Computação Evolucionária

Transcrição

1 UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária Prof. Heitor Silvério Lopes hslopes@utfpr.edu.br CE

2 Inteligência Computacional Computação com DNA L-systems Autômatos Celulares EE Hardware evolutivo SC PE AG AM AGC AED PEG EG PG Computação Evolucionária Vida Artificial ED ACO Inteligência de Enxames PSO BAT ABC Sistemas Imunológicos Artificiais Sistemas complexos Deep Learning Redes Neurais Sistemas Fuzzy 2

3 Evolução Diferencial 3

4 Evolução Diferencial Criado por Rainer Storn e Kenneth Price em Originalmente objetivava a otimização de funções multidimensionais no espaço contínuo (variáveis reais) polinômios de Chebychev. É um método populacional onde as soluções candidatas são criadas a partir da mistura de vetores Alguns não consideram método de computação evolucionária (!) 4

5 Bibliografia Price, K.V., Storn, R.M., Lampinen, J.A., Differential Evolution: A Practical Approach to Global Optimization. Berlin: Springer- Verlag, Feoktistov, V. Differential Evolution: In Search of Solutions. Springer, Chakraborty, U.K., Advances in Differential Evolution. Berlin: Springer-Verlag,

6 O algoritmo ED A população é composta de NP vetores definidos no espaço R D Cada vetor-alvo é representado na geração G como: x G i =[x G i,1, x G i,2,..., x G i,d ] A população inicial de vetores é gerada aleatoriamente com distribuição uniforme, dentro do intervalo de cada variável Novos vetores são gerados através de operações equivalentes ao crossover e à mutação de AGs 6

7 Algoritmo ED: a diferença de vetores É a base da criação de novos vetores em ED Exemplo: população de 9 vetores num espaço D=2 7

8 Algoritmo ED mutação 8

9 Algoritmo ED - crossover O vetor doador (u o ) resultante da mutação é mesclado com elementos do vetor-alvo da população (x i G ) para formar o vetor-teste (v i ) Para cada elemento j dos vetores, escolhe-se entre o vetor-doador ou o vetor-alvo, de acordo com a comparação de um número aleatório com parâmetro CR 9

10 Algoritmo ED exemplo de crossover binomial 10

11 Algoritmo ED - seleção 11

12 Parâmetros default da ED NP = tamanho da população sugestão NP = 10*D e NP <= 40 F = peso diferencial [0,5..1] sugestão F=0,8 CR = probabilidade de crossover [0..1] Sugestão CR=0,2 12

13 Estratégias de ED default Best/rand /rand-to-best = especifica como o vetor base é selecionado para mutação 1/2 = número de diferenças vetoriais Bin/exp = tipo de crossover: distribuição binomial/exponencial 13

14 Pseudocódigo simplificado da ED 14

15 Vídeos sobre ED Aplicação à função de Rastringin: Otimização de um aerofólio: Tutorial genérico: Evolución diferencial (em espanhol): 15

16 Softwares para ED Muitas implementações em: C, C#, Pyton MATLAB/Scilab, R Java, Pascal, FORTRAN90, etc. 16

17 Aplicação #1: Predição da estrutura de proteínas Consiste em encontrar a estrutura 2D/3D de uma proteína com base unicamente na sua sequência de aminoácidos Utiliza-se modelos simplificados de proteínas Lopes, H. S. ; Bitello, R.. A differential evolution approach for protein folding using a lattice model. Journal of Computer Science and Technology, v. 22, n. 6, p , Kalegari, D.H., Lopes, H.S. A differential evolution approach for protein structure optimization in a 2-D off-lattice protein model, International Journal of Bioinspired Computation, v. 2, n. 3/4, p , Kalegari, D.H., Lopes, H.S., An improved parallel differential evolution approach for protein structure prediction using both 2D and 3D off-lattice models. In: Proc. IEEE Symposium on Differential Evolution (SDE), Symposium Series on Computational Intelligence, Singapore, p ,

18 Aplicação #2: Otimização da cadeia de suprimentos Problema clássico de logística, inclui o planejamento da produção, armazenamento, transporte e entrega de matérias primas Coelho, L.S., Lopes, H.S. Supply chain optimization using chaotic differential evolution method. In: Proc. IEEE Int. Conf. on Systems, Man and Cybernectics, 8-11/october, Taipei, Taiwan, v. 4, p ,

19 Aplicação #3: Problema da mochila multidimensional Problema combinatorial clássico encontrado em logística Comparação de AG, DDE e BDE Varias instâncias do Knapsack Krause, J., Parpinelli, R.S., Lopes, H.S., Proposta de um algoritmo inspirado em evolução diferencial aplicado ao problema multidimensional da mochila. In: Brazilian Conference on Intelligent Systems - Encontro Nacional de Inteligência Artificial - ENIA, 2012, Curitiba, PR., p. 1-11, Krause, J.; Lopes, H.S., A comparison of differential evolution algorithm with binary and continuous encoding for the MKP. In: Proceedings of BRICS - Conference on Computational Intelligence, 2013, Recife,

20 Aplicação #4: Otimização do scheduling de polidutos 2..6 diferentes produtos produzidos em 2 refinarias, 2 tanques de armazenamento e 3 consumidores finais Cada poliduto tem diferentes capacidades Krause, J., Lopes, H.S., Evolutionary Computation Methods for the Schedule Optimization of Pipeline Networks. International Journal of Innovative Computing Applications, v. 7, n. 4, p ,

21 Aplicação #4: Otimização do scheduling de polidutos Resultado: Scheduling para 2 e 3 produtos 21

22 Outras aplicações de ED Projeto de filtros digitais Treinamento de redes neurais Flowshop scheduling Engenharia Elétrica: comunicações móveis, antenas, computação em grade, eletrônica de potência, circuitos analógicos, processamento de imagens 22