Comparação Entre Algoritmos Genéticos e Algoritmos Meméticos Utilizando A Busca Local BitClimber

Memetic Algorithm Using Local Search
BitClimber
Tiago do Carmo Nogueira
Profa. Dra. Juliana Saragiotto Silva

Metodologia Cientfica
Especializacao em Redes e Computacao Distribuda
Instituto Federal de Mato Grosso
26 de Agosto de 2017
Sumario
1 Introducao
2 Algoritmo Memetico - Comparacoes

Algoritmos
Variaveis de Entrada
3 Experimentos
Dados de Teste
4 Conclusoes
Memetic Algorithm Using Local Search BitClimber
Introducao
Introducao
Introducao 1/37
Introducao
Introducao
Algoritmos Memeticos
Algoritmos memeticos tem elementos de Meta-heursticas e

Inteligencia Computacional;
Embora os algoritmos memeticos tenham princpios de
Algoritmos Evolutivos, eles podem nao ser estritamente
considerados uma tecnica evolutiva;
Algoritmos memeticos tem semelhancas funcionais com
Algoritmos Evolutivos de Baldwinian, Algoritmos Evolutivos
de Lamarckian, Algoritmos Evolutivos Hbridos e Algoritmos
Culturais (Brownlee, 2011).
Introducao 2/37
Introducao
Introducao
Inspiracao
Algoritmos memeticos sao inspirados pela interacao entre a

evolucao genetica e evolucao memetica;
O Darwinismo Universal e a generalizacao dos genes alem dos
sistemas biologicos a qualquer sistema em que as unidades
discretas de informacao possam ser herdadas e serem
submetidas a forcas evolutivas de selecao e variacao;
Introducao 3/37
Introducao
Introducao
Inspiracao
A palavra meme deu origem a denominacao memetico,

introduzida por R. Dawkins;
E usado para se referir a um pedaco de informacao cultural
discreto, sugerindo a interacao da evolucao genetica e cultural;
Exemplos de memes sao melodias, ideias, frases de efeito,
modas de roupa, modos de fabricacao de panelas ou de arcos
de edifcio. Da mesma maneira que genes se propagam na
piscina de genes saltando de corpo em corpo por espermas ou
ovos, assim memes se propagam na piscina de memes
saltando de cerebro em cerebro mediante um processo que, no
sentido amplo da palavra, pode ser chamado de imitacao.
Introducao 4/37
Introducao
Introducao
Metafora
A informacao cultural e compartilhada entre os indivduos, se
espalhando pela populacao como memes em relacao a sua
aptidao ou a aptidao dos memes transmitindo para os
indivduos;
Coletivamente, a interacao do genotipo e o memeotipo
fortalecem a aptidao da populacao no ambiente.
Introducao 5/37
Introducao
Introducao
Estrategia
O objetivo da estrategia de processamento de informacao e

explorar uma tecnica de pesquisa global de base populacional
para localizar amplamente boas areas do espaco de busca,
combinados com o uso repetido de uma heurstica de busca
local;
Idealmente, os algoritmos memeticos abracam a dualidade da
evolucao genetica e cultural, permitindo a transmissao,
selecao, heranca e variacao dos memes, assim como dos genes.
Introducao 6/37
Introducao
Introducao
Motivacoes
Problemas complexos podem ser decompostos em

subproblemas, os quais podem ser resolvidos com metodos
apropriados para cada um deles;
Pode-se obter melhores resultados quando se possui
conhecimentos especficos sobre o problema;
Algoritmos evolutivos nao sao bons para encontrar a solucao
otima dos problemas, visto que a sua evolucao se da de
maneira estocastica.
Introducao 7/37
Introducao
Introducao
Motivacoes
Deste modo, pode-se melhorar o algoritmo incorporando um

passo de busca local;
A combinacao de algoritmos evolutivos com tecnicas de busca
local que atuam dentro do laco de execucao dos AEs ou
entregam conhecimento especfico para algumas instancias
dos problemas, sao chamados de Algoritmos Memeticos.
Introducao 8/37
Introducao
Introducao
Figure: Fluxograma do Algoritmo Genetico.
Introducao 9/37
Introducao
Introducao
Figure: Fluxograma do Algoritmo Memetico.
Introducao 10/37
Introducao
Introducao
Operador de busca local
A introducao de um ou mais operadores de busca local resulta

na transmissao de informacoes memeticas;
Portanto, a introducao de uma busca local em um AG, resulta
em um AM;
Os operadores de busca local podem ser executados com
diferentes probabilidades, de forma a nao executarem de
maneira igual em todas as geracoes.
Introducao 11/37
Introducao
Pseudo Codigo
Introducao 12/37
Algoritmo Memetico - Comparacoes
Algoritmo Memetico - Comparacoes 13/37

Algoritmos
Variaveis e Valores
Algoritmo Evolutivo: Algoritmo Genetico;
Selecao de Pais: Metodo de Torneio Binario;
Algoritmo de Busca Local: BitClimber.

Variaveis e Valores
Geracoes: 50;
Populacao: 100;
Crossover: 98%;
Mutacao: 1/QtdVar 16;
QtdVar = 1 - Mutacao: 6,25%;
Geracoes AM: 50;
Probabilidade AM: 50%;
Rodadas de execucao do codigo: 25;

Experimentos
Experimentos
Experimentos 16/37
Experimentos
Dados de Teste
Funcoes Utilizadas Para os Testes
Parabola:
y = x2
Sujeito a 5 xi 5. O mnimo global esta localizado em
f (x) = 0.
Vazo:
f (x, y ) = x 4 + y 4 + x 3 + y 3 + x2 + yr + x 1 + y 1
Com mnimos globais de 0 em (x, y ) = (0, 0)
Experimentos 17/37
Experimentos
Dados de Teste
Easom:
f (x1 , x2 ) = cos(x1 )cos(x2 )exp((x1 )2 (x2 )2 )
Com mnimo global f (x) = 1 e obtido para (x1 , x2 ) = (, ).
Rosenbrock:
PD1 2 2 2
i=1 [100(xi+1 xi ) + (xi 1) ]
x = f (1, ..., 1), f (x) = 0.
Experimentos 18/37
Experimentos
Dados de Teste
Eggholder:
= m1
P p
f (x) p i=1 [(xi+1 + 47)sin |x1+1 + xi /2 + 47|
-xi sin |xi (xi + 1 + 47)|]
x = f (512, 404.2319). f (x ) 959.64..
Experimentos 19/37
Experimentos
Dados de Teste
10 8 Custo Computacional (AG)

10
Avaliao (fitness) 7
0
0 0.5 1 1.5 2 2.5 3
Calculo da quantidade de fitness 10 7
10 8 Custo Computacional (AM)

12
10
8
Avaliao (fitness)
0
0 1 2 3 4 5 6 7 8
Figure: Comparacao da avaliacao do AG e do AM (Vazo).

Experimentos 20/37
Experimentos
Dados de Teste
Experimentos 21/37
Experimentos
Dados de Teste
Histograma AG versus AM
1
AG
0.9 AM
0.8
0.7
Avaliao (fitness)
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
F(x, y)
25
ghist.AG
ghist.AM
20
Avaliao (fitness)
15
10
0
0 5 10 15 20 25 30 35 40 45 50
Geraes por Rodadas (steps)
Experimentos 22/37
Experimentos
Dados de Teste
Custo Computacional (AG)

250
200
Avaliao (fitness)
150
100
50
0
0 0.5 1 1.5 2 2.5 3
Custo Computacional (AM)

250
200
Avaliao (fitness)
150
100
50
0
0 1 2 3 4 5 6 7 8
Figure: Comparacao da avaliacao do AG e do AM (Parabola).
Experimentos 23/37
Experimentos
Dados de Teste
Experimentos 24/37
Experimentos
Dados de Teste
108 Histograma AG versus AM

2
AG
1.8 AM
1.6
1.4
Avaliao (fitness)
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7
F(x, y) 10-8
10-8
5.5
ghist.AG
5 ghist.AM
4.5
4
Avaliao (fitness)
3.5
2.5
1.5
0.5
0 5 10 15 20 25 30 35 40 45 50
Experimentos 25/37
Experimentos
Dados de Teste

0.02
-0.02
-0.04
Avaliao (fitness)
-0.06
-0.08
-0.1
-0.12
-0.14
0 0.5 1 1.5 2 2.5 3

0.02
-0.02
-0.04
Avaliao (fitness)
-0.06
-0.08
-0.1
-0.12
-0.14
0 1 2 3 4 5 6 7 8
Figure: Comparacao da avaliacao do AG e do AM (Easom).

Experimentos 26/37
Experimentos
Dados de Teste

Experimentos 27/37
Experimentos
Dados de Teste
12
AG
AM
10
8
Avaliao (fitness)
0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
F(x, y)
0
ghist.AG
ghist.AM
-0.02
-0.04
Avaliao (fitness)
-0.06
-0.08
-0.1
-0.12
-0.14
0 5 10 15 20 25 30 35 40 45 50

Experimentos 28/37
Experimentos
Dados de Teste
10 9 Custo Computacional (AG)

7
Avaliao (fitness)
4
0
0 0.5 1 1.5 2 2.5 3
10 9 Custo Computacional (AM)

7
5
Avaliao (fitness)
0
0 1 2 3 4 5 6 7 8
Figure: Comparacao da avaliacao do AG e do AM (Rosenbrock).

Experimentos 29/37
Experimentos
Dados de Teste

Experimentos 30/37
Experimentos
Dados de Teste
1.4
AG
AM
1.2
1
Avaliao (fitness)
0.8
0.6
0.4
0.2
0
-0.5 0 0.5 1 1.5 2 2.5
F(x, y)
2.5
ghist.AG
ghist.AM
2
Avaliao (fitness)
1.5
0.5
0
0 5 10 15 20 25 30 35 40 45 50

Experimentos 31/37
Experimentos
Dados de Teste

3000
2000
1000
Avaliao (fitness)
-1000
-2000
-3000
0 0.5 1 1.5 2 2.5 3

3000
2000
1000
Avaliao (fitness)
-1000
-2000
-3000
0 1 2 3 4 5 6 7 8
Figure: Comparacao da avaliacao do AG e do AM (Egg Holder).

Experimentos 32/37
Experimentos
Dados de Teste

Experimentos 33/37
Experimentos
Dados de Teste
0.25
AG
AM
0.2
0.15
Fitness
0.1
0.05
0
-2850 -2800 -2750 -2700 -2650 -2600
F(x, y)
-2640
ghist.AG
-2660 ghist.AM
-2680
-2700
Avaliao (fitness)
-2720
-2740
-2760
-2780
-2800
-2820
-2840
0 5 10 15 20 25 30 35 40 45 50

Experimentos 34/37
Conclusoes
Conclusoes
Conclusoes 35/37
Conclusoes
Conclusoes
Conclusoes sobre os Algoritmos Memeticos
Maior esforco computacional que os Algoritmos Geneticos;

Fornecem melhores resultados;
Convergem mais rapido para o resultado.
Conclusoes 36/37
Bibliografia
Bibliografia de referencia
Bibliografia I
Brownlee, Jason.
Clever Algorithms: Nature-Inspired Programming Recipes.
Jason Brownlee, 2011.
Neri, Ferrante e Cotta, Carlos.
Memetic algorithms and memetic computing optimization: A
literature review.
Swarm and Evolutionary Computation, 2012.
Bibliografia 37/37

Comparação Entre Algoritmos Genéticos e Algoritmos Meméticos Utilizando A Busca Local BitClimber

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

Comparação Entre Algoritmos Genéticos e Algoritmos Meméticos Utilizando A Busca Local BitClimber

Încărcat de

Drepturi de autor:

Formate disponibile

Memetic Algorithm Using Local Search

Tiago do Carmo Nogueira

Profa. Dra. Juliana Saragiotto Silva

2 Algoritmo Memetico - Comparacoes

Algoritmos memeticos tem elementos de Meta-heursticas e

Algoritmos memeticos sao inspirados pela interacao entre a

A palavra meme deu origem a denominacao memetico,

O objetivo da estrategia de processamento de informacao e

Problemas complexos podem ser decompostos em

Deste modo, pode-se melhorar o algoritmo incorporando um

Figure: Fluxograma do Algoritmo Genetico.

Figure: Fluxograma do Algoritmo Memetico.

Operador de busca local

A introducao de um ou mais operadores de busca local resulta

Algoritmo Memetico - Comparacoes

Algoritmo Memetico - Comparacoes 13/37

Algoritmo Memetico - Comparacoes 14/37

Algoritmo Memetico - Comparacoes 15/37

Funcoes Utilizadas Para os Testes

Funcoes Utilizadas Para os Testes

Funcoes Utilizadas Para os Testes

10 8 Custo Computacional (AG)

10 8 Custo Computacional (AM)

Figure: Comparacao da avaliacao do AG e do AM (Vazo).

Figure: Comparacao da avaliacao do AG e do AM (Vazo).

Figure: Comparacao da avaliacao do AG e do AM (Vazo).

Custo Computacional (AG)

Custo Computacional (AM)

Figure: Comparacao da avaliacao do AG e do AM (Parabola).

Figure: Comparacao da avaliacao do AG e do AM (Parabola).

108 Histograma AG versus AM

Figure: Comparacao da avaliacao do AG e do AM (Parabola).

Custo Computacional (AG)

Custo Computacional (AM)

Figure: Comparacao da avaliacao do AG e do AM (Easom).

Figure: Comparacao da avaliacao do AG e do AM (Easom).

Figure: Comparacao da avaliacao do AG e do AM (Easom).

10 9 Custo Computacional (AG)

10 9 Custo Computacional (AM)

Figure: Comparacao da avaliacao do AG e do AM (Rosenbrock).

Figure: Comparacao da avaliacao do AG e do AM (Rosenbrock).

Figure: Comparacao da avaliacao do AG e do AM (Rosenbrock).

Custo Computacional (AG)

Custo Computacional (AM)

Figure: Comparacao da avaliacao do AG e do AM (Egg Holder).

Figure: Comparacao da avaliacao do AG e do AM (Egg Holder).

Figure: Comparacao da avaliacao do AG e do AM (Egg Holder).

Conclusoes sobre os Algoritmos Memeticos

Maior esforco computacional que os Algoritmos Geneticos;

S-ar putea să vă placă și