Seleção de elementos em algoritmo genético por sistema de reputação Alunos: Marcos Vinicius Policarpo Côrtes Tácio Silva Diogo Professora: Viviane Torres da Silva

Introdução Algoritmos Genéticos precisam de uma função objetivo que avalia as soluções e permite a seleção dos mais aptos Sistemas de Reputação mapeia agentes a um valor que indica sua “boa vontade” na relação com outros agentes Poderíamos considerar o índice de um sistema de reputação como heurística para a função objetivo?

Sistemas de Reputação Técnica usada para gerar um ou mais medidas relacionadas a um agente. Outro agente poderá selecionar esta medida para decidir se deve ou não interagir com outro A será confiável? B será confiável?

Sistema de Reputação Quanto mais liberdade darmos aos agentes em um SMA, mais fica difícil controlá-los por sistemas de governança Sistemas de reputação tornam-se alternativas atraentes conforme vai aumentando o nível de liberdade dos agentes Consiste na coleta de informação (medida) das ações de um agente e na avaliação destes resultados (métrica) É preciso “pagar para ver”. Só interagindo com um agente sabermos se ele é confiável ou não

Sistemas de Reputação Classificação Qual o destino dos dados coletados? Como será armazenado este dado? Como será solicitada e enviada a métrica gerada? Crítica: Não foi encontrado uma classificação dos algoritmos para gerar as métricas As medidas recentes são mais importantes que as mais antigas (possuem peso maior) Deve-se descartar as medidas muito antigas

Sistemas de Reputação Distribuição Nome Para onde é enviada as medidas Como é solicitada uma reputação Como é enviada uma reputação Centralizado Um agente central gerente das reputações Agente A solicita ao agente gerente a reputação de um agente X Diretamente ao agente solicitante Descentralizado Direto É armazenada dentro de cada agente que gera a medida O agente A gera a informação de reputação baseado em seu banco de dados individual O agente A já possui esta informação Baseado em testemunhos É armazenada dentro do agente que gera a reputação Um agente A solicita a reputação de um agente X a outro agente B (B é a testemunha dos atos de X) B usando seu banco calcula o valor de reputação de X e envia esta informação a A Baseado em certificações Um agente A gera uma reputação sobre B. Posteriormente, caso deseje, envia um certificado sobre os atos de B para o próprio B Um agente C solicita a B alguma certificação de que ele é um agente confiável B envia a C as certificações sobre sua boa reputação a B

Algoritmos Genéticos Baseado na teoria Neodarwinista Seleção do mais apto Mutação Utilizado para solucionar problemas de otimização (achar maior valor de X dado os requisitos [r1, r2,...,rn]) Pode ser visto como um processo iterativo

Algoritmos Genéticos Processo clássico [MIRANDA 09]

Algoritmos Genéticos Processo proposto (descentralizado)

Algoritmos Genéticos Troca de genes (cross-over) Mutação

Mundo das Células

Mundo das Células Agentes semelhantes (Células) Atuadores: Sensores: Mover Trocar genes e reproduzir Sensores: “Visão” (sentir outros agentes em um raio x) Ações: Mover Randomicamente Procurar parceiro Reproduzir Meta Gerar mais descendentes Fatores genéticos (genótipos) Tempo de vida Número de filhos gerados (eficiência da reprodução) Velocidade do movimento

Mundo das Células O problema é achar um agente mais eficiente nas três características genéticas Considera-se um agente uma solução deste problema O gene do agente possui três partições, uma para cada genótipo Um genótipo é um valor numérico Função objetivo é o número de bits um deste gene (máximo valor de todos os genótipos)

Mundo das Células Usa-se um sistema de reputação centralizado com uma única medida, o número de filhos gerados com o gene de um parceiro Em vez de usar a função objetivo para a seleção das soluções, pode-se usar o valor de reputação dos agentes para fazer a seleção

Mundo das Células

Mundo das Células

Mundo das Células

Considerações Finais Em analise preliminar, o sistema de reputação não conseguiu substituir satisfatoriamente a função objetivo e fazer o algoritmo genético convergir para um máximo. Seu desempenho é similar a seleção aleatória de soluções Possíveis causas Número de reputações reportadas a central não é suficiente O número de elementos reputados é muito inferior ao de elementos totais, impedindo uma seleção justa eficiente A reputação só leva em conta a eficiência na reprodução. Velocidade e tempo de vida não são levados em conta; Usou-se um mundo “visual”. É necessário gerar uma versão de algoritmo genético “real” e verificar a performance do método

Dúvidas?