Algoritmos Genéticos Algoritmos Genéticos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Maio/2008.

Apresentação em tema: "Algoritmos Genéticos Algoritmos Genéticos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Maio/2008."— Transcrição da apresentação:

1 Algoritmos Genéticos Algoritmos Genéticos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Maio/2008

2 Algoritmos Genéticos Exemplo FUNÇÃO OBJETIVO : Exemplo extraído de Davis (1991)

3 Algoritmos Genéticos Representação Real x Binária Cromossomo Binário: Cromossomo Real: (-17,85; 11,04) Representação do ponto x = -17,85 e y = 11,04 01101001001001101000001000111000100001110010 17227842328690 -17,85 11,04 x y

4 Algoritmos Genéticos Representação Binária É historicamente importante, foi utilizado nos trabalhos pioneiros de Holland (1975). A representação tradicional. Fácil de usar e manipular. Simples de analisar teoricamente. Não há uniformidade nos operadores.  Mutação nos primeiros bits do gene afeta mais a aptidão que mutação nos últimos bits do gene

5 Algoritmos Genéticos Representação Real Para um ser humano é mais natural do que uma cadeia de bits. Cromossomos compactos e com precisão numérica padrão (IEEE 754). Vários autores tem obtido desempenho melhor com representação real do que com representação binária. Permite larga variedade de operadores.

6 Algoritmos Genéticos Operadores para Representação Real Crossover´s convencionais  n-Pontos, uniforme  Não criam novas informações (i.e. novos números reais). Crossover´s aritméticos  Operadores que realizam operações aritméticas entre os parâmetros. Baseados da direção (usam derivadas)

7 Algoritmos Genéticos Crossover Média (1/2) (Davis, 1991) Dado dois cromossomos p 1 = (p 11, p 12,..., p 1l ) p 2 = (p 21, p 22,..., p 2l ) é produzido um cromossomo onde c = (c 1, c 2,..., c l ).

8 Algoritmos Genéticos Crossover Média (2/2) Tende a levar os genes para o centro do espaço de busca causando perda de diversidade. Não extrapola para além da região da população inicial. Este problema é melhorado com o blend crossover ( BLX- .

9 Algoritmos Genéticos Blend Crossover (BLX-  ) (1/4) (Eshelman e Shaffer, 1993) Dado dois cromossomos p 1 e p 2, é produzido um cromossomo c da seguinte forma: onde   U(- ,1+  ). Onde U representa uma distribuição uniforme. Tipicamente  = 0,5 ou 0,25

10 Algoritmos Genéticos Blend Crossover (BLX-  ) (2/4) Exemplo p 1 = (30,173; 85,342) p 2 = (75,989; 10,162)  = 0,5 e  = 1,262 c 1 = 30,173 +1,262(75,989-30,173) = 87,993 c 2 = 85,342 +1,262(10,162-85,342) = -9,535 assim, c = (87,993; -9,535).

11 Algoritmos Genéticos Blend Crossover (BLX-  ) (3/4) Usando o mesmo  para cada parâmetro

12 Algoritmos Genéticos Blend Crossover (BLX-  ) (4/4) Usando  diferente para cada parâmetro  define a região de possíveis filhos Parâmetro 1 Parâmetro 2 possível filho pa i

13 Algoritmos Genéticos Crossover Linear (Wright, 1991) Gera três filhos: Apenas o melhor dos três filhos é escolhido, os outros dois são descartados.

14 Algoritmos Genéticos Operadores Genéticos de Michalewicz (Michalewicz, 1994)  Crossover Simples  Crossover Aritimético  Crossover Heurístico  Mutação Uniforme  Mutação de Limite  Mutação Não-uniforme  Mutação Não-uniforme Múltipla

15 Algoritmos Genéticos Crossover Simples É uma variação do crossover convencional de 1 ponto adaptado para representação real.

16 Algoritmos Genéticos Crossover Aritmético  Este operador difere do crossover BLX- . por não extrapolar o intervalo entre p 1 e p 2 onde   U(0,1).

17 Algoritmos Genéticos Crossover Heurístico (1/2)  Extrapolação linear entre os pais usando a informação da aptidão.  Evita que o crossover aritmético leve os genes para o centro do intervalo. onde r ~ U(0,1). Caso o crossover produza um filho infactível, gera-se outro número aleatório r.

18 Algoritmos Genéticos Crossover Heurístico (2/2)

19 Algoritmos Genéticos Mutação Uniforme  Substitui um gene por um número aleatório.  Mutação no j-ésimo gene (aleatoriamente escolhido) do cromossomo p: onde a i e b i representam os limites do intervalo permitido para o gene c i

20 Algoritmos Genéticos Mutação de Limite  Substitui o gene por um dos limites do intervalo factível [ a i,b i ]. onde r  U(0,1).  Evita que o crossover aritmético leve os genes para o centro do intervalo factível [a i,b i ].

21 Algoritmos Genéticos Mutação Não-Uniforme  Substitui um gene por um número extraído de uma distribuição não-uniforme. onde r 1 e r 2  U(0,1), G é o número da geração.

22 Algoritmos Genéticos Mutação Não-Uniforme Múltipla Aplicação do operador mutação não- uniforme em todos os genes do cromossomo p.

23 Algoritmos Genéticos Mutação Gaussiana  Substitui o gene por um número aleatório de uma distribuição gaussiana. onde N(p i,  ) é uma distribuição normal com média p i e desvio padrão .  Pode-se diminuir o valor de , à medida que aumenta a número de gerações (imitando a redução de temperatura no Recozimento Simulado).

24 Algoritmos Genéticos Mutação Creep Adiciona ao parâmetro pequeno valor aleatório (obtido de uma distribuição uniforme ou normal) Provoca uma pequena pertubação nos genes a fim de levá-los mais rapidamente ao máximo local.

25 Algoritmos Genéticos Exemplo Problema da Unidade de Emergência Médica  Qual a melhor localização da Unidade Emergência médica em uma cidade?  Cada bairro possui uma frequência de chamadas de emergência diferente.

26 Algoritmos Genéticos Exemplo Cidade 84553442 35921364 18787832 35891543 43579673 21937396 47937812 1 km 8 Bairro Frequência de chamadas de emergência do bairro. Legenda

27 Algoritmos Genéticos Exemplo Cromossomo (representação real) Função Objetivo

28 Algoritmos Genéticos Exemplo Adicionando restrições ao problema 84553442 35921364 18787832 35891543 43579673 21937396 47937812 v v rio pontes