métodos populacionais. mantém um conjunto de soluções candidatas e não só uma solução cada...
TRANSCRIPT
![Page 1: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/1.jpg)
Métodos Populacionais
![Page 2: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/2.jpg)
Métodos Populacionais
Mantém um conjunto de soluções candidatas e não só uma solução
Cada solução será modificada e avaliada Hill-Climbing paralelos ?? Uma solução afeta a outra Soluções ruins podem ser descartadas ou Mover para as soluções boas
![Page 3: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/3.jpg)
Computação Evolutiva
Inspiração libre de conceitos da biologia, genetica e evolução
Originam algoritmos evolutivos (AEs) A maoria dos Eas: Generacionais : atualizam a população uma vez a cada
iteração “ Steady-State”: Atualizam poucas soluções a cada
iteração
Aes: Algoritmos Geneticos (AG), Estategias Evolutivas (EE)
![Page 4: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/4.jpg)
Ambientação
ModeloComputa-
cional
Natureza
ModeloBiológico
Teoria de Darwin
Teoria de Computação Evolucionária
![Page 5: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/5.jpg)
Ramos
Estratégias Evolucionárias: ênfase na auto-adaptação. O papel da recombinação é aceito, mas como
operador secundário. Programação Evolutiva:
Previsão do comportamento de máquinas de estado finitas. Algoritmos Genéticos:
Indivíduos contém um genótipo formado por cromossomos Programação Genética
Evolução de programas Estimativa de Distribuição
AG competentes
![Page 6: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/6.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Computação Evolucionária
Computação Evolucionária
ProgramaçãoEvolucionária
EstratégiasEvolucionárias
Algoritmos Genéticos
Programação Genética
![Page 7: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/7.jpg)
Terminologia Indivíduo Filho, pais
População
Fitness Genotipo ou genoma
Chromossomo Gene
Allelo Fenotipo
geração
Solução CandidataUm filho é uma modificação dos
paisUm conjunto de soluções
candidatasQualidadeEstrutura de dados do indivíduoUm genotipoUma posição particular do
genomaUm valor do geneSua representação no problemaiteração
![Page 8: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/8.jpg)
Computação Evolutiva
As tecnicas de Computação Evolutiva são geralmente tecnicas de re-amostragem: novas amostras (soluções, indivíduos) são gerados ou revisados de acordo a os resultados dos antigos
![Page 9: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/9.jpg)
AE Generacional
Construir uma população inicial Itera 3 procedimentos Avaliação de fitness de todos os indivíduos Utiliza esta informação para gerar os filhos Junta filhos e pais para formar a nova geração
O ciclo continua
![Page 10: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/10.jpg)
Algoritmo Evolutivo
![Page 11: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/11.jpg)
Observações
O processo de avaliar é feito para producir novos ..
AEs diferem em como é feita Breed.. producir os filhos Join..nova população
Breed: Seleção de pais Modificação..Mutação ou Recombinação Join...Substituição dos pais
![Page 12: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/12.jpg)
Visão Geral doAlgoritmo Evolucionário
população depais
população defilhos
solução
seleção
recombinação
![Page 13: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/13.jpg)
População Inicial
Criar indivíduos aleatoriamente Se você conhece boas regiões crie nessas
regiões...bias Seja cuidadoso porque pode ser que essas
regiões não sejam as melhores Inclua um grau significante de aleatoriedade
uniforme
![Page 14: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/14.jpg)
Estratégias Evolutivas
Desenvolvida por Rechenberg, Schwefel, etc. em 1960.
Foco: Otimização de parâmetros de valores reais
Individuo: vetor de parâmetros de valores reais
![Page 15: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/15.jpg)
Algoritmo (µ,λ)
Inicia com uma população λ, aleatoria Iterar
Avaliação de Fitness Os μ melhores ficam (seleção por truncamento) Cada indivíduo gera filhos λ/μ (mutação) Os filhos substituem os pais, que são descartados
![Page 16: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/16.jpg)
![Page 17: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/17.jpg)
Algoritmo (µ,λ)
Exploração x Explotação λ, controla numero de amostras de cada
individuo, para valores altos busca aleatoria Μ controla seleção, isto é, explotação dos
melhores indivíduos que sobrevivem O grau de mutação, vizinhança maior ou menor
![Page 18: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/18.jpg)
Mutação
![Page 19: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/19.jpg)
Taxa de Mutação Adaptativa σ2, mudar conforme sucessos, mas exploração ou explotação Operadores auto-adaptativos, evoluem junto com os
indivíduos Regra 1-5, Ingo Rechenberg:
– Se mais de 1/5 dos filhos são de melhor qualidade que os pais, explotação de um otimo local, aumentar σ2
– Se menos de 1/5 dos filhos são de melhor qualidade que os pais, muita exloração, dimuir σ2
– Se exatamente 1/5 dos filhos são de melhor qualidade que os pais, não mude nada
![Page 20: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/20.jpg)
Historia
• Programação Evolutiva:• Desenvolvida por Fogel in 1960• Objetivo: evoluir comportamento inteligente• Indivíduos: Maquina de estado finita, grafos• Filhos via mutação das MEF• M pais, M filhos
![Page 21: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/21.jpg)
Historia
• Algoritmos Genéticos:• Desenvolvidos por Holland em 1960s• Objetivo: robustos, sistemas adaptativos • Utiliza uma codificação “genética” de pontos• Similar a Estratégias Evolutivas
![Page 22: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/22.jpg)
![Page 23: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/23.jpg)
Cruzamento
• Pai 1: 10101010110101010111• Pai 2: 00001001010101110010• Cruzamento em um ponto
– 10101010110101110010, 00001001010101010111
![Page 24: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/24.jpg)
![Page 25: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/25.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Exemplo de Cruzamentocom dois pontos de cruzamento
1 1 0 0 0 0 0 0 1 0 0 1 0 1 0 1
1 0 0 0 0 1 0 01 1 0 1 0 1 0 1
Duas posições são sorteadas para a troca do material genético que está localizado entre eles:
![Page 26: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/26.jpg)
![Page 27: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/27.jpg)
Cruzamento Uniforme
![Page 28: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/28.jpg)
![Page 29: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/29.jpg)
Cruzamento x Mutação Global
Building blocks
linkage
![Page 30: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/30.jpg)
![Page 31: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/31.jpg)
Mutação
• Com probabilidade Pm flip um bit• Este operador e utilizado com baixa
probabilidade
![Page 32: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/32.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Seleção Proporcional - Roleta• Especifica a probabilidade de que cada indivíduo seja
selecionado para a próxima geração
fi é o valor de aptidão do indivíduo
- valor acumulado de aptidão de todos os indivíduos da população (n)
ii n
jj
fp
f
n
jj
f
![Page 33: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/33.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Roleta• Cada indivíduo da população recebe uma porção da roleta
proporcional ao seu valor pi;
• O sorteio dos elementos é feito através de um “jogo de roleta”, onde a probabilidade de cada indivíduo ser selecionado é proporcional ao seu fitness.
23%
15%
17%12%
23%
10%
![Page 34: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/34.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Roleta
• Pode ocorrer que os indivíduos que possuem melhor fitness não sejam selecionados, pois sua chance de escolha não é de 100%;
• Porem eles são selecionados mas frequentemente
![Page 35: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/35.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Ranking
• Os indivíduos são ordenados de acordo com seu fitness;– Indivíduo menos adaptado -> valor 1– Indivíduo mais adaptado -> valor igual número de indivíduos da
população.• Em seguida, a cada indivíduo i é associada uma probabilidade
pi de ser escolhido.
5%
19%
14%
24%
10%
28%
Problema de minimização menor fitness = maior
probabilidade
![Page 36: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/36.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Torneio
• Um número p de indivíduos da população é escolhido aleatoriamente para formar uma sub-população temporária;
• Deste grupo, é selecionado o melhor indivíduo.
![Page 37: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/37.jpg)
Elitismo
• Elitismo (Michalewicz and Schoemauer, 1996), uma porcentagem da população com os melhores fitness é preservada para a próxima geração automaticamente
![Page 38: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/38.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Exemplo 1
• Utilize AG para encontrar o máximo da função:
2( )
. :
f x x
0 x 31s a
x inteiro
f(x)
0
200
400
600
800
1000
0 5 10 15 20 25 30 35
![Page 39: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/39.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Codificação Binária• Decimal -> Binário Exemplo: 25
O número 25 escrito em código binário, fica representado pelos 0’s e 1’s, lendo-se debaixo para cima:
(1 0 0 0 1)
![Page 40: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/40.jpg)
Luzia Vidal de Souza – UFPR – Meta-Heurísticas
Algoritmo Genético
• Passo 1: Gerar a população inicial;
Binário Decimal:
Exemplo: (1 1 0 0 1) = 1x24+1x23+0x22+0x21+1x20=16+8+0+0+1=25
![Page 41: Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc12a497959413d8ce0aa/html5/thumbnails/41.jpg)
Exemplo 2
• 8 bits• Tamanho da população = 6• Probabilidade de Cruzamento = 0,85• Probabilidade de Mutação = 1/8