exercício 2: aplicações de algoritmos evolutivos
TRANSCRIPT
![Page 1: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/1.jpg)
Exercício 2
Aplicação De Algoritmos Evolutivos
Romualdo André da Costa@romualdoandre
![Page 2: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/2.jpg)
Introdução
Shifted SphereShifted Rastrigin's Function
Labirinto
![Page 3: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/3.jpg)
DEAP
![Page 4: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/4.jpg)
Representação Real
● População aleatória com distribuição uniforme● Crossover BLX-α (Eshelman e Shaffer, 1993)
– c = p 1 + β ( p 2 − p 1 )
– Β U (- α ,1+ α )∈● Mutação Gaussiana● Seleção (μ+λ)● Torneio
![Page 5: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/5.jpg)
Representação binária
● Biblioteca bitstring● 32 bits● Crossover em dois pontos● Mutação flip bit● Seleção (μ+λ)● Torneio
![Page 6: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/6.jpg)
Hill Cimbing with Random Restarts
● Essentials of Metaheuristics (Luke, 2009)● Função tweak: mutação gaussiana
Fonte: http://echorand.me/2010/03/14/hill-climbing-a-simple-optimization-method/
![Page 7: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/7.jpg)
Resultados (Shifted Sphere)População (float) Cx=0.5, mut=0.5 Cx=0.7, mut=0.3
Melhor/média Melhor/média100 2561.98/2561.98 3117.88/3118.15
200 2012.73/2012.73 2180.09/2180.09
População (bin) Cx=0.5, mut=0.5 Cx=0.7, mut=0.3Melhor/média Melhor/média
100 277689/277689 275453/277537200 280273/280273 284555/284555
Avaliações (Hill)
Melhor
30300 308915.0760600 180710.75
![Page 8: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/8.jpg)
![Page 9: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/9.jpg)
Discussão
● Representação● Mutação e crossover binários não conseguem
variedade o suficiente.● Tweak não explora o espaço de busca.● Hill Climbing: menos memória, mais lento para
convergir.● Preso em mínimos locais.
![Page 10: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/10.jpg)
Labirinto
● d, e, c e b● Mutação swap● Crossover de dois pontos● Máximo de 100 passos● Multi objetivo: passos e distância● Paredes● Torneio
![Page 11: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/11.jpg)
Resultados
População Cx=0.5, mut=0.5 Cx=0.7, mut=0.3
Melhor/média (distância, passos)
Melhor/média (distância, passos)
100 (0, 55),(0, 55) (0, 73), (0, 73)
200 (0, 48), (0, 48) (0, 52), (0, 52)
![Page 12: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/12.jpg)
Resultados
![Page 13: Exercício 2: Aplicações de Algoritmos Evolutivos](https://reader037.vdocuments.pub/reader037/viewer/2022100416/55b038231a28ab2e6c8b4815/html5/thumbnails/13.jpg)
Discussão
● + população && + mutação = + diversidade● Mínimos locais● Animação!