Aula Teorica 5 Iia

Inteligência Artificial
6. Agentes Adaptativos
Mundo das lagartas
Numa folha vivem 4 lagartas…
© 2005 E. Costa, 2007 A. Silva
1
Algumas regras
As lagartas vivem de geração em geração

Em cada nova geração os filhos substituem os
pais na folha
Em cada geração o pássaro que vive na
árvore come duas lagartas
Come aquelas que consegue ver melhor
O pássaro vê muito bem o vermelho, mais ou
menos o azul e quase não consegue ver o
verde
As duas lagartas que sobrem
reproduzem-se por recombinação…
Avaliação
Dando 0 pontos às bolas vermelhas, 1 às
azuis e 3 às verdes temos (média 10.75):
11
10
13
2
Selecção “natural”
O pássaro garante que os mais aptos a
esconderem-se são os que sobrevivem…
11
13
Recombinação
As lagartas sobreviventes reproduzem-se
por recombinação, a partir de um ponto
aleatório
3
Geração 2
Avaliando a nova população de lagartas
temos (média 12):
15
16
Selecção e recombinação
Reprodução das duas melhores lagartas,
a partir de um ponto aleatório
4
Geração 3
temos (média 15.5):
18
13
13
18
E mais uma vez…

Reprodução das duas melhores lagartas,
a partir de um ponto aleatório
5
Geração 4
temos (média 15.5):
15
21
15
21
Geração 5
A partir desta geração todas as lagartas
serão totalmente verdes…
21
21
21
21
6
Adaptação por selecção “natural”
A população de agentes adaptou-se às
regras do ambiente, melhorando o seu
desempenho
Adaptação
A metáfora biológica
Evolução via selecção natural (Darwin)

Sobrevivem os mais aptos (fittest )
Operadores genéticos (Mendel)

Recombinação (crossover )
Mutação (mutation )
Algoritmos Evolucionários
Procura (estocástica) adaptativa global
relativamente a uma função objectivo
7
Arquitectura
Do ambiente: vives ou morres…

Ambiente
Agente
Evolução
percepção acção
Decisão
Evolução: ao nível da espécie

Aprendizagem: ao nível do indivíduo
Significado
Procura estocástica guiada por uma

função objectivo
f(x) Algumas gerações depois
Selecção, reprodução com variação
População inicial (aleatória)
8
Terminologia
Ecosistemas
População
Indivíduo
Organismo
Células
Cromossoma
ADN
Gene
Alelo
Locus
Funcionamento
9
Algoritmo clássico
função AlgoritmoGenético_Clássico(problema): solução

1. Gera população inicial
2. Enquanto não_terminar faz
2.1 Avalia população
2.2 Selecciona progenitores para reprodução de
acordo com o mérito
2.3 Gera filhos por aplicação do operador de recombinação
2.4 Aplica o operador de mutação aos filhos
2.5 Substitui a geração anterior pelos filhos
fim_de_enquanto
3. Devolve o melhor filho da população final
Elementos básicos
Elementos básicos de um Algoritmo

Evolucionário:
Representação
Método de selecção dos progenitores e dos
sobreviventes
Operadores de variação
Função de avaliação
Características da população
Tamanho
Geração inicial
10
Exemplo de AG tradicional
Queremos encontrar o máximo da

seguinte função: f (x) = x*sin(10π *x)+1.0
x∈ −1..2
3 2.85
2.5
1.5
0.5
-0.5
-1
-1 -0.5 0 0.5 1 1.5 2
x
1.85 © 2005 E. Costa, 2007 A. Silva
Escolhas
Representação
binária, comprimento fixo
precisão 6 casas decimais
dividir o intervalo -1 a 2 em 3*106
são precisos 22 bits
221 < 3000000 <= 222
Selecção: proporcional ao desempenho
desempenho = f(x)
Operadores Genéticos
recombinação de um ponto (0.25)
mutação simples (0.01)
Critério Paragem: nº gerações (150)
Geracional
11
Selecção proporcional ao desempenho
1
Método da roleta
2
3
4
5
6
7
8
9
10
NÚMERO do
indivíduo 1 2 3 4 5 6 7 8 9 10
Função de Mérito
=f(x) 2.0 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2
Prob. de Selecção
∑f (xi)
f(xi)/∑ 0.18 0.16 0.15 0.13 0.11 0.09 0.07 0.06 0.03 0.02
1 2 3 4 5 6 7 8 9 10
0,18 0,49 0,62 0,73 0,82 0,89 0,98

0,34 0,95 1
Operadores
Recombinação - Prob [0.6 - 0.8]

11101001000 um ponto 11101010101
00001010101 00001001000
Mutação – Prob. [0.01- 0.1]
mudança de um alelo de um gene num
cromossoma
A
B
12
Simulação
http://ai.bpa.arizona.edu/~mramsey/ga.html
Média
2,9
2,85
2,8
2,75
2,7 Média
2,65
2,6
2,55
2,5
2,45
1 14 27 40 53 66 79 92 105 118 131 144
Variantes - representação
Binárias
Código de Gray
Número 0 1 2 3 4 5 6 7
Clássico 000 001 010 011 100 101 110 111
Gray 000 001 011 010 110 111 101 100
001 011
101 111
010
000
100 110
13
Variantes - representação
Inteiros
Caminhos de um robot em 2D {0,1,2,3} =
{norte, sul, este, oeste}
Reais
Quando os valores vêm de uma distribuição
contínua em vez de discreta
Permutações
Ordem
Problemas de Escalonamento + Caixeiro
Viajante
A representação deve ser natural
Implicação para
Avaliação
Operadores
Variantes - mutação
Mutação com probabilidade pm

Representação binária: muda alelo
Representação com inteiros
Mudança aleatória
Alteração controlada
Representação com reais
Adição de um valor a um ou mais alelos
Distribuição uniforme
Distribuição normal
14
Variantes - mutação
Mutação para permutações

por troca
por deslocamento 1 2 3 4 5 6 7
1 2 5 3 4 6 7
por baralhamento 1 2 3 4 5 6 7
1 5 4 2 3 6 7
Por inversão 1 5 4 3 2 6 7
Variantes - recombinação
Para representações binárias ou inteiros

Um ponto de corte
N-pontos de corte
Uniforme
Para representações baseadas em reais
Recombinação discreta
zi = xi ou yi
Outras…
15
Variantes - recombinação
Recombinação para permutações

PMX
Dois pontos de corte 1 2 3 4 5 6 7 8 9
aleatórios
Copiar a parte 9 3 7 8 2 6 5 1 4
“do meio”
Completar guiado
9 3 2 4 5 6 7 1 8
pelo “meio”
Baseada na ordem
Dois pontos de corte
Copiar a parte “do meio”
Completar respeitando a ordem
Variantes - selecção
Proporcional à qualidade
Implementação com roleta
1 ponteiro rodado n vezes
Amostragem universal estocástica
n ponteiros rodados n vezes
Por ordem
Indivíduos ordenados, proporcional à posição
Por torneio
Escolhem-se 2 indivíduos n vezes
O melhor passa com uma probabilidade k (e.g
0.75), senão passa o pior
16
Variantes – nova geração
Geracional
A geração anterior é totalmente substituída
pelos descendentes
Baseado na qualidade
Os filhos só substituem os pais se forem
melhores
Estado estável
Apenas uma parte da população é substituída
Elitismo
Variante em que alguns dos melhores
indivíduos são preservados para a próxima
geração
Exemplo complexo
ADN (ácido deoxi-

5’
ribonucleico) 3’
Nucleóticos
Fosfato
Açúcar
Base
3’ 5’
17
Dogma central
DNA RNA Proteína
Proteínas
Proteína
Molécula
Sequência de
Aminoácidos
Responsáveis por
estruturas e
actividades num
organismo
• Cabelo, músculos,
enzimas digestivas,
anticorpos
Aminoácido
sequência de 3
nucleótidos (codão)
Código Genético
18
Aminoácido
Existem 20…
Alanina
Proteína
MAVLD
Ligação peptídica
Met Ala Val Leu Asp
NH2 CO-NH CO-NH CO-NH CO-NH COOH
N C
Amino Carboxil
19
Problemas
Alinhamento de
Sequências
DNA, RNA,
aminoácidos
Estrutura 3D de
proteínas
Da sequência
Estrutura 3D (
Função)
Abordagem
Algoritmos
Evolucionários
Alinhamento de sequências
O problema
Princípio: duas sequências relacionadas têm
um antepassado comum, em resultado do
processo evolutivo. Dizem-se homólogas.
Determinar semelhanças entre sequências
passa por alinhá-las
As operações a usar
Substituição (de resíduos, por exemplo)
Eliminação
Inserção
Possibilidade de buracos (gaps)
20
Alinhamento de sequências
Exemplo (com Nucleótidos)

X: TACCAGT
Y: CCCGTAA
Alinhamentos possíveis:
X: TACCAGT__ X: TACCAGT__
Y: C_CC_GTAA Y: __CCCGTAA
Qual é o melhor??
SAGA
Um algoritmo genético para o problema do
alinhamento múltiplo de sequências (RNA e
proteínas)
1. Criar (aleatoriamente) Pop(0)
2. Avaliar Pop(n)
3. Se estabilizada então terminar
4. Selecciona os indivíduos a substituir
5. Calcula o número de descendentes esperados
6. Selecciona os pais a partir de Pop(n)
7. Selecciona um operador
8. Gera os filhos
9. Guarda em Pop(n+1) ou deita fora o novo filho
10. Repete a partir de 6. até Pop(n+1) estar completa
11. N  N +1
12. Vai para 2.
21
Alguns detalhes do SAGA
Representação: um indivíduo é uma matriz,

sendo cada linha uma sequência
WGKVN---VDEVGGEAL-
WDKVNEEE---VGGEAL-
WGKVG—AHAGEYGAEAL
WSKVGGHA--GEYGAEAL
1: População inicial de 100 indivíduos

Comprimento menor de metade do comprimento das
sequências a alinhar
Buracos apenas no final
Inicialmente todas têm o mesmo comprimento
2: Avaliação
Por contagem das discrepâncias entre todos
os pares de sequências.
Igual 0
Diferente +k
Buraco n*k
N −1 N
X = ∑∑ Wi , j * custo( X i , X j )
i =1 j = i
3: Terminar
Se não evolui nas últimas 100 gerações
22
4, 5, 6: Selecção e Avaliação dos Filhos

Esperados (FE)
Proporcional ao seu valor de discrepância
7: Selecciona um operador entre 22 (!!!)
Cruzamento de um ponto (guarda apenas o
melhor filho)
Inserção de buracos (posição, tamanho)
8, 9: Aplica operador e determina se é
retido na nova população (não são
admitidas duplicações)
Programação genética
Representação Exemplo
Árvores Terminais, T={x,y,2}
Funções,
F={+,*,cos,√}
Modelização:
Uma árvore possível:
população = conjunto
de programas +
indivíduo = programa cos
cromossoma =
√
“conjunto” de genes x +
gene = termo

∗ y
alelos = árvores
sintacticamente x 2
correctas
23
Mérito
relação entre saída do programa e o valor
esperado para uma dada entrada
número de casos “correctos”
Selecção
elitista
inicialmente apenas geracional
10% dos melhores transita
90% restantes escolhidos proporcionalmente
ao desempenho
Mutação
Não era usada (normalmente)
Recombinação
um ponto de corte
+ +
sin
sin Λ √
x +
x 2
+
Λ y
x y
x 2
+
sin
+ √
sin Λ x +
x x 2 Λ y
2 +
x y
24
Mutação
+
sin Λ +
x 2 + sin Λ
x y x 2 6
População inicial (ramped half-and half)

Dmax = profundidade máxima da árvore
Método completo: todos os ramos têm comprimento
Dmax
Método de crescimento: elementos são escolhidos
estocásticamente de entre os elementos de F ou de T
Exercício
O problema da mochila
Uma mochila de capacidade limitada K
Conjunto de objectos com um peso Pi e um valor Vi
Queremos maximizar o valor dos objectos colocados na
mochila, garantindo que a soma dos pesos não passa K
Neste caso particular temos uma mochila

com capacidade k=30 e 6 objectos:
V={10, 50, 20, 10, 40, 10}
P={20, 10, 10, 05, 10, 15}
25
Exercício
Como poderemos representar uma

solução (indivíduo) para o problema de
maneira a resolvê-lo utilizando um ag?
Uma solução deve codificar a informação
necessária para resolver o problema
Neste caso precisamos de saber quais os objectos a
carregar na mochila
Para tal basta um vector de seis bits, em que cada
bit representa se o objecto vai na mochila (1) ou
não (0)
Por exemplo na solução seguinte levamos o objecto
1,3 e 4:
1 0 1 1 0 0
Exercício
Defina uma função de avaliação
adequada ao problema.
A qualidade de uma solução corresponde ao
valor total transportado na mochila
f(x)=Σxi.vi
No caso da solução 1 0 1 1 0 0 teríamos
f(x)=10+20+10=50
Mas o peso é 35 o que quer dizer que a
solução não é válida!
Temos que juntar as duas coisas:
f(x)=Σxi.vi-(Σxi.pi-K)=50-(35-30)=45
Penalização
26
Exercício
Simule uma primeira iteração do

problema utilizando
Recombinação de um ponto
Mutação simples
Selecção por torneio
Partindo da seguinte população inicial:
1 0 1 1 0 0
0 1 1 1 0 1
0 1 0 1 1 0
1 0 0 0 0 1
27

Aula Teorica 5 Iia

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

Aula Teorica 5 Iia

Încărcat de

Drepturi de autor:

Formate disponibile

Inteligência Artificial

Mundo das lagartas

Numa folha vivem 4 lagartas…

© 2005 E. Costa, 2007 A. Silva

As lagartas vivem de geração em geração

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

E mais uma vez…

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

Evolução via selecção natural (Darwin)

Operadores genéticos (Mendel)

Do ambiente: vives ou morres…

Evolução: ao nível da espécie

Procura estocástica guiada por uma

f(x) Algumas gerações depois

Selecção, reprodução com variação

População inicial (aleatória)

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

função AlgoritmoGenético_Clássico(problema): solução

© 2005 E. Costa, 2007 A. Silva

Elementos básicos de um Algoritmo

© 2005 E. Costa, 2007 A. Silva

Queremos encontrar o máximo da

0,18 0,49 0,62 0,73 0,82 0,89 0,98

© 2005 E. Costa, 2007 A. Silva

Recombinação - Prob [0.6 - 0.8]

Clássico 000 001 010 011 100 101 110 111

Gray 000 001 011 010 110 111 101 100

Mutação com probabilidade pm

© 2005 E. Costa, 2007 A. Silva

Mutação para permutações

© 2005 E. Costa, 2007 A. Silva

Para representações binárias ou inteiros

© 2005 E. Costa, 2007 A. Silva

Recombinação para permutações

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

ADN (ácido deoxi-

© 2005 E. Costa, 2007 A. Silva

DNA RNA Proteína

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

Met Ala Val Leu Asp

NH2 CO-NH CO-NH CO-NH CO-NH COOH

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

Exemplo (com Nucleótidos)

© 2005 E. Costa, 2007 A. Silva

© 2005 E. Costa, 2007 A. Silva

Representação: um indivíduo é uma matriz,

1: População inicial de 100 indivíduos

© 2005 E. Costa, 2007 A. Silva

Alguns detalhes do SAGA

© 2005 E. Costa, 2007 A. Silva