Material adaptado de http://www.dca.ufrn.br/~estefane/metaheuristicas/ Algoritmos Geneticos Material adaptado de http://www.dca.ufrn.br/~estefane/metaheuristicas/

Apresentação em tema: "Material adaptado de http://www.dca.ufrn.br/~estefane/metaheuristicas/ Algoritmos Geneticos Material adaptado de http://www.dca.ufrn.br/~estefane/metaheuristicas/"— Transcrição da apresentação:

1 Material adaptado de http://www.dca.ufrn.br/~estefane/metaheuristicas/
Algoritmos Geneticos Material adaptado de

2 Problemas de Permutação
Em muitos problemas de otimização a meta é encontrar um ordenamento eficiente de ações ou tarefas. Exemplos: Problema do Caixeiro Viajante Problemas de Agendamento Coloração de Grafos

3 Problema do Caixeiro Viajante
Dado N cidades, achar a caminho mais curto passando por todas as cidades uma única vez. PCV é NP-dificil

4 Representação do PCV As cidades são representadas diretamente no cromossomo. Cromossomos A C D F G E B A C D F G E B

5 Operadores de Permutação
Order-Based Mutation Position-Based Mutation Scramble Mutation OBX (Order-Based Crossover) PBX (Position-Based Crossover) PMX (Partially Matched Crossover) CX (Cycle Crossover) OX (Order Crossover)

6 Mutação de Permutação A C D E F G B A C D F G B E
Position-Based Mutation : retira o elemento da posição i e insere na posição j A C D E F G B Order-Based Mutation : troca o elemento da posição i com o elemento na posição j A C D F G B E

7 Mutação de Permutação A F G B E C D
Scramble Mutation - Uma sublista, aleatoriamente selecionada, é embalharada. A F G B E C D

8 Order-Based Crossover (OBX)
Elementos são selecionadas aleatoriamente. É imposta uma ordem nos elementos selecionadas do pai1 igual a ordem dos respectivos elementos em pai2. pai1 A B C D F E G pai2 C E G A D F B * * * filho1 A D C F B E G filho2 C A G D E F B

9 Position-Based Crossover (PBX)
Elementos são selecionadas aleatoriamente e a posição dos elementos selecionadas no pai2 é imposto ao pai1. B A E G F C D pai1 pai2 filho1 filho2 *

10 Partially Matched Crossover (PMX)
Realiza trocas no sentido de pai1 para pai2 e depois no sentido inverso, isto é, de pai2 para pai1, para evitar cromossomos inválidos. pai1 A F G B E C D pai2 filho1 filho2

11 O Problema da Mochila zero-um
(do inglês, 0-1 knapsack problem) 𝑧= 𝑗=1 𝑛 𝑐 𝑗 𝑠 𝑗 Maximizar 𝑗=1 𝑛 𝑤 𝑗 𝑠 𝑗 <𝑏 Sujeita a 𝑠 𝑗 ∈ 0,1 Uma solução s é um vetor de uns e zeros. Se o objeto j está mochila então sj = 1, caso contrário sj = 0. Uma solução s é um vetor de uns e zeros. Se o objeto j está mochila então sj = 1, caso contrário sj = 0.

12 Algoritmo Genético Cromossomo Operadores binários padrão
A solução s (um vetor de uns e zeros) é naturalmente representada por um cromossomo binário. Operadores binários padrão Crossover de 1-ponto (ou 2-pontos, etc) Mutação (invertendo os bits)

13 Uma Instância do Problema da Mochila
Capacidade da mochila: (cromossomo válido) peso = = 23 < 25 função objetivo = = 16 (inválido) peso = 36 > 25 Função objetivo = ?

14 Como Lidar com Indivíduos Inválidos?
Solução 1 – reparar o indivíduo Solução 2 – penalizar a função objetivo

15 Reparando o Indivíduo 1 1 1 1 1 0 0 1 desprezar
Indivíduo inválido peso = 36 > 25 Função objetivo = 16 Indivíduo “reparado” Peso = 24 (ok!) Função objetivo = 12 desprezar visitar cada bit da esquerda para a direita e desprezar os bits que invalidam a solução.

16 Reparando o Indivíduo Por qual ordem dos bits devem ser visitados?
Da esquerda para direita? No sentido oposto? Aleatoriamente? Algoritmo Guloso Visitar primeiro os bits com a maior razão benefício/peso; Pode produzir melhores resultados.

17 Penalizando a Função Objetivo
Um exemplo de penalidade é: Onde a é um coeficiente de penalidade igual a: Objetos que ultrapassam a capacidade da mochila são penalizados.

18 Penalizando a Função Objetivo
Exemplo peso = 36 > 25 Função original = 16 Função com penalidade = 16 – 14 x (36-25) = -138

19 Discussão

20 Principais Tópicos População Inicial Funções Objetivo de Alto Custo
Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição Problemas na Aptidão Ranking Seleção por Torneio Amostragem Estocástica Uniforme

21 População Inicial (1/3) Gerada Aleatoriatoriamente.
Gerada uniformente em uma grade. Gerada com tendenciosidade para regiões promissoras do espaço de busca

22 População Inicial (2/3) 1a. metade 2a. metade 1011010 0100101 0111011
Para garantir que toda posição da cadeia tem 0 e 1 na população: Gera a primeira metade da população aleatoriamente. Inverte todos os bits da primeira metade: tem-se a segunda metade. 1a. metade 2a. metade 100010

23 População Inicial (3/3) Seeding: insere a solução obtida por outro método de otimização na população inicial (garante que AG não fará pior do que o outro método) Iniciar com uma larga população inicial e depois reduzir o tamanho.

24 Convergência Prematura (1/2)
O AG converge para um mínimo/máximo local.

25 Convergência Prematura (2/2)
Causas: Excessivo números de filhos de um mesmo indivíduo (o superindivíduo) Perda de diversidade. Deriva Genética (Genetic Drift) Desaparecimento de genes na população devido puramente ao acaso. Ocorre principalmente em pequenas populações. Alta pressão de seleção.

26 Diversidade (1/2) Combatendo a perda de diversidade
Aumentar a taxa de mutação. Evitar cromossomos duplicatas na população. Diminuir a pressão da seleção.

27 Diversidade (2/2) Combatendo a perda de diversidade
Controlar o número de filhos do superdíviduo (indivíduo com alta aptidão, mas não com aptidão ótima) usando: Ranking. Escalonamento. Seleção por torneio.

28 Tipos de Substituição Substituição Geracional
Substituição Geracional com Elitismo Substituição de Regime Permanente (do inglês steady state)

29 Substituição Geracional
Seja N o tamanho da população: Os N pais são substituídos pelos N filhos em cada geração. Os N pais são substituídos por N individuos do conjunto união de pais e filhos. Comentário: o segundo caso aumenta a pressão de seleção.

30 Substituição Geracional com Elitismo
Os k < N melhores pais nunca são substituídos. Tipicamente k = 1 Aumentando k aumenta a pressão de seleção (risco de convergência prematura).

31 Substituição de Regime Permanente (1/2)
Em cada “geração” apenas 2 (ou 1) filhos são gerados e substituem: Os 2 piores indivíduos da população. Os pais. Os 2 indivíduos mais velhos (i.e., que estão a mais tempo da população), pois já transmitiram os seus genes. Taxa de crossover é geralmente alta (~1).

32 Substituição de Regime Permanente (2/2)
Alternativamente, k < N filhos são gerados e substituem os k piores indivíduos. Evitar inserir um filho na população quando já existe uma duplicata dele na população.

33 Problemas na Aptidão (1/3)
Aptidão negativa não funciona com a roleta. Aptidão excessivamente alta Poucos individuos ocupando larga fatia da roleta Muitos individuos ocupando pequena fatia da roleta Causa convergência prematura Solução: controlar o número de filhos do superindivíduo. .

34 Problemas na Aptidão (2/3)
Resolução insuficiente para diferenciar os melhores dos piores individuos. A seleção torna-se aleatória (Passeio ao Acaso). Convergência lenta

35 Problemas na Aptidão (3/3)
Exemplo: Soluções Expandir o intervalo da aptidão (usando ranking, escalamento linear) Seleção por torneio

36 Ranking Linear (1/3) Onde i é o índice do cromossomo na população em ordem decrescente de valor da função objetivo. Ranking linear requer: 1    Max    2 Max + Min = 2 Valores bons para Max: de 1.2 a 1.5

37 Ranking Linear (2/3)

38 Ranking Linear (3/3) Controlando a pressão da seleção por Ranking linear: maior pressão => mais intensificação; menos pressão => mais diversificação.

39 Ranking Exponencial 𝑓 𝑖 =𝑞(1−𝑞 ) 𝑖−1 q  [0, 1] e i é o índice do cromossomo na população em ordem decrescente de valor da função objetivo. Ranking exponencial permite maior pressão de seleção do que o ranking linear.

40 Escalonamento Linear onde g é o valor da função objetivo
a e b são determinados tal que o número máximo de filhos do melhor indivíduo seja no máximo igual a C (onde tipicamente C = 2)

41 Seleção por Torneio Escolhe-se k (tipicamente 2) indivíduos aleatoriamente da população e o melhor é selecionado. Não é proporcional a aptidão, Não é necessário roda da roleta, escalamento da aptidão ou ranking.

42 Seleção por Torneio Os indivíduos são selecionados para os torneios com igual probabilidade. O torneio é vencido pelo indivíduo com maior aptidão

43 Seleção por Torneio Aumentando o tamanho k do torneio acarreta:
Aumento da pressão de seleção. Risco de convergência prematura. Por isso, o torneio binário é o mais utilizado.

44 Seleção por Torneio Seleção por torneio com probabilidades (Reduz ainda mais a pressão de seleção) O melhor indivíduo do torneio é selecionado com probabilidade p > 0,5 O segundo melhor é selecionado com probabilidade p(1-p) O terceiro é selecionado com probabilidade p(1-p)2 e assim por diante...

45 Amostragem Estocástica Uniforme
Evita a grande variância de filhos esperados do método da roleta (é tão perfeito quanto possivel) N ponteiros igualmente espaçados. e d a c Pais selecionados b a a b c d

46 Critérios de Parada Atingiu um dado número de gerações ou avaliações.
Encontrou a solução (quando esta é conhecida). Perda de diversidade. Convergência: não ocorre melhora significativa na solução durante um dado número de gerações.

47 Funções Objetivo de Alto Custo (1/3)
Em muitos problemas do mundo real o custo computacional do AG está concentrado na avalição do individuo. Exemplo: Simulação completa de um processo. Um treinamento de uma rede neural.

48 Funções Objetivo de Alto Custo (2/3)
Dicas para reduzir o números de reavaliações do indivíduo: Evitar cromossomos iguais na população inicial. Verificar se o filho já existe nas populações passadas e na atual. Verificar se filho = pai (e.g. checar se crossover e mutação foi aplicado). Manter a população com cromossomos distintos.

49 Funções Objetivo de Alto Custo (3/3)
Simplificar a função objetivo (pelo menos nas gerações iniciais) Usar um método de subida de encosta quando o AG já encontrou as regiões promissoras do espaço de busca (nas gerações finais).

50 Como os Algoritmos Genéticos Funcionam

51 Esquemas Cadeias formadas por três símbolos: 0, 1, e *
O simbolo * (um curinga) significa 0 ou 1. Em inglês, o simbolo * é chamado de “don't care”.

52 Esquemas O número esperado de esquemas H na geração seguinte (sem levar em conta a destruição causada pelo crossover e mutação) é dado por: onde: m é o número de cromossomos da população atual que contém o esquema H b é a média das aptidões de toda população a é a média das aptidões dos cromossomos que contém o esquema H

53 Esquemas H1 = 1**** está presente em A1, A2 e A3: m1 = 3
𝑎 1 = =3 𝑏= =5 𝑚 ′ 1 =3× 3 5 =1,8 É esperado que esquema H1 esteja presente em 1,8 indivíduos na geração seguinte.

54 Esquemas H3 = *0*01 está presente em A3 e A4.
𝑚 ′ 3 =2× ×5 =3 Na geração seguinte, espera-se ter três indivíduos com H3 na população. Conclusões: H3 (acima da aptidão média) aumenta na geração seguinte. H1 (abaixo da aptidão média) diminui na geração seguinte.

55 Tamanho do Esquema O tamanho do esquema H , denotado por (H), é a diferença entre a última posição ocupada por 1 ou 0 e a primeira posição ocupada por 1 ou 0. Exemplos, H1 = 1****, (H1) = 0 H2 = **10*, (H2) = 1 H3 = *0*01, (H3) = 3 (H) representa o número de possíveis pontos de corte que destroi H.

56 Ordem do Esquema A ordem do esquema H , denotado por O(H), é o número de posições em H que não tem o símbolo *. Exemplos, H1 = 1****, O(H1) = 1 H2 = **10*, O(H2) = 2 H3 = *0*01, O(H3) = 3 O(H) representa o número de posições em que a mutação pode destruir H.

57 O Efeito Destrutivo do Crossover
(01*|**10) Um grande esquema em pai1 Um pequeno esquema em pai2 (***|*101) filho (01*|*101) O primeiro esquema está presente filho, mas o segundo esquema foi destruído pelo crossover. Conclusão: pequenos esquemas possuem maior probabilidade de sobrevivência.

58 O Efeito Destrutivo da Mutação
Esquemas de baixa ordem possuem maior probabilidade de sobrevivência ao operador de mutação.

59 Teorema dos Esquemas (Holland)
Mesmo considerando os efeitos destrutivos do crossover e mutação, este teorema afirma que: Esquemas pequenos e de baixa ordem contidos em bons cromossomos aumentam exponencialmente nas gerações seguintes, ao passo que esquemas contidos em cromossomos ruins tendem a desaparecer nas gerações seguintes.

60 A Hipótese dos Blocos de Construção
Blocos de construção são os esquemas pequenos e de baixa ordem. A hipótese: bons blocos de construção são passados de uma geração para outra e recombinados para formar cromossomos cada vez melhores.

61 Paralelismo implícito
AG manipula uma população de apenas N cadeias de bits, mas processa em paralelo grande número de esquemas (na ordem de O(N3) esquemas).

62 Problemas Deceptivos Não obedecem a Hipótese dos Blocos de Construção.
Genes com alta epitasia. São difíceis para os Algoritmos Genéticos resolver (e para outras técnicas de otimização também). São raros em problemas do mundo real.