Algoritmos Bioinspirados. César M. V. Benítez 2018

Transcrição

1 Algoritmos Bioinspirados César M. V. Benítez 2018

2 Agenda Algoritmos Bioinspirados - Introdução Artificial Bee Colony (ABC) Grey Wolf Optimizer (GWO)

3 H.S.Lopes(2018)

4 Algoritmos Bioinspirados Bee Algorithm, Bees mating, bee swarm optimization, BeeHive, Bee Colony Optimization Grey Wolf Optimzer (GWO) Biogeography-Based Optimization (BBO) Cuckoo Search Algorithm (CSA) Krill Herd Optimization Algorithm (KH) Roach Infestation Algorithm (RIO) Mosquitoes Host-Seeking Algorithm (MHSA), BAT Algorithm (BA), Firefly (FA) Fish-shoal algoritm Artificial Immune Systems - Criado no Brasil:

5 Algoritmos não-bioinspirados River Formation Dynamics (RFD) Self-Propelled Particles (SPP) Intelligent Water Drops Algorithm (IWD) Imperialist Competitive Algorithm (ICA) Electromagnetism-like Mechanism Algorithm (EM) Stochastic Diffusion Search (SDF)

6 Artificial Bee Colony (ABC) Criado por Dervis Karaboga em 2005 É inspirado no comportamento das abelhas na busca por alimento As abelhas procuram fontes de alimento e exploram com base na sua qualidade e na distância Auto-organização e divisão de trabalho entre as abelhas, condições necessárias para atingir um comportamento coletivo inteligente

7 Artificial Bee Colony (ABC) Fontes de alimento (posições no Espaço de Busca) Qualidade medida por uma função de fitness Depende da distância à colmeia e da concentração de alimento Abelhas empregadas (foragers) Exploram a uma fonte específica de alimento e contém informação sobre a sua distância e direção. Compartilham probabilisticamente esta informação com outras abelhas através da dança (Waggle dance). Waggle Dance

8 Artificial Bee Colony (ABC) Abelhas desempregadas (unemployed): Buscam fontes de alimentos para explorar Há dois tipos: Troca de informação: Escoteiras (Scouts): buscam fontes de alimento aleatoriamente Expectadoras/Observadoras (Onlookers): esperam na colmeia por informação das Empregadas e selecionam 1 fonte de alimento para explorar Emerge conhecimento coletivo (auto-organização) Waggle Dance: a series of patterned movements performed by a scouting bee, communicating to other bees of the colony the direction and distance of a food source or hive site.

9 Artificial Bee Colony (ABC) Exploitation (busca local): desempenhada por abelhas empregadas Exploration (exploração global): desempenhada por abelhas escoteiras (ação aleatória)

10 Artificial Bee Colony (ABC) Pseudo-código: 1. Inicializa a população de abelhas empregadas aleatoriamente no espaço de busca 2. Avalia a qualidade do fitness inicial da população 3. Repete o seguinte loop até que uma condição de término ocorra (MCN ciclos):

11 Artificial Bee Colony (ABC) Pseudo-código: Loop principal 1. Produza soluções nas vizinhanças dos pontos para cada abelha empregada e avalia seu fitness 2. Move as abelhas empregadas para novas posições mais promissoras 3. Produza probabilisticamente soluções para as abelhas expectadoras e calcule o seu fitness 4. Move as abelhas expectadoras para novas posições aplicando seleção entre a posição atual e a nova posição 5. Abandona soluções estagnadas, transforme as abelhas atuais em escoteiras. 6. Substitua os pontos estagnados por outros gerados aleatoriamente 7. Incremente o ciclo (MCN)

12 Artificial Bee Colony (ABC) Pseudo-código:

13 Artificial Bee Colony (ABC) Parâmetros: Dim: número de dimensões Tamanho total do enxame = ~100 Limit = critério de abandono de uma solução (número de ciclos sem melhoria) =~ 100 (Number of onlooker bees *Dim) Número de onlookers = 50% do total Número de abelhas empregadas (SN): 50% do total Número de abelhas escoteiras = 1 MCM (maximum cycle number - número máximo de iterações): * Karaboga, D. & Basturk, B. On the performance of artificial bee colony (ABC) algorithm. Applied Soft Computing, v. 8, p , 2008.

14 Artificial Bee Colony (ABC) Vantagens:... Desvantagens: Exploitation e Exploration Poucos parâmetros de controle Convergência rápida (geralmente) Paralelizável Espaço de busca limitado pelas soluções iniciais

15 Artificial Bee Colony (ABC) Software em C, MatLab, R e Java: * Ver também o código disponibilizado pelo Professor. Software em Python:

16 Artificial Bee Colony (ABC) Algumas aplicações Predição de estrutura de proteínas (PSP) ABC BENITEZ, C. M. V.; LOPES, H. S.. Parallel Artificial Bee Colony Algorithm Approaches for Protein Structure Prediction Using the 3DHP-SC Model. Studies in Computational Intelligence. Springer-Verlag, 2010, v. 315, p

17

18

19 Para mais informação: Parpinelli, R.S., Lopes, H.S. New inspirations in swarm intelligence. International Journal of Bio-Inspired Computation, v. 3, n. 1, p. 1-16, DOI: Sorensen, K. Metaheuristics the methaphor exposed. International Transactions in Operational Research, v.22, n. 1, p. 3-18, 2015 Karaboga, D., Gorkemli, B., Ozturk, C. et al. A comprehensive survey: artificial bee colony (ABC) algorithm and applications Artif Intell Rev (2014) 42: 21.

20 Grey Wolf Optimizer (GWO) Baseado na hierarquia de liderança dos lobos Canis Lupus 4 tipos de lobos: alfa, beta, delta e omega Tres fases de caça, busca de presa e ataque implementadas para realizar a otimização Referência:

21 Grey Wolf Optimizer (GWO) Alpha: lideres. 1 macho + 1 femea Não sao necessariamente os mais fortes, mas os que melhor lideram o grupo Beta: subordinados aos alphas. Melhores candidatos para substituir aos alphas (falecimento ou quando o alpha for idoso). Respeita ao alpha e comanda aos inferiores (reforça as ordens dos alphas) Omega: bode expiatório, mas é protegido pelos demais. Pode ser o babá. Brigas internas no grupo acontecem com a perda dos Omegas. A presença de Omegas ajuda na manutenção da Hierarquia.

22 Grey Wolf Optimizer (GWO) Delta: subordinados (menos aos Omegas). Idosos, escoteiros, caçadores e cuidadores. Escoteiros: observam os limites do território (avisam em caso de perigo) Sentinelas protegem ao grupo Idosos (ex alphase betas) Caçadores: ajudam aos alphas e betas na caça Cuidadores: cuidam dos fracos, doentes e feridos

23 Grey Wolf Optimizer (GWO) Caça Comportamento

24 Grey Wolf Optimizer (GWO) Modelagem matemática (hierarquia social, caça) Hierarquia: Fittest solution (melhor solução): Alpha Segunda melhor solução: Beta Terceira melhor solução: Delta As demais soluções candidatas: Omega A Caça é guida por Alpha, Beta e Delta

25 Grey Wolf Optimizer (GWO) Modelagem matemática (hierarquia social, caça) Cercar presa: t: iteração; A, C coeficientes Xp vetor posição da presa Componentes de a diminuem de 2 para 0 durante a evolução. r1 e r2 são vetores randomicos entre [0,1] X é o vetor posição de um Lobo

26 Grey Wolf Optimizer (GWO) Modelagem matemática (hierarquia social, caça) Cercar presa:? * O lobo atualiza sua posição

27 Grey Wolf Optimizer (GWO) Caça: - Guiada por Alphas - Presa (local desconhecido) - Considera-se que Alphas, Betas e deltas conhecem a potencial posição da presa. - Então, os demais (Omegas, etc.) são posicionados de acordo com a posição do melhor

28 Grey Wolf Optimizer (GWO) Em outras palavras, - Alpha, Beta e Delta determinam a posição Da Presa - os lobos (w) atualizam a posição em torno da presa

29 Grey Wolf Optimizer (GWO) Exploitation: Ataque à presa

30 Grey Wolf Optimizer (GWO) Exploration: buscando a presa - C fornece valores randomicos para enfatizar a Exploração durante todo o processo de busca. - É útil para evitar Estagnação em regiões de ótimo local - C>1 e C<1 enfatiza e desenfatiza o efeito da presa na definição da distância, favorecendo a busca global - C é considerado como os obstáculos que o lobo encontra durante a caça

31 Grey Wolf Optimizer (GWO)

32 Grey Wolf Optimizer (GWO)

33 Grey Wolf Optimizer (GWO) Parâmetros: Número de agentes Número de iterações

34 Grey Wolf Optimizer (GWO) Referências: Dihub Software: