Carregar apresentação
A apresentação está carregando. Por favor, espere
1
Computação Evolutiva: Programação Evolutiva
Pontifícia Universidade Católica do Paraná Curso de Especialização em Inteligência Computacional 2004/2005 Computação Evolutiva: Programação Evolutiva Luiz Eduardo S. Oliveira, Ph.D. PUCPR (2005) Computação Evolutiva
2
Introdução A Programação Evolutiva (PE) foi proposta por Fogel, Owens e Walsh em meados da década de 60 “Artificial Intelligence Through Simulated Evolution” Proposta original: Predição de comportamento de máquinas de estado finito. Predição PUCPR (2005) Computação Evolutiva
3
Introdução Procedure EC{ t = 0; Initialize P(t); Evaluate P(t);
While (Not Done) { Parents(t) = Select_Parents(P(t)); Offspring(t) = Procreate(Parents(t)); Evaluate(Offspring(t)); P(t+1)= Select_Survivors(P(t),Offspring(t)); t = t + 1; } Não existe cruzamento, somente mutação PUCPR (2005) Computação Evolutiva
4
Introdução Na PE, cada indivíduo gera um único descendente através de mutação. A melhor metade da população ascendente e a melhor metade da população descendente são reunidas para formar a nova geração PUCPR (2005) Computação Evolutiva
5
Introdução Diferentemente dos AGs, a PE enfatiza os desenvolvimento de modelos comportamentais Modelar o comportamento afim de prever o que pode acontecer (PREDIÇÃO). Capturar a interação do sistema com seu ambiente. PUCPR (2005) Computação Evolutiva
6
Maquinas de Estado Finito
Uma maneira comum de se prever uma ação consiste na análise de ações passadas. No contexto de uma máquina de estado finito, cada ação pode ser representada por um símbolo. Dado uma seqüência de símbolos, deve-se prever qual será o próximo símbolo. PUCPR (2005) Computação Evolutiva
7
Máquinas de Estado Finito
Assim como nos AGs, os símbolos devem pertencer a um alfabeto finito. Máquina de Estado Finito: Analisar a seqüência de símbolos Gerar uma saída que otimize uma dada função de fitness, a qual envolve a previsão do próximo símbolo da seqüência. Mercado financeiro, previsão do tempo, etc... PUCPR (2005) Computação Evolutiva
8
Máquinas de Estado Finito
Podem ser vistas como transdutores: Quando estimulado por um alfabeto finito de símbolos, responde com um outro alfabeto finito de símbolos e possui um número finito de estados. Alfabetos de entrada e saída não são necessariamente idênticos. PUCPR (2005) Computação Evolutiva
9
Máquinas de Estado Finito: Um Exemplo
Alfabeto de entrada de dois símbolos: I = {1, 0} Alfabeto de saída de três símbolos: O = {X, Y, Z} Máquina de três estados S = {A, B, C} PUCPR (2005) Computação Evolutiva
10
Máquinas de Estado Finito
Sub-conjunto das máquinas de Turing Capazes de resolver todos os problemas matemáticos de uma classe definida. Capazes de modelar ou representar um organismo ou um sistema. PUCPR (2005) Computação Evolutiva
11
Máquinas de Estado Finito Tarefa: Prever a próxima entrada
Medida da Qualidade: Número de previsões corretas Estado Inical: C Sequência de Entrada 011101 Sequência de Saida 110111 Qualidade: 3 de 5 S = {A,B,C} I = {0,1} O = {0,1} PUCPR (2005) Computação Evolutiva
12
Operados usados na PE Diferentemente dos AGs onde o cruzamento é um importante componente para a produção de uma nova geração, a mutação é o ÚNICO operador usado na PE. Cada membro da população sobre mutação e produz UM filho. PUCPR (2005) Computação Evolutiva
13
Mutação Cinco tipos de mutação podem ocorrer em uma máquina de estado finitos: O estado inicial pode mudar. O estado inicial pode ser eliminado. Um estado pode ser adicionado. Uma transição entre estados pode ser mudada. O símbolo de saída para um determinado estado e símbolo de entrada pode ser mudado. PUCPR (2005) Computação Evolutiva
14
Seleção Uma vez que cada pai gera um filho após a mutação, a população dobra de tamanho a cada geração. Após o cálculo da fitness, conserva-se a melhor metade dos pais e a melhor metade dos filhos. População de tamanho constante. PUCPR (2005) Computação Evolutiva
15
Seleção Nova População Pais Filhos Mutação Ranking PUCPR (2005)
Computação Evolutiva
16
Critério de Parada Fazer a predição utilizando o melhor indivíduo da população. Isso pode ocorrer a qualquer instante Se a fitness for satisfatória (Lei da Suficiência) o algoritmo pode ser terminado. Fixar um número de gerações. PUCPR (2005) Computação Evolutiva
17
Alterando o Tamanho do Indivíduo
Diferentemente de outros paradigmas evolutivos, na PE a mutação pode mudar o tamanho do indivíduo. Estados podem ser adicionados ou eliminados, de acordo com as regras vistas anteriormente. Isso pode causar alguns espaços na tabela Mutações neutras. PUCPR (2005) Computação Evolutiva
18
Alterando o Tamanho do Indivíduo
A mutação ainda pode criar uma transição que não seja possível, pois um estado pode ter sido eliminado durante a mutação. Esses problemas devem ser identificados e corrigidos durante a implementação Menos freqüentes em máquina com bastante estados. PUCPR (2005) Computação Evolutiva
19
PE com Indivíduos de Tamanho Fixo
Embora PE possa ter indivíduos de tamanho variável, é possível evoluir uma máquina de estado finitos com PE onde os indivíduos tem tamanho fixo. Definir um número máximo de estados. Para exemplificar, vamos considerar a máquina de predição apresentada anteriormente, a qual pode ter no máximo 4 estados. PUCPR (2005) Computação Evolutiva
20
Exemplo Cada estado pode ser representado por 7 bits Bit No.
Representação 1 ativo; 0 não ativo 1 símbolo de entrada 2 3 símbolo de saída 4 5 estado de saída 6 A B C D A B B C A B D A PUCPR (2005) Computação Evolutiva
21
Exemplo Como visto,cada estado pode ser representado por uma string de 7 bits. Sendo assim, cada indivíduo possui 28 bits Cada um representa uma máquina completa. A B C D A B B C A B D A PUCPR (2005) Computação Evolutiva
22
Exemplo II Máquina de estado finito para jogar o Dilema do Prisioneiro. O prisioneiro tem que tomar uma decisão em face da decisão do outro. Questão de altruísmo ou egoísmo. PUCPR (2005) Computação Evolutiva
23
Dilema do Prisioneiro Dois comparsas são pegos cometendo um crime. Levados à delegacia e colocados em salas separadas, lhes é colocada a seguinte situação com as respectivas opções de decisão: Se ambos ficarem quietos, cada um deles pode ser condenado a um mês de prisão. Se apenas um acusa o outro, o acusador sai livre. O outro, condenado em 1 ano. Se os dois se acusarem, ambos pegam seis meses. PUCPR (2005) Computação Evolutiva
24
Dilema do Prisioneiro As decisões são simultâneas e um não sabe nada sobre a decisão do outro. Esse jogo mostra que, em cada decisão, o prisioneiro pode satisfazer seu próprio interesse (desertar) ou atender ao interesse do grupo (cooperar). PUCPR (2005) Computação Evolutiva
25
Dilema do Prisioneiro Dilema
Admito inicialmente que meu colega planeja cooperar. Se eu cooperar também ambos pegamos 1 mês (nada mau) Supondo a cooperação do meu colega, eu posso acusá-lo e sair livre (melhor situação) Porém se eu coopero e ele me acusa, eu pego 1 ano! Se eu acusar também, aí eu fico seis meses. Logo, ele cooperando ou não o melhor a fazer é desertar! PUCPR (2005) Computação Evolutiva
26
Dilema do Prisioneiro O problema é que seu colega pensa da mesma maneira, e ambos desertam. Se ambos cooperassem, haveria um ganho maior para ambos, mas na otimização dos resultados não é o que acontece. Ao invés de ficar um mês presos, ambos ficam 6 meses para evitar o risco de ficar 1 ano. PUCPR (2005) Computação Evolutiva
27
Dilema do Prisioneiro A repetição do jogo, entretanto, muda radicalmente a forma de pensar. Dois comparsas de longa data terão uma tendência muito maior à cooperação. Com isso formam-se outras opções de estratégias. A teoria dos jogos (John Nash) é bastante utilizada na economia para descrever e prever o comportamento econômico. PUCPR (2005) Computação Evolutiva
28
Máquina de estado finito para o dilema do prisioneiro [Fogel 95]
Por exemplo: O rótulo C,D/C na flexa que vai de um estado X para um estado Y significa que o sistema está no estado X e no movimento anterior a máquina cooperou e o oponente desertou. Então coopere e vá para o estado Y. C – Cooperar D – Desertar PUCPR (2005) Computação Evolutiva
29
Exercício Evolua a máquina de estados finitos vista anteriormente
Considerar 4 estados no máximo. Utilizar a codificação vista anteriormente. Considerar 5 indivíduos de 28 bits Considerar que somente os indivíduos que tenham pelo menos dois estados ativos sejam admitidos na população inicial. Para cada indivíduo, construa a máquina e calcule a qualidade da predição. PUCPR (2005) Computação Evolutiva
30
Realizando a Mutação Para cada indivíduo, gere um número aleatório entre 0 e 1. Escolha um gene aleatoriamente e tome uma das seguintes ações. Valor Ação 0.0 – 0.2 Eliminar estado 0.2 – 0.4 Mude o estado inicial 0.4 – 0.6 Mude o símbolo de entrada 0.6 – 0.8 Mude o símbolo de saída 0.8 – 0.1 Ativar estado PUCPR (2005) Computação Evolutiva
31
Nova População Avaliar a fitness e manter os melhores 50%, resultando assim uma nova população do tamanho da inicial. PUCPR (2005) Computação Evolutiva
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.