Algoritmos Genéticos como Metaheurísticas de Busca Conteúdos da Seção Introdução Implementação Codificação Avaliação Operadores

Transcrição

1 como Metaheurísticas de Busca Conteúdos da Seção Introdução Implementação Codificação Avaliação Operadores 1

2 Algoritmos Evolutivos Introdução o Algoritmos genéticos, desenvolvidos principalmente por A. S. Fraser, H. J. Bremermann, J. Reed e J. H. Holland, entre a década de 50 e 70, com refinamentos posteriores por D. Whitley, D. E. Goldberg, K. De Jong e J. Grefenstette; o Programação evolutiva, desenvolvidas por L. J. Fogel, A. J. Owens e M. J. Walsh, nos Estados Unidos, na década de 60, refinada recentemente por D. B. Fogel, G. H. Burgin, P. J. Angeline, V. W. Porto e W. Atmar; o Estratégias evolutivas, desenvolvidas na Alemanha, por 1. Rechenberg e H. P. Schwefel, na década de 60, com aprimoramentos posteriores de G. Rudolph, H. G. Beyer, F. Kursawe e T. Bãck; o Programação genética (PG), abordadas pelos pesquisadores J. R. Koza, J. P. Rice, K. E. Kinnear e P. J. Angeline. o Outros: algoritmos culturais, evolução diferencial, algoritmos meméticos, busca scatter. 2

3 Implementação o Codificação de soluções em estruturas de dados que serão chamados indivíduos o Definição de uma função de aptidão (fitness) coerente com a função objetivo o Definição de operadores evolutivos específicos para o tipo de codificação: cruzamento e mutação o Utilização de um algoritmo que simule a evolução natural: seleção e atualização 3

4 Vantagens e desvantagens o são modulares e facilmente adaptáveis a qualquer tipo de problema, mesmo os mais complexos; o são métodos de otimização global, mais robustos a ótimos locais; o necessitam de pouca informação sobre o problema, basicamente, custo ou ganho de cada possível solução; o podem otimizar um grande número de parâmetros discretos, contínuos ou combinações deles; o realizam buscas simultâneas em várias regiões do espaço de busca (paralelismo inerente); o podem ser eficientemente combinados com outras heurísticas de busca. o podem ser bem mais lentos que outros métodos por trabalharem com uma população de soluções; o dificuldade para se definir um mecanismo apropriado de codificação e avaliação de soluções; o dificuldade para se ajustar adequadamente os valores de seus parâmetros de desempenho; o fracos mecanismos de ensificação de busca, ocasionando baixas taxas de convergência 4

5 5 Codificação typedef struct { }Cromossomo; typedef struct { Cromossomo } Populacao; Exemplo: *var; fit; sel; Genotype: a permutation of the numbers 1 through 8 *indiv; sumfit; media; dvpad; tampop; tamind; melhor; pior; pais[numsels]; Phenotype: a configuration

6 6 o Avaliação o Problemas relativos à codificação/avaliação o Complexidade da função de avaliação o Paisagem de aptidão o Avaliação considerando restrições violadas

7 7 o Cruzamento e mutação Mutation: exchanging two numbers Crossover: combining two parents o Manutenção da viabilidade o Ajustes de parâmetros o Estáticos x Dinâmicos Determinísticos Adaptativos Auto-adaptativos o Seleção o Aleatória x Roleta o Auto-adaptativa:

8 8 o Atualização o Geracional x Steady-state o Estratégias para evoluir o Clonagem e Elitismo o Busca local o Estratégias para cobrir todo o espaço de busca Elitista e outrasl

9 9 o Exemplo IniciaPop(&P,MAXPOP, MAXVAR, funcao); erro= () P.indiv[P.melhor].fit - SOLUCAO; while (Geracoes -- && Aval < MAXAVA && erro > 0.0F){ numcruza=numcru; while (numcruza --){ pa1=selecao(&p); pa2=selecao(&p); if (pa1!= pa2) Cruzamento(&P, pa1, pa2, P.pior, xalfa); else P.iguais++; if (pmuta > rand()%100){ Mutação (P.indiv[P.pior].var); P.numMuta ++; } fit=avaliaindividuo(p.indiv[p.pior].var,p.tamind); AtualizaPop(&P, P.pior, fit); } erro= () P.indiv[P.melhor].fit - SOLUCAO; }