Download - Algoritmos Genéticos na Prática
![Page 1: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/1.jpg)
1 /Nunes & Guimarães 38
Algoritmos GenéticosPrática
Profª. Rosângela Nunes
Prof. Norton Guimarães
![Page 2: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/2.jpg)
2 /Nunes & Guimarães 38
Agenda
Introdução
Problema 01
Problema 02
![Page 3: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/3.jpg)
3 /Nunes & Guimarães 38
Introdução
![Page 4: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/4.jpg)
4 /Nunes & Guimarães 38
Introdução
● O Algoritmo Genético foi desenvolvido por John Holland, nos meados dos anos de 1960 e 1970, com base na teoria da Evolução de Charles Darwin e popularizado por David Goldberg, através da resolução de um problema, envolvendo o controle de transmissão de gasoduto.
![Page 5: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/5.jpg)
5 /Nunes & Guimarães 38
O que são Algorítmos Genéticos?
“Uma técnica de busca baseada numa metáfora do processo biológico de evolução
natural” [LINDER, 2012].
![Page 6: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/6.jpg)
6 /Nunes & Guimarães 38
Os Problemas
● Uma nova abordagem do problema clássico caixeiro viajante
● Tratamento Quimioterápico
![Page 7: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/7.jpg)
7 /Nunes & Guimarães 38
O problema do caixeiro viajante
O problema consistem em um caixeiro viajante, partindo de sua cidade, deve visitar exatamente uma única vez cada cidade de
uma dada lista e retornar para casa tal que a distância total percorrida seja a menor
possível.
![Page 8: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/8.jpg)
8 /Nunes & Guimarães 38
A Representação Binária
O encontro de uma cidade com outra será representado pelo bit 1 e a não ligação pelo bit 0.
![Page 9: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/9.jpg)
9 /Nunes & Guimarães 38
A nova proposta
A leitura na matriz é dada da esquerda para direita e de cima para baixo no primeiro triângulo e da esquerda para direita e de baixo para cima no segundo triângulo.
![Page 10: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/10.jpg)
10 /Nunes & Guimarães 38
A validação
Para ser válida a matriz deve atender:
1 - O número de elementos (1) deve ser igual ao número de cidades nos dois lados;
2 – Só pode ter um elemento (1) por linha e coluna;
3 – No mesmo vértice a soma de elementos (1) deve ser igual a 2.
![Page 11: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/11.jpg)
11 /Nunes & Guimarães 38
A Seleção dos Pais
A seleção dos pais é de acordo com o seu ranking e escolhe sempre os menores.
![Page 12: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/12.jpg)
12 /Nunes & Guimarães 38
A Seleção dos Pais
De acordo com a seleção devemos escolher os valores (17,22,23,24)
![Page 13: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/13.jpg)
13 /Nunes & Guimarães 38
Operação de Crossover
Caminho ilegal! Fazer Mutação
SOMA
![Page 14: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/14.jpg)
14 /Nunes & Guimarães 38
Operação de MutaçãoConta o número de elemento
com (1) o valor em cada linha e coluna para a cidade, se o número for superior a 2, em seguida, repetir excluindo a extremidade mais comprida do passeio resultante até que o número de elementos no caminho resultante é igual a 2. No entanto, se o número de elementos no caminho resultante é inferior a 2 adicionaremos as arestas que faltam no caminho pelo algoritmo guloso.
![Page 15: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/15.jpg)
15 /Nunes & Guimarães 38
O resultado
![Page 16: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/16.jpg)
16 /Nunes & Guimarães 38
O problema de Tratamento Quimioterápico
A escolha do melhor tratamento pelos médicos é uma tarefa complexa e, muitas vezes, pode determinar a vida de uma pessoa.O tratamento quimioterápico do câncer pode ser paliativo ou curativo.
![Page 17: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/17.jpg)
17 /Nunes & Guimarães 38
A Representação
O vetor de decisão , onde (Ci j) representa o nível de concentração das drogas, n os ciclos do tratamento e das drogas que compõem o coquetel anti-cancer.
O vetor de decisão acima foi codificado por uma string binária em que cada concentração e Ci j é expressada por um conjunto de 4(quatro) alelos binários. Desta forma o cromossoma foi definido como
![Page 18: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/18.jpg)
18 /Nunes & Guimarães 38
A Representação
Uma segunda forma de representação denominada cycle-wis e variable representation.
![Page 19: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/19.jpg)
19 /Nunes & Guimarães 38
Solução 1
Seleção dos pais: Método de roleta viciada.
CrossOver de dois pontos
Mutação bit-wise
![Page 20: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/20.jpg)
20 /Nunes & Guimarães 38
Solução 2
Adaptive Elitiist-Population based Genetic Algorithm – AEGA, foi utilizado.
Ajuste do tamanho da população de forma adaptativa com o objetivo de buscar pelo menos um indivíduo em cada pico e realizar esta busca em paralelo para todos os picos.
Operadores genéticos:
Operador de crossover elitista
Operador de mutação elitista.
![Page 21: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/21.jpg)
21 /Nunes & Guimarães 38
Direção relativa entre dois cromossomos
![Page 22: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/22.jpg)
22 /Nunes & Guimarães 38
A Operação Crossover
Se pais e filhos estiver na mesma base de atração
Eliminar o menos apto
Escolher os dois mais aptos
![Page 23: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/23.jpg)
23 /Nunes & Guimarães 38
A Operação Elistista de Mutação
Escolha randômica
Indivíduo, Posição do cromossomo e Valor
Se filho estiver numa área do espaço de solução não explorado
Mantém pai e filho na próxima geração
Caso contrário
Mantém o mais apto
![Page 24: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/24.jpg)
24 /Nunes & Guimarães 38
Referências
[1] DARWIN, C. A Origem das Espécies. LELLO & IRMÃO-EDITORES, 1859.
[2] HAUPT, R.; HAUPT, S. E. Practical Genetic Algorithms. Wiley, 2th edition, 2004.
[3] KHAN, H. F. e. a. Solving tsp problem by using generic algorithm. International Journal of Basic & Applied Sciences, 9(10):79–88, 12 2009.
[4] Liang, Y.; Lueng, K.; Mok, T. S. K. Automating the drug scheduling with differente toxicity clearance in cancer chemotherapy via evolutionary computation. Genetic and Evolutionary Computation Conference, 2006.
![Page 25: Algoritmos Genéticos na Prática](https://reader033.vdocuments.pub/reader033/viewer/2022061222/54c2f99b4a795924068b46ad/html5/thumbnails/25.jpg)
25 /Nunes & Guimarães 38
Referências
[5] LINDER, R. Algoritmos Genéticos. Brasport, 2th edition, 2008.
[6] PACHECO, Marco Aurélio e FUKASAWA, R. resolução do problema do entregador viajante. In: Revista de Inteligência Computacional Aplicada - PUC Rio, 2010.
[7] Petrovski, A.; MacCall, J. Smart problema solving environmnt for medical decision support. Genetic and Evolutionary Computation Conference, 2005.