Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouCarolina Gabeira Bernardes Alterado mais de 8 anos atrás
2
1 Otimização por Algoritmos Genéticos: Introdução Prof. Marco Aurélio C. Pacheco
3
2 O que otimização? 1. Encontrar (buscar) “a” solução ótima? 2. Melhorar a solução que se possui? Problemas: 1. Em alguns problemas não se conhece o ótimo. 2. O ótimo pode ser muito difícil, ou mesmo impossível, de ser alcançado.
4
3 O que otimização? 1. Aumentar a rentabilidade do negócio; 2. Reduzir gastos, multas, perdas etc; 3. Melhorar a eficiência de um processo.
5
4 Quais as entidades da otimização? 1. O problema: suas características, restrições e variáveis. 2. As variáveis do problema cujos valores afetam a qualidade da solução. 3. A função objetivo que mede (calcula) o quão boa é uma solução. 4. Um método, algoritmo ou heurística para buscar soluções. 5. O Espaço de busca: o número total de soluções de um problema, que é determinado pelo número de variáveis e seus domínios. 6. Recursos computacionais para processamento do método, avaliação das soluções, tratamento das características do problema e escolha da melhor solução.
6
5 Quais as entidades da otimização? 1. Problema: Cabra Cega 2. Método: Aleatório + Intelectual ( SE ISSO ENTÃO AQUILO ) 3. Variáveis: x e y (minha posição numa área qualquer) 4. Função objetivo: tá quente, tá morno, tá frio (minha distância Euclidiana ao tesouro!) 5. Espaço de busca: lUma área (sala, varanda, pátio etc) lNúmero de soluções: A = (domínio-x. domínio-y) m 2 6. Recursos computacionais: meu cérebro
7
6 Qual a importância da otimização? 1. A otimização é essencial para aumentar o desempenho e a eficácia de qualquer processo em qualquer business. 2. Aumentar a competitividade nos negócios implica na melhoria de determinados processos (não em achar o ótimo) em relação à concorrência. 3. A otimização deve ser prática e flexível de modo a ser empregada em qualquer processo, a qualquer tempo (dinâmica).
8
7 Quais métodos mais comuns de otimização? 1. Busca aleatória (exaustiva, quando há tempo!). 2. Busca aleatória + heurísticas + bom senso. 3. Heurística gulosa. 4. Métodos e algoritmos científicos.
9
8 Quais métodos mais comuns de otimização? 1. Programação Matemática 2. Busca Tabu (Tabu Search) 3. Simulated annealing. 4. Programação por Restrição. 5. Algoritmos Genéticos - fácil de: aplicar, alterar, incluir regras, implementar, etc.
10
9 Inteligência Computacional Aplicada
11
10 percepção, raciocínio, aprendizado, evolução e adaptação “Técnicas, modelos e sistemas computacionais imitam aspectos humanos e naturais que incorporam inteligência: percepção, raciocínio, aprendizado, evolução e adaptação”. O que é Inteligência Computacional?
12
11 l Sistemas Especialistas inferência humana Inspiração na Natureza
13
12 l Sistemas Especialistas l Lógica Fuzzy inferência humana processamento informação lingüística imprecisa Inspiração na Natureza
14
13 l Sistemas Especialistas l Lógica Fuzzy l Redes Neurais inferência humana processamento lingüístico neurônios biológicos Inspiração na Natureza
15
14 l Sistemas Especialistas l Lógica Fuzzy l Redes Neurais l Algoritmos Genéticos inferência humana processamento lingüístico neurônios biológicos evolução biológica Inspiração na Natureza
16
15 l Sistemas Especialistas l Lógica Fuzzy l Redes Neurais l Algoritmos Genéticos l Sistemas Híbridos inferência humana processamento lingüístico neurônios biológicos evolução biológica aspectos combinados Inspiração na Natureza
17
16 l Suporte à Decisão l Reconhecimento de Padrões l Previsão l Otimização l Controle l Modelagem l Planejamento l Detecção de Fraude Gestão do Conhecimento l Descoberta de Conhecimento (Data Mining) Novos Sistemas Computacionais
18
17 Áreas de Aplicação Energia Finanças Engenharia e Telecomunicações Medicina Meio-Ambiente Indústria Comércio
19
18 Algoritmos Genéticos
20
19 Conceitos Básicos busca/otimização seleção natural genética Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética.
21
20 Conceitos Básicos Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética. sobrevivência do mais apto cruzamento Combina sobrevivência do mais apto e cruzamento aleatório de informação
22
21 l Indivíduo l Cromossoma l Reprodução Sexual l Mutação l População l Gerações l Meio Ambiente l Solução l Representação l Operador Cruzamento l Operador Mutação l Conjunto de Soluções l Ciclos l Problema Analogia com a Natureza Evolução Natural Alg. Genéticos
23
22 adaptativoparalelo problemascomplexos Algoritmos Genéticos empregam um processo adaptativo e paralelo de busca de soluções em problemas complexos. Qual a finalidade de Algoritmos Genéticos?
24
23 l Adaptativo –informação corrente influencia a busca futura l Paralelo –várias soluções consideradas a cada momento l Problema Complexo –de difícil formulação matemática ou com grande espaço de busca (grande número de soluções) Qual a finalidade de Algoritmos Genéticos?
25
24 Exemplo: Maximizar f (x) = x 2 : encontrar x (0... 2 L -1) para f(x)=máx Problema Complexo 10 9 inst/seg
26
25 Exemplo: Maximizar f (x) = x 2 : encontrar x (0... 2 L -1) para f(x)=máx Problema Complexo 10 9 inst/seg
27
26 Exemplo: Maximizar f (x) = x 2 : encontrar x (0... 2 L -1) para f(x)=máx Problema Complexo 10 9 inst/seg
28
27 Exemplo: Maximizar f (x) = x 2 : encontrar x (0... 2 L -1) para f(x)=máx Problema Complexo 10 9 inst/seg
29
28 Exemplo: Maximizar f (x) = x 2 : encontrar x (0... 2 L -1) para f(x)=máx Problema Complexo 10 9 inst/seg
30
29 Problema da Cabra Cega Busca de objetivo escondido em uma área y0y0 Avaliação adapta a busca (X 0, Y 0 ) tá frio x0x0 tesouro x y
31
30 Problema da Cabra Cega Busca de objetivo escondido em uma área x1x1 y0y0 y1y1 Avaliação adapta a busca (X 0, Y 0 ) tá frio (X 1, Y 1 ) tá morno x0x0 tesouro x y
32
31 Problema da Cabra Cega Busca de objetivo escondido em uma área x1x1 x2x2 y0y0 y2y2 y1y1 Avaliação adapta a busca (X 0, Y 0 ) tá frio (X 1, Y 1 ) tá morno (X 2, Y 2 ) tá quente! x0x0 tesouro x y
33
32 Problema da Cabra Cega tesouroy x Área Muito Grande Busca Paralela
34
33 Problema da Cabra Cega xBxBxBxB xAxAxAxA yAyAyAyA y By By By B tesouroy x A B C D E Área Muito Grande Busca Paralela
35
34 Problema da Cabra Cega xBxBxBxB xAxAxAxA yAyAyAyA y By By By B y x B C D E cruzamento A tesouro
36
35 Problema da Cabra Cega xBxBxBxB xAxAxAxA yAyAyAyA y By By By B tesouroy x B C D E cruzamento xB,yA(xB,yA )xB,yA(xB,yA ) F A G xA,yB(xA,yB )xA,yB(xA,yB )
37
36 Seleção Seleção: privilegia os indivíduos mais aptos Operações Básicas
38
37 Seleção: privilegia os indivíduos mais aptos Reprodução Reprodução: indivíduos (ex: palavras binárias) são reproduzidos com base na aptidão Operações Básicas
39
38 Seleção: privilegia os indivíduos mais aptos Reprodução: indivíduos (ex: palavras binárias) são reproduzidos com base na aptidão Crossover Crossover: troca de genes (pedaços de palavras) Operações Básicas
40
39 Seleção: privilegia os indivíduos mais aptos Reprodução: indivíduos (ex: palavras binárias) são reproduzidos com base na aptidão Crossover: troca de genes (pedaços de palavras) Mutação Mutação: troca aleatória de um gene (bit da palavra) Operações Básicas
41
40 Problema: Achar o valor máximo para f (x) = x 2, x no limite de 0 a 63. ExemploExemplo
42
41 Problema: Achar o valor máximo para f (x) = x 2, x no limite de 0 a 63. Representação da Solução: Palavras binárias representando sucessivas potências de 2. 011100 Representa 28 110101 Representa 53 (uma solução mais apta) ExemploExemplo
43
42 Seleção em Algoritmos Genéticos População CromossomaPalavra A B C D 100100 010010 010110 000001 X 36 18 22 1 Aptidão (x 2 ) 1296 324 484 1
44
43 Seleção em Algoritmos Genéticos População CromossomaPalavra A B C D 100100 010010 010110 000001 X 36 18 22 1 Aptidão (x 2 ) 1296 484 1 A D C B Seleção Probabilidade Aptidão do de Seleção Cromossoma 324
45
44 Crossover 1 0 1 0 1 1 0 0 1 1 0 0 Operadores de Algoritmos Genéticos Pais
46
45 Crossover 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 Operadores de Algoritmos Genéticos PaisFilhos
47
46 Mutação Crossover 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 Operadores de Algoritmos Genéticos PaisFilhos Antes Depois 0 0 1 1 1 1 0 0 0 1 1 1
48
47 Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Ciclo do Algoritmo Genético
49
48 Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Pais Ciclo do Algoritmo Genético
50
49 Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Pais Reprodução Crossover Mutação Ciclo do Algoritmo Genético
51
50 Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 f( ) Pais Reprodução Filhos Avaliação dos Filhos Crossover Mutação Ciclo do Algoritmo Genético
52
51 Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 f( ) Pais Reprodução Filhos Avaliação dos Filhos Ciclo do Algoritmo Genético Evolução
53
52 Evolução dos Indivíduos Evolução
54
53 Aplicado em problemas complexos de otimização – de difícil modelagem matemática, com variedade de regras e condições, ou com grande número de soluções a considerar. AvaliaçãoAvaliação
55
54 Vantagens Técnica de busca global (evita mínimos locais) Otimização de problemas complexos e mal estruturados Dispensa formulação matemática precisa do problema Desvantagens Precisão na representação do cromossoma Evolução demorada em alguns problemas Modelagem depende do habilidade do especialista em GA AvaliaçãoAvaliação
56
55 Aplicações Industriais GENERAL ELECTRIC - Otimização de Projeto de Motores DC BRITISH GAS - Otimização da Distribuição de Gás BBN - Roteamento de Telecomunicações ATTAR - Planejamento da Programação de TV
57
56 Aplicações Comerciais CAP VOLMAC - Avaliação de Crédito e Análise de Risco S EARCH S PACE - Detecção de Fraude na Bolsa de Londres IOC - Planejamento dos Jogos Olímpicos CAP Gemini - Avaliação de Empréstimos e Financiamentos GWI - Modelagem Econômica World Bank - Geração de Regras de Negociação na Bolsa
58
57 EmpresaAplicação ONS1)GENESIS: GERAÇÃO DE ENERGIA ELÉTRICA E SISTEMA INTEGRADO DE SUPORTE À DECISÃO Souza Cruz 1)Fluxo de Caixa Inteligente PUC-Rio1)Alocação de Salas de Aula CVRD1)Projeto S4: Planejamento e Otimização de Embarque de Minério no Porto de Tubarão 2)Projeto S4-V2: Planejamento e Otimização de Embarque de Minério Porto de Tubarão Petrobras1)Otimização da Quantidade e Localização de Poços Petrolíferos para o Desenvolvimento de um Campo de Petróleo sob condições de certeza 2)ANEPI-1,2 e 3: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza 3)ANEPI-CI: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza em Campos Inteligentes 4)SMARt: Sistema Modular de Apoio à Decisão para a Otimização do Scheduling em Refinarias de Petróleo 5)PesCo E&P: Pesquisa Colaborativa em E&P em Campos Inteligentes Aplicações ICA
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.