java_

Algoritmos
Genticos
em Java
Existem problemas
relativamente do cotidiano
aparentemente simples,
mas que so to
complexos que no
admitem soluo
em um tempo vivel
atravs de tcnicas
tradicionais.
Para resolv-los, podemos usar os
Algoritmos Genticos, que se inspiram na evoluo das
espcies para encontrar solues para estes problemas.

A Inteligncia Artificial uma rea da computa-

o que busca desenvolver sistemas que tenham
comportamento similar a certos aspectos do com-
portamento inteligente, especialmente a capacidade
de resolver problemas extremamente difceis ainda
que de maneira aproximada. Pensando assim, po-
demos tentar nos inspirar na biologia e na gentica
para criar um algoritmo que nos permita criar pro-
gramas de computadores mais espertos do que os
programas tradicionais, sendo capazes de encontrar
solues que estes ltimos no encontrariam.
A palavra encontrar usada aqui apropriada,
porque o objetivo final de todas as tcnicas da inteli-
gncia computacional a busca, podendo ser de uma
soluo numrica, do significado de uma expresso
lingustica, de uma previso de carga ou de qual-
quer outro elemento que tenha significado em uma
determinada circunstncia. No importando a rea
de aplicao, uma busca sempre tem como objetivo
encontrar a melhor soluo dentre todas as solues
possveis (o espao de solues).
A verdade que, sem exageros, a busca o pro-
blema bsico da computao. Todo problema pode
ser descrito como a tentativa de alcanar um deter-
minado objetivo, isto , de chegar a um determinado
estado onde uma certa condio satisfeita.
Um estado nada mais do que uma especifica-
o de certos aspectos da realidade relevantes para o
problema. Por exemplo, se meu objetivo ganhar um
milho de reais, ento o estado consiste em quan-
to dinheiro eu ganhei at hoje. O meu peso neste
momento no relevante para o estado do sistema.
Desta maneira, pode-se dizer que um estado, na re-
alidade, corresponde a um conjunto de valores den-
tre todas as variveis que so do meu interesse. Por
exemplo, um possvel estado para o problema de fi-
car rico consiste em se obter um ganho de R$10 mil.
Neste problema, este estado no leva em considera-
o o meu peso naquele instante e qualquer mudan-
a de peso no afeta o estado corrente, assim como
qualquer varivel adicional como meu estado civil, e
outras que possam ser imaginadas.

/ 50

formado em engenharia de computao pela PUC-RJ e tem doutorado em engenharia eltrica pela COPPE-UFRJ. Trabalha
com Java h cerca de 8 anos, desenvolvendo aplicativos para o setor eltrico no CEPEL. Atualmente professor da disciplina
de sistemas digitais na Faculdade Salesiana Maria Auxiliadora (FSMA), de Maca-RJ e autor do livro Algoritmos
Existem vrios problemas em nosso dia a dia que so extremamen-
te complexos e no admitem soluo exata em um tempo razovel.
Entre eles encontramos um exemplo do cotidiano que a otimiza-
o da rota de caminhes que vo distribuir produtos entre vrios
clientes. Para resolver estes problemas de otimizao ns usamos
heursticas, que encontram solues boas o suficiente para usarmos
na prtica. Uma heurstica muito importante para este tipo de pro-
blema so os algoritmos genticos, sobre os quais falaremos neste
artigo.
As diferentes aes causam modificaes no es-
tado do sistema. Por exemplo, se o meu livro sobre
Algoritmos Gentico vender 100 mil cpias, eu che-
garei mais prximo do objetivo de ganhar um mi-
lho de reais. As vrias aes que posso realizar em
cada instante devem ento ser avaliadas como um
caminho da busca a ser efetuada, com o intuito de
encontrar o estado final desejado. Assim, podemos
dizer que resolver um problema consiste em buscar
um estado em que uma determinada condio seja
satisfeita, ou seja, todo problema, no fundo, um
problema de busca. Um algoritmo de busca tal que
recebe um problema como entrada e retorna uma so-
luo sob a forma de uma sequncia de aes reco-
mendadas para se atingir o objetivo desejado (Russel
& Norvig, 2004).
Algoritmos genticos (GA, genetic algorithms)
so uma tcnica de busca extremamente eficiente
no seu objetivo de varrer o espao de solues e en-
contrar solues prximas da soluo tima, quase
sem necessitar interferncia humana, sendo uma das
vrias tcnicas da inteligncia computacional mais
instigantes (ao menos na minha opinio!). O proble-
ma dos GA que eles no so to bons assim em ter-
mos de tempo de processamento. Logo, eles so mais
adequados em problemas especialmente difceis, en-
tre os quais inclumos aqueles denominados intrat-
veis (sobre os quais falaremos mais no box intitulado
Os caixeiros viajantes e os problemas intratveis).
Agora que estamos suficientemente motivados,
podemos comear a ver o que efetivamente so e o
que fazem os algoritmos genticos.
Ricardo Linden | rlinden@pobox.com
Genticos, atualmente em sua 3 edio.
O que so os algoritmos genticos?
Primeiramente, vamos conhecer os algoritmos
evolucionrios (EA, Evolutionary Algorithm), que
so ferramentas que usam modelos computacionais
dos processos naturais de evoluo como uma fer-
ramenta para resolver problemas (para entender um
pouco mais sobre como funciona a evoluo natural,
leia o box intitulado Darwin, Mendel, a teoria da
evoluo e a gentica). Apesar de haver uma gran-
de variedade de modelos computacionais propostos,
todos eles tm em comum o conceito de simulao
da evoluo das espcies atravs de seleo, muta-
o e reproduo, processos estes que dependem do
desempenho dos indivduos desta espcie dentro
do ambiente.
Os algoritmos evolucionrios funcionam man-
tendo uma populao de estruturas, denominadas
indivduos ou cromossomos operando sobre estas
de forma semelhante evoluo das espcies. A es-
tas estruturas so aplicados os chamados operado-
res genticos, como recombinao e mutao, entre
outros. Cada indivduo recebe uma avaliao que
uma quantificao da sua qualidade como soluo
do problema em questo. Com base nesta avaliao
sero aplicados os operadores genticos de forma a
simular a sobrevivncia do mais apto.
Os operadores genticos consistem em apro-
ximaes computacionais de fenmenos vistos na
natureza, como a reproduo sexuada, a mutao
gentica e quaisquer outros que a imaginao dos
programadores consiga reproduzir.
O comportamento padro dos algoritmos evolu-
cionrios pode ser resumido, sem maiores detalhes,
51 \
 Os caixeiros viajantes, as mochilas e os problemas intratveis
Existe uma forma de avaliar o tempo de execuo de
um algoritmo que no busca avaliar o tempo de for-
ma exata, mas sim verificar como o tempo de execu-
o cresce conforme aumentamos o volume de da-
dos oferecido como entrada para um algoritmo. Isto
nos permite fazer uma medida que vlida (mes-
mo que no seja precisa) no importando a CPU, o
sistema operacional, o compilador e outros fatores
inerentes mquina especfica na qual o programa
ser executado.
Com esta mtrica pode-se comparar dois algoritmos
que porventura resolvam o mesmo problema, usan-
do esta aproximao do tempo de execuo para es-
colher aquele que mais eficiente. Para fazer esta
comparao, no precisamos do clculo de tempo
exato de cada algoritmo, mas sim de uma mtrica
comparativa, que seja capaz de dizer qual algorit-
mo vai necessitar menos tempo e/ou recursos com-
putacionais. Ou seja, nosso objetivo fundamental
encontrar uma maneira de comparar diferentes
algoritmos de forma a conseguir uma mtrica inde-
pendente das circunstncias (sistema operacional,
mquina etc.) que nos permita dizer: para o proble-
ma X, o melhor algoritmo Y.
Para fazer este clculo do tempo de execuo de
nossos programas, comeamos com um conceito
que obviamente no preciso: determinamos que
todas instrues demoram o mesmo tempo para
executar. Chamaremos este tempo de unidade de
execuo, e para efeito de clculos atribumos a ele
valor 1. Depois, temos que determinar quantas ve-
zes cada uma de nossas instrues de tempo 1 so
repetidas, pois os loops so a parte mais importante
de um programa (geralmente, 10% do cdigo to-
mam cerca de 90% do tempo de execuo). Conse-
quentemente, quando analisar o seu tempo de exe-
cuo, preste muita ateno nestas partes, pois elas
dominam a execuo total. Para tanto, procure os
loops que operam sobre as estruturas de dados do
programa. Se voc sabe o tamanho da estrutura de
dados, voc sabe quantas vezes o loop executado e
consequentemente o tempo de execuo do mesmo.
Fazendo este tipo de clculo, obtemos um tempo de
execuo do algoritmo que uma funo do nmero tempo igual a 10140 anos para encontrar a melhor
de entradas que ele recebe (n), isto , obtemos um
tempo T(n). Este tempo consiste em uma medida
aproximada da taxa de crescimento que intrnseca
/ 52
ao algoritmo o que varia de ambiente para am-
biente apenas o tempo absoluto de cada execuo,
o qual dependente de fatores como poder de pro-
cessamento, cdigo compilado e outros difceis de
medir. Esta funo permite analisar a complexidade
de um algoritmo, fornecendo uma boa estimativa
sobre qual algoritmo ser o mais rpido se o tama-
nho das entradas crescer muito.
Com base nesta informao, podemos ento defi-
nir os problemas intratveis, os quais so definidos
como aqueles cujo tempo necessrio para resolv-lo
considerado inaceitvel para os requerimentos do
usurio da soluo. Em termos prticos, um proble-
ma tratvel se o seu limite superior de complexi-
dade polinomial, e intratvel se o limite supe-
rior de sua complexidade for exponencial (Toscani,
2009), ou seja, se seu tempo de execuo da ordem
de uma funo exponencial (como 2n) ou fatorial
(n!).
Um exemplo de um problema intratvel muito co-
mum o do caixeiro viajante que tem que visitar
n estradas e precisa estabelecer um trajeto que de-
more o menor tempo possvel, para ganhar o m-
ximo de dinheiro no mnimo de tempo. Todas as
cidades so ligadas por estradas e pode-se comear
por qualquer uma delas. Como descobrir o caminho
mnimo? A resposta bvia: calcule todos os cami-
nhos e escolha o de menor custo. Esta resposta usa o
famoso mtodo da fora bruta ou da busca exaustiva
isto , use muito poder computacional e pronto.
Vamos tentar calcular quantos caminhos temos:
O caixeiro pode comear em qualquer uma das
n cidades.
Dali ele pode partir para qualquer uma das ou-
tras n-1 cidades.
Da segunda, ele pode partir para qualquer uma
das n-2 cidades restantes.
E assim por diante, at chegar na ltima cidade.
Isto nos d um nmero de opes igual a n(n-1)(n-
2)...(2)(1)=n!. O fatorial de um nmero cresce muito
rapidamente. Por exemplo, se tivermos 100 cidades
teremos 10158 opes. Se pudermos testar um bi-
lho de solues por segundo, demoraramos um
soluo. Novamente, levaremos mais tempo do que
a idade do universo para encontrar uma soluo.
Este problema pode parecer anacrnico e irreal, afi-

nal praticamente no existem mais caixeiros viajan-
tes, mas ele anlogo aos problemas de distribui-
o enfrentados por qualquer indstria. Trocando
caixeiro viajante por caminho de mercadoria e
cidades por bares, temos o dificlimo problema
de realizar a distribuio de mercadorias por todos
os clientes da forma mais eficiente possvel, mini-
mizando o tempo e o custo associados. Outra apli-
cao prtica consiste em trocar caixeiro viajante
por pacote de rede e cidades por roteadores ou
ns de distribuio. Assim, a questo do anacro-
nismo , para todos os efeitos, desprezvel.
Outro problema extremamente interessante e im-
portante o problema da mochila, que um pro-
blema de otimizao combinatria que consiste na
necessidade de encher uma mochila com objetos de
diferentes pesos e valores, com o maior valor poss-
vel, sem ultrapassar o peso mximo que ela supor-
ta. Mais uma vez, no se engane pela simplicidade
do enunciado: este problema similar a problemas
prticos como alocao de recursos de produo,
deciso sobre investimentos e at mesmo na aloca-
o de registradores em cdigo compilado.
A dificuldade deste problema tambm grande.
Para resolv-lo por fora bruta, teramos que checar
todas as combinaes possveis de objetos, primeiro
cada objeto isoladamente, depois as combinaes
de dois objetos, depois as combinaes de trs, e as-
sim por diante. Como voc lembra do ensino mdio,
o nmero de combinaes proporcional fatorial
do nmero de elementos e assim, mais uma vez te-
mos um problema cuja soluo pelo mtodo da for-
a bruta pode demorar um tempo longo demais para
ser realizvel.
Assim, podemos ver claramente que estes proble-
mas so intratveis e, tendo em vista sua importn-
cia, precisamos de uma tcnica capaz de resolv-lo.
Como no podemos resolv-lo de forma exata, pre-
cisamos de uma heurstica, isto , um programa que
fornea uma soluo suficientemente boa, ainda
que no tima para o problema (como, por exemplo,
uma soluo na qual nossos caminhes entreguem
todas as mercadorias a tempo para nossos clientes,
mesmo em um tempo superior ao timo). a que
recorremos aos algoritmos genticos!
pela figura 1, que descreve de forma esquemtica o
funcionamento de um EA, usando caixinhas que re-
presentam cada uma das funes do mesmo. Quan-
do formos implementar o nosso algoritmo gentico,
cada uma destas caixinhas virar um cdigo que, es-
pero eu, esclarea de forma completa a sua funo.
Antes de partir para a implementao, vamos fa-
lar um pouquinho mais sobre os elementos tericos
que compem os algoritmos evolucionrios.
Na figura 1 podemos perceber o funcionamento
bsico dos algoritmos evolucionrios que consiste em
buscar dentro da atual populao aquelas solues
com as melhores caractersticas (caixinha de sele-
o na figura 1) e tentar combin-las de forma a ge-
rar solues ainda melhores (caixinha que contm a
aplicao dos operadores genticos na figura 1). Este
processo repetido at que tenha se passado tempo
suficiente ou que tenhamos obtido uma soluo sa-
tisfatria para nosso problema.
Cada uma das repeties do lao completo (con-
trolado pelo losango que representa uma condio
em um fluxograma) denominada de uma gerao
do algoritmo. O conceito similar ao conceito de
gerao existente na vida real, com a exceo de que
muitas vezes nos algoritmos evolucionrios duas ge-
raes no convivem, como a figura deixa implcito
(veja que jogamos toda a gerao dos pais no lixo).
Algoritmos genticos (GA) so um ramo dos al-
goritmos evolucionrios e como tal tambm so uma
tcnica de busca baseada numa metfora do processo
biolgico de evoluo natural na qual populaes de
indivduos so criados e submetidos aos operadores
genticos: seleo, recombinao (crossover) e mu-
tao. Assim como descrevemos para os EAs, estes
operadores utilizam uma caracterizao da qualida-
de de cada indivduo como soluo do problema em
questo chamada de avaliao. Sua atuao vai gerar
um processo de evoluo natural destes indivduos,
que eventualmente dever gerar um indivduo que
caracterizar uma boa soluo (talvez at a melhor
possvel) para o nosso problema.
Ns vamos ver mais a frente a implementao da
funo de avaliao para um problema interessante.
Entretanto, para entender melhor o conceito de fun-
o de avaliao, vamos aplic-la ao caso do caixeiro
viajante. Para tanto, imagine que temos quatro cida-
des para visitar e os custos de trafegar de uma cidade
para a outra dada pela seguinte tabela, onde a cida-
de de origem est na vertical e a cidade de destino na
horizontal:
1 2 3 4
1 0 500 150 600
2 500 0 100 90
3 150 100 0 140
4 600 90 140 0
53 \
 cortes a serem
efetuados Filho 1:

Filho 2:

Seleo: escolhemos os Operadores genticos: aplicamos os operadores

indivduos que participaro do de recombinao e mutao aos indivduos
processo escolhidos para pais

Avaliao: aplicamos a funo Mdulo de populao: definimos a nova

de avaliao a cada um dos populao a partir da gerao existente e
indivduos desta gerao dos filhos gerados

Satisfazemos o critrio de Toda a antiga

parada? (por nmero de geraao de pais
No geraes ou por qualidade
de solues)
Filtros gerados
sobrevivem e so
copiados sobre
Sim seus pais

FIM

Figura 1. Esquema de um algoritmo evolucionrio (e, por conseguinte, de um algoritmo gentico).

Um custo pode ser alto por que a estrada de m ritmos genticos.

qualidade, tem pedgio alto, tem assaltos ou toma
muito tempo por ter trfego intenso de caminhes.
No colocamos unidade neste custo, pois ele pode
ser uma combinao de vrios fatores quem deter-
mina os parmetros de uma soluo o especialista
no problema. Neste caso, o caixeiro viajante teria que
nos informar a qualidade relativa de cada caminho de
acordo com sua experincia.
Assim, vamos avaliar a soluo que comea na
cidade 1, vai para a 2, depois para a 3 e para a 4. O
custo total dado por 500 (custo do caminho 12) +
100 (custo do caminho 23) + 140 (custo do caminho
34) = 740 unidades. J a soluo que faz o caminho
1324 tem custo igual a 150 (custo do caminho
13) + 100 (custo do caminho 32) + 90 (custo do
caminho 24) = 340 unidades. Como estamos bus-
cando minimizar nosso custo, ento a segunda solu-
o claramente superior primeira.
Lembre-se de suas aulas de matemtica que para
minimizar uma funo f(x), s maximizar a funo
1/f(x). Assim, o problema do caixeiro viajante ainda
recai na estrutura bsica de funcionamento dos algo-
Assim, podemos dizer que algoritmos genticos
so algoritmos de busca baseados nos mecanismos de
seleo natural e gentica. Eles combinam a sobrevi-
vncia entre os melhores com uma forma estruturada
de troca de informao gentica entre dois indivdu-
os para formar uma estrutura heurstica de busca.
A codificao da informao em cromossomos
um ponto crucial dentro do GA, e, junto com a fun-
o de avaliao, o que liga o GA ao problema a ser
resolvido. Se a codificao for feita de forma inteli-
gente, esta j incluir as idiossincrasias do problema
(como, por exemplo, restries sobre quando pode-
mos ligar ou desligar uma mquina etc.) e permitir
que se evitem testes de viabilidade de cada uma das
solues geradas. Ao fim da execuo do nosso algo-
ritmo a soluo deve ser decodificada para ser utili-
zada na prtica.
Assim como na natureza, a informao deve ser
codificada nos cromossomos (ou genomas) e a repro-
duo (que no caso dos GAs equivalente reprodu-
o sexuada e recombinao gnica) se encarregar
de fazer com que a populao evolua. A mutao cria

/ 54
 Darwin, Mendel, a teoria da evoluo e a gentica
At o sculo XIX os cientistas mais proeminentes
acreditavam ou na teoria do criacionismo (Deus
criou o universo da forma que ele hoje) ou da ge-
rao espontnea (a vida surge de essncias pre- que derivavam da existncia de reas codificadoras
sentes no ar).
Em torno de 1850 Charles Darwin fez uma longa
viagem no navio HMS Beagle. Ele visitou vrios lu-
gares e sua grande habilidade para observao per-
mitiu que ele percebesse que animais da uma esp-
cie eram ligeiramente diferentes que seus parentes
em outros ecossistemas, sendo mais adaptados s
necessidades e oportunidades oferecidas pelo seu
ecossistema especfico. Estas e outras observaes
culminaram na teoria da evoluo das Espcies, que
foram descritas meticulosamente em seu livro de
1859, A Origem das espcies.
A teoria da evoluo diz que na natureza todos os
indivduos dentro de um ecossistema competem
entre si por recursos limitados, tais como comida e
gua. Aqueles indivduos (animais, vegetais, insetos
etc.) que no obtm xito tendem a ter uma prole
menor e esta descendncia reduzida diminui a pro-
babilidade de ter seus genes propagados ao longo de
sucessivas geraes, processo este que denomina-
do de seleo natural.
A combinao entre as caractersticas dos indivdu-
os que sobrevivem pode produzir um novo indivduo
muito mais bem adaptado s caractersticas de seu
meio ambiente ao mesclar caractersticas positivas
de cada um dos reprodutores. Este processo impli-
ca nos descendentes de indivduos serem variaes
dos seus pais. Assim, um descendente ligeiramen-
te diferente de seu pai, podendo esta diferena ser
positiva ou negativa.
Entretanto, esta evoluo natural no um pro-
cesso dirigido, com o intuito de maximizar alguma
caracterstica das espcies. Na verdade, no existe
nenhuma garantia de que os descendentes de pais
muito bem adaptados tambm o sejam. Existem
muitos casos de filhos de pais fortes e saudveis que
possuem doenas terrveis ou fraquezas inerentes.
Podemos afirmar, ento, que a evoluo um pro-
cesso no qual os seres vivos so alterados por um
conjunto de modificaes que eles sofrem atravs
dos tempos, podendo ser explicada por alguns fato-
res como mutao e recombinao gnica, seleo ambiente, causando pequenas mudanas nos ge-
natural e isolamentos. O problema que, na poca
de Darwin, ainda faltava um pedao desta informa-
o, que era a gentica.
No incio do sculo XX, um padre chamado Gregor
Mendel compreendeu que este processo de trans-
misso de caractersticas positivas estava associa-
do a uma unidade bsica de informao, o gene. Na
dcada de 1850 ele fez uma srie de experimentos
com ervilhas e percebeu que algumas caractersticas
eram transmitidas de uma planta para seus descen-
dentes. Atravs do estudo de linhagens de plantas,
ele desenvolveu os princpios bsicos da gentica,
das caractersticas dos seres vivos, que so conheci-
das com os genes.
Hoje ns sabemos que todo indivduo, seja ele ani-
mal, vegetal ou mesmo organismos inferiores como
vrus e bactrias, formado por uma ou mais clu-
las, e dentro de cada uma delas o organismo pos-
sui uma cpia completa do conjunto de um ou mais
cromossomos que descrevem o organismo, con-
junto este denominado genoma. Um cromossomo
consiste de genes, que so blocos de sequncias de
DNA. Cada gene uma regio do DNA que controla
(sozinho ou em conjunto com outros genes) uma ou
mais caractersticas hereditrias especficas, como
cor do cabelo, altura, cor dos olhos e outras que nos
tornam os indivduos que somos.
Um conjunto especfico de genes no genoma cha-
mado de gentipo. O gentipo a base do fenti-
po, que a expresso das caractersticas fsicas e
mentais codificadas pelos genes e modificadas pelo
ambiente, tais como cor dos olhos, inteligncia etc.
Da, podemos concluir: nosso DNA codifica toda a
informao necessria para nos descrever, mas esta
informao est sob o controle de uma grande rede
de regulao gnica que, associada s condies am-
bientais, gera as protenas na quantidade certa, que
faro de ns tudo aquilo que efetivamente somos.
Nos organismos que utilizam a reproduo sexua-
da, como os humanos e as moscas, cada progenitor
fornece um pedao de material gentico chamado
gametas. Estas gametas so resultado de um pro-
cesso denominado crossing-over ou crossover, que
permite que os filhos herdem caractersticas de
ambos os pais sem ser exatamente iguais a estes.
importante considerar tambm que o processo
de replicao do DNA extremamente complexo.
Pequenos erros podem ocorrer ao longo do tempo,
gerando mutaes dentro do cdigo gentico. Alm
dos erros, estas mutaes podem ser causadas por
fatores aleatrios, tais como presena de radiao
nes dos indivduos. Estas mutaes podem ser boas,
ruins ou neutras.
Assim, temos o funcionamento bsico da teoria da
evoluo: os genes dos bons indivduos, combina-
dos atravs do crossover e da mutao, tendem a ge-
rar indivduos ainda mais aptos e, assim, a evoluo
natural caminha, com uma tendncia a gerar com-
plexidade maior e maior adaptabilidade ao meio
ambiente no qual os organismos esto inseridos.
55 \
 diversidade, mudando aleatoriamente genes dentro
de indivduos e, assim como na natureza, aplicada
de forma menos frequente que a recombinao (cros-
sover). Quando implementarmos nosso GA, veremos
como estes operadores funcionam com detalhes.
A reproduo e a mutao so aplicadas em in-
divduos selecionados dentro da nossa populao. A
seleo deve ser feita de tal forma que os indivduos
mais aptos (isto , aqueles que tm uma funo de
avaliao maior) sejam selecionados mais frequen-
temente do que aqueles menos aptos, de forma que
as boas caractersticas daqueles passem a predo-
minar dentro da nova populao de solues. Nun-
ca devemos descartar os indivduos menos aptos da
populao reprodutora, pois isto causaria uma rpi-
da convergncia gentica de todas as solues para
um mesmo conjunto de caractersticas e evitaria uma
busca mais ampla pelo espao de solues.
Falando assim, de uma perspectiva totalmente
terica, tudo parece muito complicado. Vamos ento
partir para a prtica, implementando um algoritmo
gentico em Java de forma que possamos entender
exatamente os conceitos que descrevemos at aqui
de forma abstrata.
Algoritmos Genticos na prtica
Primeiro ns vamos discutir como criar um nico
cromossomo e depois ns vamos discutir como fazer
para manipular uma populao inteira (isto , o fun-
cionamento do GA propriamente dito). Fazemos isto
para ir do mais especfico para o mais genrico, j que
os cromossomos representam os indivduos, que so
os conceitos mais simples usados pelas populaes.
Representando um cromossomo
At agora falamos muito em termos tericos. Va-
mos ento implementar um GA para resolver o pro-
blema da mochila e conforme formos incrementando
nossa implementao, os conceitos vistos at agora
ficaro mais claros. Tudo que falarmos aqui refletir
nas listagens que colocaremos nesta seo, que so
partes da classe Cromossomo. Todos os cdigos usa-
dos neste artigo esto disponveis para download no
site http://www.algoritmosgeneticos.com.br.
Como colocamos na seo anterior, o nosso pri-
meiro passo encontrar uma representao, isto ,
uma forma de codificar a informao em cromosso-
mos que possam ser manipulados pelo nosso algorit-
mo gentico. Para tanto, vamos analisar o nosso pro-
blema: ns temos N objetos que podem estar ou no
dentro da mochila. Isto , temos N variveis binrias.
Se considerarmos que cada varivel um bit, pode-
mos representar uma possvel soluo como sendo
uma string de bits na qual a posio i ser igual a 1 re-
presenta o fato de que o objeto de nmero i ser colo-
/ 56
cado dentro da mochila. Por exemplo, o cromossomo
dado por 10010001 representa o fato de que temos 8
objetos candidatos a estarem na mochila (por que a
string tem comprimento igual a 8) e os objetos 1, 4
e 8 so aqueles que sero selecionados na mochila.
Assim, podemos criar uma classe chamada Cromos-
somo que tenha dentro dela uma String e que receba
como parmetro o tamanho do cromossomo que cada
objeto armazena.
Entretanto, para resolver o nosso problema da
mochila, nosso cromossomo precisa de duas infor-
maes muito importantes, que so o valor e o peso
de cada um dos candidatos a serem carregados. As-
sim, vamos colocar estes valores como parmetros
para nosso construtor. O tamanho dos vetores pas-
sados para o construtor pode, ento, ser usado para
inicializar o cromossomo. Temos um parmetro adi-
cional, que o limite de peso que nossa mochila pode
carregar ele muito importante, pois determina a
qualidade de uma soluo (uma soluo de alto valor
que ultrapasse o nosso limite de peso , na realidade,
uma m soluo). Vamos ver como us-lo quando im-
plementarmos nossa funo de avaliao.
Fazemos ento a inicializao do cromossomo
de forma aleatria ns simplesmente escolhemos
uma string de bits qualquer para cada cromossomo
de nossa populao e depois vamos evolu-la. Nos-
sa esperana que o GA transforme este conjunto
de cromossomos aleatrios em uma populao que
tenha ao menos uma soluo excelente dentro dela.
Entretanto, como faremos isto, fica para os prximos
pargrafos. Neste momento, vamos inicializar nos-
so cromossomo simplesmente fazendo um loop que
se repete N vezes (onde N o tamanho do vetor de
valores passado como parmetro) e em cada iterao
escolhe um ou zero, aleatoriamente. A implementa-
o deste construtor pode ser visto na Listagem 1, a
seguir.
Listagem 1. O construtor de nossa classe Cromosso-
mo. A chamada ao construtor padro, sem parmetros,
simplesmente inicializa as variveis correntes, criando
o StringBuffer que armazena o cromossomo e definin-
do os valores padres das variveis internas.
public Cromossomo(double pesos[], double valores[],
double limitePeso) {
this();
this.pesos=new double[pesos.length];
this.valores=new double[valores.length];
for(int i=0; i<pesos.length; i++) {
this.pesos[i]=pesos[i];
this.valores[i]=valores[i];
}
this.limitePeso=limitePeso;
for(int i=1;i<=pesos.length;i++) {
 if (Math.random()<0.5) {
cromossomo.append(0);
} else {
cromossomo.append(1);
}
}
}
Esta forma aleatria de inicializar a populao a es-
colha da maioria dos trabalhos feitos na rea por ser
a forma mais simples possvel. A lei das probabilida-
des sugere que teremos uma distribuio que cobre
praticamente todo o espao de solues, mas isto no
pode ser garantido, pois a populao tem tamanho fi-
nito (lembre-se do seu curso bsico de estatstica: as
probabilidades s so valores exatos para um nmero
infinito de sorteios).
Existem vrias outras formas de fazer a iniciali-
zao ou de tentar garantir a diversidade da popu-
lao inicial, mas como a inicializao aleatria a
forma mais simples de todas, vamos ficar com ela
neste momento. Nosso objetivo tentar entender
como uma GA funciona. Quem quiser mais detalhes,
pode depois consultar meu livro sobre o assunto que
est mencionado na bibliografia do artigo ou ento,
se gostarem do artigo e quiserem uma continuao,
mandem e-mails para a revista!
Eu estou o tempo todo falando em qualidade do
cromossomo, pois isto uma coisa realmente impor-
tante. Afinal, tenho que ter uma medida de como o
cromossomo resolve o problema, tanto para saber se
ele uma soluo aceitvel quanto para poder us-lo
dentro do esquema de evoluo. Vamos ento criar
uma funo de avaliao para nosso cromossomo
corrente.
A funo de avaliao que usaremos uma sim-
ples transcrio do nosso problema como um todo:
somamos os valores associados aos elementos que
decidimos carregar para ver o valor do nosso cromos-
somo. O problema que nossa mochila tambm tem
um limite de peso. Assim, tambm calculamos o peso
total de nossos elementos. Se eles passarem do limite
de peso, ento atribumos um valor de avaliao bem
baixo. No vamos atribuir zero, pois como veremos
depois, valores de avaliao negativos ou zero no
so bem tolerados por outros componentes do GA,
mas isto outra classe e ns vamos por enquanto
continuar com nossa classe Cromossomo, sem nos
adiantar para outras classes importantes do sistema.
Assim, nossa funo de avaliao fica como exposta
na Listagem 2.
Listagem 2. O mtodo que usamos para avaliar
nosso cromossomo.
public double avaliacao() {
double retorno=0;
double somaPesos=0;
String crom=this.getCromossomo().toString();
for(int i=0;i<crom.length();i++) {
if (crom.charAt(i)==1) {
retorno+=getValores()[i];
somaPesos+=getPesos()[i];
}
}
if (somaPesos>this.limitePeso) {
retorno=1;
}
return(retorno);
}
De acordo com a teoria que colocamos nas sees an-
teriores (e que est exposta de forma esquematizada
na figura 1), precisamos agora especificar dois opera-
dores: o de mutao, que corresponde s alteraes
aleatrias na natureza e o de crossover, que corres-
ponde reproduo sexuada.
Vamos comear com o operador de mutao,
pois ele mais simples, operando da seguinte forma:
ele tem associada uma probabilidade extremamente
baixa (usualmente da ordem de 0,5%) e ns sortea-
mos um nmero entre 0 e 1. Se ele for menor que a
probabilidade predeterminada ento o operador atua
sobre o gene em questo, alterando-lhe o valor ale-
atoriamente. Repete-se ento o processo para todos
os genes do filho sobre o qual estamos operando a
mutao.
O cdigo da Listagem 3 apresenta o mtodo mu-
tao da classe Cromossomo, que no recebe par-
metros e retorna um elemento da classe Cromos-
somo. Eu o fiz usando reflexo para permitir uma
generalidade posterior afinal, a ideia do GA po-
der adapt-lo ao seu problema especfico. Para tanto,
usamos o mtodo getClass para saber qual a classe
concreta corrente e o mtodo newInstance da classe
obtida para instanciar o novo cromossomo que ser o
filho gerado. Uma vez criado este novo filho, tudo que
fazemos um loop em que cada operao um sorteio
determina se vamos mudar o bit corrente ou mant-
-lo igual.
Listagem 3. O mtodo que realiza a mutao geran-
do um filho para nossa nova populao. Note como
usamos a reflexo para criar nosso filho, fazendo com
que nosso cromossomo seja genrico e possa ser reu-
tilizado em vrios tipos distintos de problema.
public Cromossomo mutacao() {
Class c=this.getClass();
Cromossomo filho=null;
try {
filho = (Cromossomo) c.newInstance();
StringBuffer resultado=new StringBuffer();
for (int i=0;i<this.cromossomo.length();i++) {
if (Math.random()<this.taxaMutacao) {
if (this.cromossomo.charAt(i)==1) {
57 \
 Depois de sorteado o ponto de corte, ns separa-
resultado.append(0);
mos os pais em duas partes: uma esquerda do pon-
} else {
resultado.append(1); to de corte e outra direita. importante notar que
} no necessariamente estas duas partes tm o mesmo
} else { tamanho. Por exemplo, se selecionarmos o ponto de
resultado.append(this.cromossomo.charAt(i)); corte nmero 4 da figura, a parte esquerda de cada pai
} tem 4 genes enquanto que a parte direita tem 1. Se
} pensarmos um pouco vamos perceber que se o nme-
filho.setCromossomo(new StringBuffer(resultado)); ro de genes for mpar, impossvel que as duas partes
} catch (Exception ex) {
de cada pai tenham exatamente o mesmo tamanho.
filho=null;
}
Afinal, nmeros mpares no so divisveis por dois.
return(filho); O primeiro filho composto atravs da concate-
} nao da parte do primeiro pai esquerda do pon-
to de corte com a parte do segundo pai direita do
ponto de corte. O segundo filho composto atravs
Uma vez compreendido o operador de mutao,
da concatenao das partes que sobraram (a metade
vamos analisar o operador de crossover. Podemos
do segundo pai esquerda do ponto de corte com a
dizer que este o operador mais importante, pois
metade do primeiro pai direita do ponto de corte).
ele replica a reproduo sexuada. Entenda que a es-
Um exemplo do funcionamento do crossover de um
colha da reproduo sexuada como modelo para os
ponto pode ser visto na figura 3.
algoritmos genticos no ocasional. A reproduo
O cdigo da Listagem 4 nos permite visualizar
sexuada utilizada por todos os animais superiores e
uma implementao deste algoritmo. Note que a
garante a diversidade biolgica, visto que combinan-
essncia do funcionamento do operador est mar-
do pedaos de genomas dos dois genitores podem-se
cada pelas linhas que criam as Strings stringFilho1 e
gerar filhos mais aptos e consequentemente com o
stringFilho2 que fazem exatamente a concatenao
passar das geraes a populao tende a evoluir. J
de metades como descrevemos at agora. O resto do
a reproduo assexuada no cria diversidade, visto
processo consiste no trabalho necessrio para criar
que cada filho idntico a seu genitor e consequen-
dois filhos cuja classe desconhecemos. Assim como
temente tem exatamente as mesmas habilidades e
fizemos no caso de mutao, usamos reflexo para fa-
aptides.
z-lo. Agora, precisamos tambm usar a classe Array,
Neste artigo ns vamos usar o operador de cros-
que nos permite criar o vetor de dois filhos que sero
sover mais simples, chamado de operador de crosso-
o resultado do processo reprodutivo.
ver de um ponto. Outros operadores mais complexos
Note que ao contrrio da mutao, que gerava
(e, por consequncia, mais eficientes) existem, mas
um filho s, o operador de crossover gera dois filhos e
no sero discutidos aqui por restries de espao.
ambos sero parte da nova populao que analisare-
O crossover de um ponto extremamente sim-
mos. Mais frente, quando discutirmos a classe que
ples. Tendo dois pais (que ns vamos discutir depois
controla a populao do nosso algoritmo gentico,
como selecionar), um ponto de corte selecionado.
ns veremos como controlar esta questo do nmero
Um ponto de corte constitui uma posio entre dois
de filhos gerados.
genes de um cromossomo. Cada indivduo de n genes
contm n-1 pontos de corte, e este ponto de corte Listagem 4. O mtodo que realiza a reproduo
o ponto de separao entre cada um dos genes que dentro do algoritmo gentico. Como ela fica dentro de
compem o material gentico de cada pai. Na figura um cromossomo e um processo sexuado, o cromos-
2 podemos ver um exemplo de pontos de corte. No somo this recebe como parmetro outro cromossomo
caso, nosso cromossomo composto de 5 genes e, por com o qual ele ir reproduzir. Note como mais uma vez
conseguinte, temos 4 pontos de corte possveis. usamos a reflexo para criar ambos os descendentes,
gene fazendo com que nosso cromossomo seja genrico
e possa ser reutilizado em vrios tipos distintos de
problema.

public Cromossomo[] crossover(Cromossomo outro) {

Class c=this.getClass();
Cromossomo[] filhos=null;
Pontos de corte 1 2 3 4 filhos = (Cromossomo[]) Array.newInstance(c,2);
try {
Figura 2. Exemplo de pontos de corte.

/ 58
 (a) (b) (c)

Pai 1 Pai 1 Filho 1

Depois do
Selecionamos um operador de
ponto de corte crossover

Pai 2 Pai 2 Filho 2

Figura 3. Descrio da operao do operador de crossover de um ponto.

Note que o nico construtor pblico recebe a

filhos[0] = (Cromossomo) c.newInstance(); instncia do problema da mochila que nos interessa.
filhos[1] = (Cromossomo) c.newInstance(); Afinal, um GA uma tcnica gentica, mas ns temos
int posicaoCorte=(int) Math.round(Math.random()*
um problema especfico para resolver, no mesmo?
this.cromossomo.length()); Temos ento que embutir nosso problema dentro de
String stringFilho1=outro.getCromossomo(). nosso algoritmo gentico de forma que possamos en-
substring(0, posicaoCorte+1) +this.
getCromossomo().substring(posicaoCorte +1);
contrar a soluo que buscamos, pois este o nosso
String stringFilho2=this.getCromossomo(). objetivo final.
substring(0, posicaoCorte+1)+outro. Nosso primeiro passo para executar o GA ini-
cializar a nossa populao. Como cada cromossomo
getCromossomo().substring(posicaoCorte + 1);
filhos[0].setCromossomo(new StringBuffer( sabe inicializar-se aleatoriamente, usaremos o cons-
stringFilho1)); trutor de cada cromossomo como forma de realizar
filhos[1].setCromossomo(new StringBuffer( este trabalho. Assim, podemos ter um mtodo que
stringFilho2));
faz a inicializao aleatria da populao, cujo c-
} catch (Exception ex) {
filhos=null; digo pode ser visto na Listagem 5. Este mtodo ser
} chamado no comeo de cada execuo do algoritmo
return(filhos); gentico, para que possamos reinicializar nossa ten-
} tativa de resolver o problema. Como o GA pode ser
chamado vrias vezes, podemos ter algo dentro da
populao corrente, e por isto limpamos a lista de
Dentro da nossa classe Cromossomo temos mais cromossomos no comeo do mtodo.
alguns mtodos, especialmente alguns utilitrios que
so comuns a todas as classes, como toString() e com- Listagem 5. Mtodo da classe GA que inicializa a po-
pulao. Lembre-se de que nosso cromossomo, quando
pareTo(). No vamos coment-los aqui por limitao
criado, j se inicializa de forma aleatria. Assim, usa-
de espao, mas o cdigo est disponvel para down-
mos esta facilidade para criar nossa populao.
load e anlise.

public void inicializaPopulacao(int tamanhoPopulacao) {

A Classe controladora do GA
At agora, tudo que ns fizemos foi criar uma
classe para representar uma soluo de um proble-
ma especfico. Esta classe j capaz de certas aes
necessrias para um algoritmo gentico, como a re-
produo e a avaliao, mas para efetivamente exe-
cutar um GA ns temos que controlar uma populao
e fazer as vrias geraes serem avaliadas e reprodu-
zidas. Para tanto, vamos criar uma classe chamada
GA, que representar o arcabouo de nosso algoritmo
gentico.
this.populacao.clear();
for(int i=0;i<tamanhoPopulacao;i++) {
this.populacao.add(new CromossomoMochila(pesos,
valores, limitePeso));
}
}
Lembre-se que uma importante caracterstica de um
GA que ele mantm uma populao de solues a
cada instante. Para tanto, ns vamos ter dentro de
nossa classe um atributo que uma List de solues,

59 \
 chamada populao. Note-se que somos capazes de
obter o melhor facilmente, como podemos ver na
Listagem 6, que nos mostra o mtodo getMelhorCor-
rente(). Usaremos este mtodo em vrios momen-
tos, mas ele especialmente necessrio no fim da
execuo do GA, quando precisamos escolher uma
das solues e, obviamente, a que nos interessa mais
a melhor de todas aquelas que foram evoludas.
Note que como a classe CromossomoMochila imple-
menta a interface Comparable, podemos nos utilizar
desta facilidade para ordenar os elementos usando o
mtodo sort da classe Collections. Como este ordena
em ordem ascendente, ento o ltimo o melhor de
todos (pois a comparao em CromossomoMochila
se d atravs da avaliao).
Listagem 6. O mtodo que retorna a melhor soluo
mantida pelo GA em cada momento.
public CromossomoMochila getMelhorCorrente() {
Collections.sort(populacao);
return(populacao.get(populacao.size()-1));
} populao, seja tendo menos filhos, seja devorando-
Podemos agora ver o mtodo run() da classe GA que
chamado para executarmos o nosso algoritmo gen-
tico. Como podemos ver na Listagem 7, ele simples-
mente representa uma implementao dos conceitos
vistos na figura 1. Temos um lao baseado na varivel
geracaoCorrente que determina quantas geraes fo-
ram passadas. Como a figura 1 coloca, temos que de-
terminar um critrio de trmino e, no caso de nosso
GA mais simples, este ser determinado unicamente
pelo nmero de geraes decorridas (valor passado
como parmetro).
Dentro deste loop temos outro loop, que contro-
lado pela varivel individuosGerados. Ele representa
o fato de que temos que gerar uma nova populao a
cada gerao, o que fazemos aplicando os operadores
de crossover e mutao a pais selecionados atravs de
chamadas ao mtodo selecionaPai, que veremos mais
frente.
Agora que estamos iniciando nossa jornada atra-
vs dos GAs, iremos trabalhar com a verso mais sim-
ples dos operadores genticos, na qual eles atuam
em conjunto, como se fossem um s. Existem outros
modos de selecionar qual operador ser aplicado em
um determinado momento, mas agora o objetivo
entender completamente os conceitos dos operado-
res. Quem estiver interessado em ver outras manei-
ras de selecionar os operadores, pode consultar meu
livro citado nas referncias. Assim, para aplicarmos
em conjunto, primeiro aplicamos o crossover, que
nos retorna dois filhos e adicionamos nova gerao
as verses destes filhos que sofreram a mutao.
/ 60
A ltima parte do mtodo run() consiste na parte
que fica fora do loop controlado por individuosGera-
dos. Ela corresponde ao momento em que temos uma
populao completa da nova gerao e uma popula-
o de pais. A pergunta : como faremos para compor
a nova populao?
Na rea de algoritmos genticos e na figura 1, ns
chamamos esta parte de mdulo de populao, que
o responsvel pelo controle da nossa populao. Por
uma questo de simplicidade, assumiremos que esta
populao no pode crescer. Logo, os pais tm que
ser substitudos conforme os filhos vo nascendo,
pois estamos agindo como se o mundo fosse um lugar
pequeno demais para ambos conviverem. Isto pode
parecer estranho, visto que estamos acostumados a
ver a populao humana sempre crescendo. Afinal, da
nossa experincia de vida, sabemos que quando nas-
ce um beb, no obrigatrio que algum de alguma
gerao anterior caia fulminado! Entretanto, em am-
bientes de recursos limitados (gua, ar, comida etc.)
este crescimento sem controle no permitido e os
prprios organismos tendem a limitar o tamanho da
-os ou de qualquer outra maneira que a natureza con-
siderar adequada.
Podemos ento considerar que o nosso GA opera
em um ambiente de recursos limitados. Diga-se de
passagem, isto verdade, pois nosso computador tem
uma quantidade limitada de memria e ciclos de pro-
cessador. claro que estamos limitando a populao
a um tamanho bem inferior ao da memria como um
todo, mas poderamos aument-la, caso necessrio
fosse.
O mdulo de populao que utilizaremos por en-
quanto extremamente simples. Sabemos que a cada
atuao do nosso operador gentico estamos criando
dois filhos. Estes vo sendo armazenados em um es-
pao auxiliar at que o nmero de filhos criados seja
igual ao tamanho da nossa populao. Neste ponto o
mdulo de populao entra em ao. Todos os pais
so ento descartados e os filhos copiados para cima
de suas posies de memria, indo tornar-se os pais
da nova gerao. exatamente isto que o nosso c-
digo faz: limpa a lista populao e depois acrescenta
todos os novos indivduos gerados a ela.
Como sempre, existem maneiras mais complexas
de lidar com o mdulo de populao, mas por uma
questo de simplicidade e de limitao de espao,
no vamos lidar com elas neste momento.
Note que ns imprimimos o indivduo de melhor
valor em cada gerao, para que possamos acompa-
nhar a evoluo de nossa populao (o que timo
em termos didticos) e para que tenhamos a soluo
do problema que desejamos, o que, afinal, nosso
objetivo. Para tanto, ns usamos o nosso mtodo get-
MelhorCorrente(), descrito anteriormente.
Listagem 7. Mtodo run() da classe GA que efetiva- semelhantes e faltar diversidade a esta populao
mente executa nosso algoritmo gentico. para que a evoluo possa prosseguir de forma sa-
tisfatria. A este efeito denominamos convergncia
gentica, e selecionando de forma justa os indivduos
menos aptos podemos evit-lo, ou pelo menos mini-
public void run(double taxaMutacao, int numGeracoes, miz-lo. Lembre-se de que, na natureza, os indivdu-
int tamanhoPopulacao) { os mais fracos tambm geram uma prole, apesar de
CromossomoMochila melhor;
faz-lo com menos frequncia do que os mais aptos.
List<CromossomoMochila> novaPopulacao=
new ArrayList<CromossomoMochila>(); Logo, seria interessante reproduzir esta possibilida-
inicializaPopulacao(tamanhoPopulacao); de dentro dos GAs. Por isto, vamos usar um mtodo
for(int geracaoCorrente=0;geracaoCorrente simples capaz de implementar estas caractersticas,
<numGeracoes;geracaoCorrente++) { denominado o mtodo da roleta viciada.
double somaAvaliacoes=this.somaAvaliacoes(); Neste mtodo criamos uma roleta (virtual) na
novaPopulacao.clear(); qual cada cromossomo recebe um pedao proporcio-
for(int individuosGerados=0;individuosGerados< nal sua avaliao (a soma dos pedaos no pode su-
tamanhoPopulacao;individuosGerados+=2) {
perar 100%). Depois rodamos a roleta e o selecionado
int pai1=this.selecionaPai(somaAvaliacoes);
int pai2=this.selecionaPai(somaAvaliacoes); ser o indivduo sobre o qual ela parar.
CromossomoMochila[] filhos=populacao. O ato de rodar a roleta deve ser completamente
get(pai1).crossover(populacao.get(pai2)); aleatrio, escolhendo um nmero entre 0 e 100 (re-
novaPopulacao.add(filhos[0].mutacao()); presentando a percentagem que corresponde a cada
novaPopulacao.add(filhos[1].mutacao()); indivduo) ou entre 0 e 360 (representando uma po-
} sio do crculo) ou ainda entre 0 e a soma total das
populacao.clear(); avaliaes (representando um pedao do somatrio).
populacao.addAll(novaPopulacao);
Quando se faz este sorteio um nmero suficiente de
melhor=getMelhorCorrente();
System.out.println(Geracao #+geracaoCorrente+-> vezes, cada indivduo selecionado um nmero de
+melhor+ com avaliao +melhor.avaliacao()); vezes igual sua frao na roleta (quem lembra de
} suas aulas de probabilidade no ensino mdio sabe
} que esta igualdade s vlida, como em todos os pro-
cessos probabilsticos, quando o nmero de sorteios
igual a infinito. Entretanto, para um nmero grande
de sorteios, os valores obtidos so muito prximos ao
valor percentual da avaliao).
Falta apenas entender agora como os dois pais so
Obviamente no podemos girar uma roleta den-
selecionados e teremos um algoritmo gentico com-
tro do computador, sendo obrigados a trabalhar com
pleto em nossas mos. O mtodo que usaremos
conceitos abstratos, e no roletas fsicas. Logo, pre-
chamado de mtodo da roleta viciada e antes de par-
cisamos de uma verso computacional da roleta, que
tirmos para sua implementao, vamos discutir al-
dada por um algoritmo que pressupe que nenhum
guns conceitos importantes. indivduo tenha uma avaliao nula ou negativa. O
O mtodo de seleo de pais deve simular o me- cdigo Java que implementa estes conceitos dado
canismo de seleo natural que atua sobre as esp- na Listagem 8.
cies biolgicas, em que os pais mais capazes geram
mais filhos, ao mesmo tempo em que permite que os Listagem 8. Mtodo que implementa a seleo dos
pais menos aptos tambm gerem descendentes. pais usando o conceito de roleta viciada.
O conceito fundamental que temos que privile-
giar os indivduos com funo de avaliao alta, sem
desprezar completamente aqueles indivduos com private int selecionaPai(double somaAvaliacoes) {
int retorno=-1;
funo de avaliao extremamente baixa. Esta deci-
double valorSorteado=Math.random()*somaAvaliacoes;
so razovel, pois at indivduos com pssima ava- double soma=0;
liao podem ter caractersticas genticas que sejam Iterator<CromossomoMochila> it=this.populacao.
favorveis criao de um indivduo que seja a me- iterator();
lhor soluo para o problema que est sendo atacado, do {
caractersticas estas que podem no estar presentes soma+=it.next().avaliacao();
em nenhum outro cromossomo de nossa populao. retorno++;
} while ((it.hasNext())&&(soma<valorSorteado));
importante entender que se deixarmos apenas return(retorno);
os melhores indivduos se reproduzirem, a populao }
tender a ser composta de indivduos cada vez mais

61 \
 Este mtodo primeiro escolhe um valor entre 0 e a
soma das avaliaes (passada como parmetro para
pelo mtodo run). Ns usamos o mtodo random
para escolher aleatoriamente um nmero entre 0 e 1
que multiplicamos, nesta linha, por somaAvaliacoes
para obter uma percentagem do valor armazenado
nesta varivel.
O loop que fazemos usando o Iterator vai soman-
do os valores das avaliaes de cada um dos indivdu-
os. Quando exceder o valor determinado pelo sorteio
aleatrio, o loop termina. Note que colocamos um
teste para sair do loop se o Iterator no tiver mais ele-
mentos para nos fornecer. Isto no necessrio, mas
sempre boa prtica de programao fazer o mximo
para evitar que erros aconteam em um programa.
Note que se a populao tiver zero indivduos, a ro-
tina retornaria 1 (isto , nenhum indivduo vlido),
causando uma exceo no mtodo run(). Isto uma
situao esdrxula, mas se voc for fazer um cdigo
comercial baseado nestas listagens (que s tm fins
didticos), deve tomar alguma precauo para lidar
com esta situao semi-absurda.
Obviamente, s coloquei neste artigo fragmen-
tos de cdigo de forma a tornar claros os conceitos
de algoritmos genticos. Mais uma vez, coloco que
aqueles leitores que quiserem os cdigos completos
podem fazer o download do projeto para Netbeans
no endereo http://www.algoritmosgeneticos.com.br
onde tambm podem ser encontradas aulas que pre-
parei sobre o assunto e muitos outros recursos liga-
dos rea dos GAs.
Executando nosso algoritmo
Para testar nosso algoritmo gentico ns temos
uma classe Main que cria uma pequena instncia do
problema da mochila e executa nossa GA, como pode
ser visto na Listagem 9.
Listagem 9. Mtodo main que cria uma instncia do
problema da mochila e executa o GA.
public static void main(String[] args) {
public static void main(String[] args) {
double pesos[]={10,20,30,20,10,90, 70, 100, 50};
double valores[]={5,30,20,20,10, 120, 60, 10, 5};
GA meuGA=new GA(pesos, valores, 100);
meuGA.run(0.01, 15, 10);
} antes de melhorar. Como falamos antes, no existe
A instncia que criamos representa um problema
particularmente difcil. Seu mximo o valor 130,
que consiste em colocarmos na mochila o 5 e o 6
itens (para nossa contagem estamos tratando o 1
/ 62
como nmero 1, no como zersimo), totalizando
exatamente 100kg. Note entretanto que toda e qual-
quer soluo que inclua o 6 item vai exceder o limi-
te de peso da mochila, resultando em uma avaliao
bem baixa. Este tipo de problema em que o mximo
global est cercado de valores baixos chamado de
problema enganador e nenhum mtodo tradicional
capaz de resolv-lo a contento.
Note que avaliamos apenas 150 solues (15
geraes de 10 indivduos cada). Este um nmero
comparvel ao nmero de solues existentes que a
soma das combinaes um a um (8), dois a dois (28),
trs a trs (56), quatro a quatro (70), cinco a cinco
(56), seis a seis (28), sete a sete (8) e oito a oito (1),
totalizando 255 solues. Isto s ocorre por que esco-
lhemos um problema bem pequeno. Se tivssemos 20
objetos ao invs de 8 o nmero de solues possvel
chegaria aos milhes e poderamos ainda tentar po-
pulaes relativamente pequenas (uns 100) com um
nmero baixo de geraes (uns 40), gerando uma fra-
o pequena das solues totais.
A figura 4 mostra o resultado de quatro execues
distintas de nosso algoritmo gentico. No alterei ne-
nhum parmetro entre as execues, apenas deixei a
aleatoriedade inerente dos GAs atuar de forma livre.
Cada uma delas tem caractersticas interessantes que
nos trazem alguns conceitos que precisamos apren-
der antes de usar os GA para nossos problemas reais.
Em (a) vemos uma populao que comea bem
ruim e que efetivamente melhora at atingir uma so-
luo razovel. Note que esta execuo mostra que
no existe nenhuma garantia de desempenho nos
GAs: h vrias solues superiores a esta que obtive-
mos. Assim, percebe-se que um GA deve ser executa-
do vrias vezes para se obter melhores resultados e a
medida de seu desempenho dada pela melhor solu-
o obtida um GA uma ferramenta para soluo
de um problema prtico e como tal deve ser tratada.
Em (b) vemos uma situao em que a populao
j surge com um elemento muito bom que surgiu da
inicializao aleatria. Depois, a populao nunca
melhora. Isto uma possibilidade real e mais uma vez
implica em no podermos fazer uma nica execuo
e tambm no fato de que existe uma tendncia a me-
lhora das solues de acordo com a seleo natural,
mas no uma garantia de melhora.
Em (c) vemos um caso interessante que consiste
em uma populao que piora durante sua execuo
garantia de que os filhos sero melhores do que os
pais possvel que o crossover e a mutao gerem
filhos piores. Existem mdulos de populao que pre-
servam as melhores solues, chamados de mdulos
com elitismo, mas eles s garantem a estabilidade do
melhor, no a sua evoluo.
 Por ltimo, em (d), vemos um GA que evoluiu
para a soluo ideal. No existe garantia de que isto
vai acontecer, mas mostrar que isto uma possibili-
dade real algo que provavelmente ser reconfortan-
te para voc, meu caro leitor.
Consideraes finais
Espero que este artigo tenha permitido que voc
compreenda todos os conceitos fundamentais sobre
os algoritmos genticos. Eles so uma interessante
ferramenta para efetuar buscas em espaos pratica-
mente infinitos, mas sua aplicabilidade limitada ba-
sicamente a este tipo de problema. GAs no so uma
tcnica que revolucionar toda a cincia da compu-
tao. Os praticantes de uma rea gostam, de uma
forma geral, de promov-la anunciando que ela seria
a soluo milagrosa para todos os problemas compu-
tacionais existentes, mas uma anlise cuidadosa de
qualquer rea desmente tal hype.
Figura 4. Resultado de quatro execues distintas do nosso algoritmo gentico.
importante entender que existem vrias clas-
ses de problemas com uma soluo natural, que no
podem ser batida por nenhuma tcnica. Por exemplo,
problemas de minimizao de funes quadrticas
devem ser atacados com o mtodo de Newton, que
capaz de resolv-los em uma nica iterao.
Entretanto, podemos afirmar que, como ferra-
menta de busca, os GAs se mostram extremamente
eficientes, encontrando boas solues para proble-
mas que talvez no fossem solveis de outra forma,
alm de serem extremamente simples de implemen-
tar e modificar. O custo de pessoal para implemen-
tao de um GA relativamente pequeno, pois GA
uma tcnica que tem vrios mtodos que podem ser
reutilizados de forma indefinida, sendo os programas
quase rudimentares em sua essncia. Existe um se-
no escondido nesta afirmao, que pode ser resu-
mido em um trecho extrado de How to solve it, de
Z. Michalewicz e D. B. Fogel:
63 \
 Ao invs de devotar o tempo necessrio e o pen- meiro e, somente se elas se mostrarem incapazes de
samento crtico necessrio para entender um proble- resolver o seu problema a contento, parta para um
ma e para ajustar nossa representao dos seus re- algoritmo gentico.
quisitos, ns ficamos complacentes e simplesmente Lembre-se: uma pessoa que tem uma grande cai-
buscamos a sub-rotina mais conveniente, uma plula xa de ferramentas capaz de resolver mais proble-
mgica para curar nossas doenas. mas, e cada um deles de forma mais eficiente, do que
Esta afirmao procura dizer que a abordagem de uma pessoa que s tem um martelo ou uma chave de
simplesmente pegar um GA padronizado e execut- fenda. Mantenha a sua caixa de ferramentas sempre
-lo at o computador cansar ou at que um bom re- cheia!
sultado seja obtido no a melhor possvel. Muitos
praticantes da rea tm o hbito de simplesmente
pegar um GA com representao binria, com ope-
radores competitivos e probabilidade de 80% para
o crossover, taxa de mutao de 1% e populao de
100 indivduos, para tentar aplic-lo ao problema que
eles esto enfrentando neste momento. Ser que isto /para saber mais
parece uma soluo razovel? Espero que voc tenha
respondido no para esta pergunta.
A verdade que, como Michalewicz e Fogel apon- > Na MundoJ 46 eu escrevi um artigo intitulado
tam e como o teorema da inexistncia do almoo Comeando a pensar reflexivamente que cobre os
grtis categoricamente afirma, dois mtodos no in- principais aspectos da reflexo, especialmente aqueles que
formados tero, em mdia, o mesmo desempenho ao
usamos para criar os filhos dos nossos cromossomos.
longo de uma grande srie de problemas. Voc pode
at ter sorte na resoluo de um problema especfico,
mas sorte no um bom substituto para a competn- > A rea de algoritmos genticos muito maior do que um

cia e o estudo cuidadoso. artigo de revista, apesar deste ser suficiente para transmitir

Este resultado no deve deprimi-lo nem faz-lo os conceitos fundamentais para sua compreenso.
dizer que qualquer ferramenta igual. Ao contrrio, Entretanto, aqueles que quiserem se aprofundar podem
ele deve faz-lo ficar feliz por poder optar pelo uso buscar o meu livro, Algoritmos Genticos, publicado pela
de algoritmos genticos para a resoluo de proble- Editora Cincia Moderna e que j est em sua terceira
mas. Afinal, os GAs permitem que informaes sobre edio.
o problema sejam embutidas dentro da representa-
o (proibindo solues que desrespeitem restries
do problema), dentro da funo de avaliao (recom-
pensando aquelas solues que esto mais prximas
de resolver o problema) e at mesmo dentro dos ope-
radores genticos. Isto quer dizer que se pode espe- /referncias
rar que os GAs tenham um desempenho superior aos
algoritmos no informados em vrios problemas dif-
ceis de nossa vida cotidiana.
> LINDEN, R., 2012, Algoritmos Genticos, 3 edio,
A palavra mgica neste caso informao. Isto
Editora Cincia Moderna, Rio de Janeiro, 2012.
, antes de tentar resolver um problema, voc deve
entend-lo profundamente. Assim, voc poder es- > MICHALEWICZ, Z., FOGEL, D. B., 2010, How to Solve
colher a ferramenta correta. Se porventura esta fer- It: Modern Heuristics, 2 Edio, Springer-Verlag, Berlim,
ramenta for um algoritmo gentico, a sua compre- Alemanha.
enso do problema permitir que voc faa escolhas
inteligentes de representao, funo de avaliao e > RUSSEL, S. J.; NORVIG, P., Inteligncia Artificial, 2

operadores genticos, de forma que o desempenho de edio, Elsevier Editora, Rio de Janeiro, 2004.
seu GA seja maximizado. > TOSCANI, L. V., VELOSO, P. A. S., Complexidade de
Tudo isto faz com que cheguemos concluso de Algoritmos: anlise, projetos e mtodos, Ed. Bookman,
que um GA no deve ser, necessariamente, a primei-
Porto Alegre, 2009.
ra ferramenta na sua mente. Existem vrias tcnicas
tradicionais de resoluo de problemas que podem
ser aplicadas em vrias situaes. Considere-as pri-

/ 64