Co-Evolução

Algoritmos Genéticos Tradicionais Funções de avaliação estáticas e bem definidas Evoluem uma única espécie Comparando com sistemas naturais, têm capacidade de adaptação limitada Podem convergir para mínimos locais

O que ocorre na natureza Aptidão de indivíduos de uma espécie acoplada a de indivíduos de outra espécie Competição Presa – Predador “Raposa e Coelho” Cooperação Simbiose

Co-Evolução Hillis (1990) Trabalho sobre redes de ordenação Ordena números colocados em sua entrada 3 8 6 2

Co-Evolução Primeiro experimento Algoritmo genético tradicional Indivíduo = Rede de ordenação Aptidão = No. de entradas corretamente ordenadas Convergiu para mínimos locais Gerou redes ineficientes

Co-Evolução Segundo Experimento Duas Espécies Espécie 1 – Entradas Teste Espécie 2 – Redes Aplicação dos testes às redes Cálculo das aptidões das redes População de redes População de testes Cálculo das aptidões dos testes

Co-Evolução Segundo Experimento Aptidão da Espécie de Redes Número de entradas ordenadas corretamente Aptidão da Espécie de Testes Número de entradas com ordenação incorreta Resultados Redes mais eficientes – testes mais difíceis Perde propensão a convergência a mínimo local Eficiência comparável a melhor rede conhecida

Co-Evolução Competitiva Cooperativa Predador – Presa Interação de aptidões inversa Sucesso de uma espécie é o fracasso da outra Cooperativa Simbiose Interação de aptidões direta Sucesso de uma espécie é o sucesso da outra

Co-Evolução Modelo co-evolucionário Colocar a figura 7 do modelo co-evolucionário cooperativo genérico.

Co-Evolução Modelo co-evolucionário Cada indivíduo da espécie é avaliado em colaboração ou competição com indivíduos de outras espécies Colocar a figura 7 do modelo co-evolucionário cooperativo genérico.

A colaboração ou competição ocorre no Modelo do Domínio Co-Evolução Modelo co-evolucionário Colocar a figura 7 do modelo co-evolucionário cooperativo genérico. A colaboração ou competição ocorre no Modelo do Domínio

Co-Evolução Modelo co-evolucionário Colocar a figura 7 do modelo co-evolucionário cooperativo genérico. Um fitness associado ao indivíduo é retornado pela colaboração ou competição

Co-Evolução Competitiva Aptidão do indivíduo de uma espécie por competição com indivíduos de outra espécie. Aplicação em jogos (minimax) Soluções exploram fraquezas de estratégias específicas Diversidade garante eficiência contra diversos oponentes

Co-Evolução Competitiva Funções de Aptidão Todos contra todos Competição aleatória Todos contra o melhor

Co-Evolução Competitiva Axelrod (1984; 1987) Dilema dos Prisioneiros Torneios de estratégias (programas de computador) Todos contra todos Melhor estratégia – Tit for Tat (coopera na primeira vez e escolhe a ação do adversário na jogada prévia)

Co-Evolução Competitiva Algoritmos Evolucionários Maioria das experiências encontrou “Tit for Tat” Algumas experiências encontraram melhores resultados Reflexo do ambiente de 8 estratégias usadas para avaliação AE encontrou soluções que exploram características do ambiente e não falhas da estratégia !!!

Co-Evolução Competitiva Axelrod substituiu ambiente estático por avaliação competitiva Produz diversas variantes do “Tit for Tat”

Co-Evolução Cooperativa Simbiose Melhora de indivíduo em uma espécie produz melhora na outra espécie Primeiros experimentos com co-evolução cooperativa: Paredis (1995,1996) Problema de codificação de Algoritmos Evolucionários Primeira Espécie – Valores Segunda Espécie – Representações

Co-Evolução Cooperativa Resultados Co-evolução agrupou bons genes, funcionalmente relacionados Crossover não afetou proliferação dos genes na população

Referências Paredis J. Coevolutionarys algorithms, Universiteit Maastricht, Netherlands Morrison, J. & ,Oppacher Franz. A general model of coevolution for genetic algorithms, Intelligent Systems Lab, School of Computer Science of Carleton University, Ottawa. Noble, J. & Watson, R. Pareto coevolution: Using performer against coevolved opponents in a game as dimension for Pareto selection. Informatics Research Institute School of Computation, University of Leeds, Leeds UK. DEMO Lab, Computer Science Dept. Brandey University Walthem, MA, USA Potter, M. & De Jong, K. A cooperative coevolutionary approach to function optimization. Computer Science Dept. of George Mason University , Fairfax, VA- USA Juillé H. & Pollack, J.B.. Coevolutionary Learning: a case study. Computer Science Dept. Brandeis University Waltha, Massachusetts USA Luke, S. & Wiegand, R.P. When coevolutionary algorithms exhibit evolutionary dynamics. Dept of Computer Science George Mason University.