Exercício 2

Aplicação De Algoritmos Evolutivos

Romualdo André da Costa@romualdoandre

Introdução

Shifted SphereShifted Rastrigin's Function

Labirinto

DEAP

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

Representação binária

● Biblioteca bitstring● 32 bits● Crossover em dois pontos● Mutação flip bit● Seleção (μ+λ)● Torneio

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/

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

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.

Labirinto

● d, e, c e b● Mutação swap● Crossover de dois pontos● Máximo de 100 passos● Multi objetivo: passos e distância● Paredes● Torneio

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)

Resultados

Discussão

● + população && + mutação = + diversidade● Mínimos locais● Animação!