectele exploatative se reduc pe msur ce AE converge
Operator binar (n-ar) care poate combina informaia din 2 (sau mai muli) prini
Operator care nu schimb frecvena valorilor din cromozomi la nivelul ntregii populaii
Mutaia
Operator explorativ, realiznd mici diversiuni aleatoare, rmnnd n regiunea apropiat printelui
Evadarea din optimele locale
Operator care poate introduce informaie genetic nou

Operator care schimb frecvena valorilor din cromozomi la nivelul ntregii populaii

Proiectare criteriu de oprire
Stabilirea unui criteriu de stop
S-a identificat soluia optim
S-au epuizat resursele fizice
S-a efectuat un anumit numr de evaluari ale
funciei de fitness
S-au epuizat resursele utilizatorului (timp, rbdare)
S-au nscut cteva generaii fr mbuntiri

Evaluarea performanelor unui AE
Dup mai multe rulri se calculeaz:
Msuri statistice
media soluiilor,
mediana soluiilor,
cea mai bun soluie,
cea mai slab soluie,
deviaia standard pentru comparabilitate
Calculate pentru un numr suficient de mare de rulri
independente

Algoritmi evolutivi
Analiza complexitii
Partea cea mai costisitoare calculul
fitnessului

Algoritmi evolutivi
Avantaje
Schema AE universal pentru toate problemele
se modific doar
reprezentarea
funcia de fitness
AE sunt capabili s produc rezultate mai bune

dect metodele convenionale de optimizare pentru
c:
nu necesit liniarizare
nu implic anumite presupuneri (continuitate,
derivabilitate, etc. a funciei obiectiv)
nu ignor anumite poteniale soluii
AE sunt capabili s exploreze mai multe poteniale

soluii dect poate explora omul
Algoritmi evolutivi
Dezavantaje
Timp de rulare ndelungat

Algoritmi evolutivi
Aplicaii
Proiectri vehicule
Componena materialelor
Forma vehiculelor
Proiectri inginereti
Optimizarea structural i organizatoric a construciilor (cldiri, roboi,
satelii, turbine)
Robotic
Optimizarea proiectrii, funcionrii componentelor
Evoluare de hardware
Optimizarea de circuite digitale
Optimizarea telecomunicaiilor
Generarea de glume i jocuri de cuvinte
Invenii biomimetice (inspirate de arhitecturi naturale)
Rutri pentru trafic i transporturi
Jocuri de calculator
Criptri
Profilul expresiv al genelor
Analiza chimc a cinecticii
Strategii financiare i marketing
Algoritmi evolutivi
Tipuri de algoritmi evolutivi
Strategii evolutive
Programare evolutiv
Algoritmi genetici
Programare genetic

Cursul urmtor

Strategii de cutare
certitudine, Fuzzy)
Arbori de decizie
Algoritmi evolutivi
Sisteme hibride
Cursul urmtor
capitolul 14 din C. Groan, A. Abraham, Intelligent
Systems: A Modern Approach, Springer, 2011
M. Mitchell, An Introduction to Genetic Algorithms, MIT

Press, 1998
capitolul 7.6 din A. A. Hopgood, Intelligent Systems for

Engineers and Scientists, CRC Press, 2001
Capitolul 9 din T. M. Mitchell, Machine Learning, McGraw-

Hill Science, 1997

Informaiile prezentate au fost colectate din
diferite surse de pe internet, precum i din
cursurile de inteligen artificial inute n anii
anteriori de ctre:
Conf. Dr. Mihai Oltean www.cs.ubbcluj.ro/~moltean
Lect. Dr. Crina Groan - www.cs.ubbcluj.ro/~cgrosan
Prof. Dr. Horia F. Pop - www.cs.ubbcluj.ro/~hfpop

Cursul urmtor

Strategii de cutare
certitudine, Fuzzy)
Arbori de decizie
Algoritmi evolutivi
Sisteme hibride
Cursul urmtor
capitolul 14 din C. Groan, A. Abraham,
Intelligent Systems: A Modern Approach,
Springer, 2011
M. Mitchell, An Introduction to Genetic

Algorithms, MIT Press, 1998
capitolul 7.6 din A. A. Hopgood, Intelligent

Systems for Engineers and Scientists, CRC
Press, 2001
Capitolul 9 din T. M. Mitchell, Machine

Learning, McGraw-Hill Science, 1997

Informaiile prezentate au fost colectate din
diferite surse de pe internet, precum i din
cursurile de inteligen artificial inute n anii
anteriori de ctre:
Conf. Dr. Mihai Oltean www.cs.ubbcluj.ro/~moltean
Lect. Dr. Crina Groan - www.cs.ubbcluj.ro/~cgrosan
Prof. Dr. Horia F. Pop - www.cs.ubbcluj.ro/~hfpop

03 Search Local EAs PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

03 Search Local EAs PDF

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA BABE-BOLYAI

Facultatea de Matematic i Informatic

Rezolvarea problemelor de cutare

B. Rezolvarea problemelor prin cutare

Strategii de cutare informate (euristice) SCI

Martie, 2013 Inteligen artificial - metode de cutare local 3

M. Mitchell, An Introduction to Genetic Algorithms, MIT

capitolul 7.6 din A. A. Hopgood, Intelligent Systems for

Capitolul 9 din T. M. Mitchell, Machine Learning, McGraw-

Martie, 2013 Inteligen artificial - metode de cutare local 4

Cutare local simpl - se reine o singur stare

Cutare local n fascicol (beam local search) se

Martie, 2013 Inteligen artificial - metode de cutare local 6

Leonardo da Vinci schema unei

Zborul psrilor i al avioanelor

Zborul psrilor i turbinele

Martie, 2013 Inteligen artificial - metode de cutare local 7

Martie, 2013 Inteligen artificial - metode de cutare local 8

vieii unui organism se pot transfera

Martie, 2013 Inteligen artificial - metode de cutare local 9

supravieuirea pe baza calitii/adaptrii la

apariia de specii noi

Martie, 2013 Inteligen artificial - metode de cutare local 10

L. Fogel 1962 (San Diego, CA) programare evolutiv PE

J. Holland 1962 (Ann Arbor, MI) algoritmi genetici AG (Genetic

I. Rechenberg & H.-P. Schwefel 1965 (Berlin, Germany) strategii

J. Koza 1989 (Palo Alto, CA) programare genetic PG (Genetic

Evoluia natural Rezolvarea problemelor

Martie, 2013 Inteligen artificial - metode de cutare local 12

Martie, 2013 Inteligen artificial - metode de cutare local 13

Algoritmi evolutivi algoritm

Martie, 2013 Inteligen artificial - metode de cutare local 14

Martie, 2013 Inteligen artificial - metode de cutare local 15

Nivel exterior fenotip

Nivel interior genotip

Martie, 2013 Inteligen artificial - metode de cutare local 16

Martie, 2013 Inteligen artificial - metode de cutare local 17

Arborescent probleme de regresie

Numere reale ntr-un anumit

Martie, 2013 Inteligen artificial - metode de cutare local 19

Numere reale ntr-un anumit

Martie, 2013 Inteligen artificial - metode de cutare local 20

Numere reale ntr-un anumit

Martie, 2013 Inteligen artificial - metode de cutare local 21

Martie, 2013 Inteligen artificial - metode de cutare local 22

Funcia [x,y] {0,1}L trebuie s fie inversabil (un

Funcia : {0,1}L [x,y] definete reprezentarea

Martie, 2013 Inteligen artificial - metode de cutare local 23

Ex. Problema plii unei sume folosind diferite monezi

Martie, 2013 Inteligen artificial - metode de cutare local 24

Ex. Problema comisului voiaior

Martie, 2013 Inteligen artificial - metode de cutare local 25

Ex. Problema colorrii hrilor

Martie, 2013 Inteligen artificial - metode de cutare local 26

Ex. Problema optimizrii funciilor f:Rn R

Martie, 2013 Inteligen artificial - metode de cutare local 27

Ex. Calculul ariei unui cerc *

Martie, 2013 Inteligen artificial - metode de cutare local 28

Martie, 2013 Inteligen artificial - metode de cutare local 29

iruri de numere reale generate uniform (ntr-un anumit interval)

Martie, 2013 Inteligen artificial - metode de cutare local 30

Metoda Full arbori complei

Metoda Grow arbori incomplei