Otimização de Funções Contínuas via Algoritmos Genéticos

Slides:



Advertisements
Apresentações semelhantes
Unidade VII Algoritmos Genéticos
Advertisements

Algoritmos Genéticos Teresa B. Ludermir.
Busca Informada Parte 3 – Algoritmos Genéticos
Algoritmos Genéticos Adriano Joaquim de O Cruz ©2003 NCE/UFRJ
Algoritmos Genéticos Alex F. V. Machado. Algoritmos Genéticos Quanto melhor um indivíduo se adaptar ao seu meio ambiente, maior será sua chance de sobreviver.
Algoritmos Genéticos Problema das 8 Rainhas Algoritmo Genético
Fundamentos dos Algoritmos Genéticos Alex F. V. Machado.
Fundamentos dos Algoritmos Genéticos Alex F. V. Machado.
Algoritmos Genéticos Alex F. V. Machado. Algoritmos Genéticos Quanto melhor um indivíduo se adaptar ao seu meio ambiente, maior será sua chance de sobreviver.
Algoritmos Genéticos Alex F. V. Machado.
Computação Evolucionária
Adriano Joaquim de O Cruz
ÉLDMAN DE OLIVEIRA NUNES E AURA CONCI INSTITUTO DE COMPUTAÇÃO UFF
Implementação de AG no Balanceamento Interativo de Linhas de Montagem
INTELIGÊNCIA COMPUTACIONAL PARA OTIMIZAÇÃO
Algoritmos Genéticos Marcone Jamilson Freitas Souza
Reconhecimento de Padrões Algoritmos Genéticos
Computação Evolutiva: Programação Genética
Computação Evolutiva: Estratégias Evolutivas
Otimização de Funções Contínuas via Algoritmos Genéticos Adaptado do trabalho realizado por: Frederico Heitor Mônica do Amaral.
Maximização de Funções usando Simulated Annealing
Maximização de Funções Simulated Annealing
Inteligência Artificial
Algoritmo Genético.
Algoritmos Genéticos Prof. Luis Otavio Alvares II/UFRGS
Algoritmos Genéticos Rômulo Ferreira Douro.
Apresentação Introdução à Programação Genética Título :
Algoritmos Genéticos – Capítulo 11
Algoritmos Genéticos - Capítulo 10 Representação Numérica
Eduardo do Valle Simões Renato Tinós ICMC - USP
INF 1771 – Inteligência Artificial
Métodos Populacionais
Problemas Numéricos com Representação por Números Reais
Material adaptado de Algoritmos Geneticos Material adaptado de
Controle de parâmetros em algoritmos evolucionários
Otimização Prof. Benedito C. Silva IRN UNIFEI
Uma Introdução a Evolução Diferencial
Inteligência Artificial I
Desempenho de Algoritmos Genéticos
Métodos Populacionais
Sistemas Inteligentes
Anne Magály de PaulaCanuto DIMAp/UFRN
Algoritmos Evolutivos Algoritmos Genéticos Introdução
Inferência Estatística
Algoritmos Genéticos Ricardo Prudêncio.
INF 1771 – Inteligência Artificial
PROBLEMA DO EMPACOTAMENTO
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Inteligência Artificial
II. METODOLOGIA Ambas as antenas, PIFA modificada e BFMA, foram analisadas numericamente empregando as equações integrais dos potenciais em conjunto com.
Orientador: Dr. Marcos Marcelino Mazzucco
Provas Datas: – P1 : 18/09/2014 – P2: 18/11/2014 – Exame : 09/12/2014.
* Cadeias formadas por três símbolos: 0, 1, e * * O símbolo * (um curinga) significa 0 ou 1.
Artigo: Berth allocation planning in the public berth system by genetic algorithms Akio Imai, Etsuko Nishimura, Stratos Papadimitriou, Heurística.
Resolução de problemas por meio de busca
Algoritmos Genéticos Capítulo 8
Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos Aurora Pozo Pós-graduação em Informática, Pós-graduação em Métodos Numéricos.
Inteligência Artificial I
Optimização Os problemas de optimização têm como objetivo maximizar ou minimizar uma função definida sobre um certo domínio Optimizar (max ou min)
Algoritmos Genéticos Ricardo Prudêncio.
Inteligência Artificial
Computação Evolutiva Nome dado ao estudo de algoritmos cuja inspiração é o processo de evolução natural das espécies. Origem: trabalho de um pesquisador.
Algoritmos Genéticos ÝIntrodução ÝHistórico ÝAlgoritmo Genético Básico: 3Representação de um indivíduo 3Função de aptidão 3Operadores genéticos 3Critério.
Algoritmos Genéticos Uma visão geral do método Cláudio M. N. A. Pereira.
Taís Sineiro Herig Laboratório de Genômica e Expressão / UNICAMP
Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos.
1 Otimização por Algoritmos Genéticos: Introdução Prof. Marco Aurélio C. Pacheco.
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 03 Teoria dos Esquemas Módulos de População e Funções de Avaliação Max Pereira.
1 Problemas Numéricos com Representação por Números Reais Prof. Marco Aurélio C. Pacheco.
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 10 Algoritmos Genéticos Max Pereira.
Transcrição da apresentação:

Otimização de Funções Contínuas via Algoritmos Genéticos Frederico Heitor Mônica do Amaral

Problema Dada uma função contínua, diferenciável ou não, encontrar seu valor máximo dentro de um intervalo dado. Exemplo: Função: ƒ(x) = 0.4 + sinc (4x) + 1.1 sinc (4x + 2) + 0.8 sinc (6x – 2) + 0.7 sinc (6x – 4) Intervalo: x Є [-2 , 2] Onde: 1 , x = 0 sinc (x) = sen (л x) / (л x) , x ≠ 0

Método Utilizado Algoritmos Genéticos com os seguintes mecanismos: - Reprodução Escolha dos pais utilizando-se Roleta Russa - Crossover Escolha aleatória do ponto de corte do cromossomo - Mutação Escolha aleatória do bit a ser trocado

Modelagem - Cada indivíduo é representado por um vetor binário de 16 posições, que corresponde a um ponto contido no intervalo de definição da função I [1] = [ 0 1 1 0 1 1 0 0 0 1 1 0 1 0 1 1 ] - Para calcular o valor da função objetivo relativo a um determinado indivíduo, utiliza-se a fórmula: fo = - 2 + 4b 65535 onde b é o número decimal que corresponde à seqüência binária de um indivíduo qualquer

Modelagem - Reprodução Nesta etapa, dois indivíduos da população são escolhidos através do mecanismo da Roleta Russa, onde aqueles que possuem maior aptidão têm maior probabilidade de serem selecionados. O casal escolhido tem uma probabilidade de gerar filhos.

Modelagem - Crossover Um número aleatório entre 1 e 16 determina a posição onde será efetuado o corte no vetor (cromossomo). Exemplo: Número Sorteado: 4 Pai 1: X X X X X X X X X Pai 2: Y Y Y Y Y Y Y Y Y Posição do Corte Filho 1: X X X X Y Y Y Y Y Filho 2: Y Y Y Y X X X X X

Modelagem - Mutação Um número aleatório entre 1 e 16 determina o bit a sofrer mutação. Exemplo: Número Sorteado: 9 I = [ 0 1 1 0 1 1 0 0 0 1 1 0 1 0 1 1 ] Após a mutação: I = [ 0 1 1 0 1 1 0 0 1 1 1 0 1 0 1 1 ]

Implementação Parâmetros utilizados: - Tamanho da população inicial = 30 - Probabilidade de Crossover = 0,80 - Probabilidade de Mutação = 0,01 Critério de parada = 50 gerações

Resultados Encontrados N.° Teste Valor máximo de f(x) 1 1,495005 2 1,500772 3 1,500772 4 1,495005 5 1,500772 6 1,495005 7 1,495005 8 1,500772 9 1,500772 10 1,500772 Melhor solução encontrada = 1,500772 Média das soluções = 1,4984652 Desvio das soluções = 0,15%

Vantagens - Soluções muito boas podem ser encontradas após a convergência, mesmo quando a função é instável. - Encontra-se máximos das funções mesmo em intervalos não diferenciáveis.