Inteligência Artificial Computação Evolutiva

Computação Evolutiva Técnica de IC baseada na teoria da evolução das espécies de Darwin (1859) Trabalho de Darwin com o foco na seleção natural Trabalhos recentes uniram estes fatores a herança genética Genética Populacional: a variabilidade entre indivíduos em uma população de organismos que se reproduzem sexualmente é produzida pela mutação e pela recombinação genética

Composta principalmente de: Computação Evolutiva Composta principalmente de: Algoritmos Genéticos Estratégias de Evolução Programação Genética Algoritmos Genéticos são mais aplicados na engenharia

Algoritmos Genéticos Adequados para solução de problemas de busca e otimização. Tais problemas possuem: Espaço de soluções: todas as possibilidades de solução de um determinado problema Função de avaliação: método para avaliar o quanto uma destas possibilidades se aproxima da solução Para um mesmo problema diversas representações de soluções e de funções de avaliação podem ser criados

Algoritmos Genéticos O processo de busca é iterativo, e cada iteração é chamado de geração Cada possível solução é denominada indivíduo Em cada geração são aplicados os princípios de seleção natural e reprodução As chances de um indivíduo ser selecionado depende da sua aptidão, resultante do cálculo da função de avaliação

gerar população inicial P(0) avaliar P(0) Algoritmos Genéticos T = 0 gerar população inicial P(0) avaliar P(0) enquanto critério de parada não for atingido t++ selecionar população P(t) a partir de P(t-1) aplicar operadores de cruzamento sobre P(t) aplicar operadores de mutação sobre P(t) avaliar p(t) fim enquanto

Algoritmos Genéticos - Representação Como representar uma solução (indivíduo ou cromossomo)? Alguma estrutura de dados (vetor, matriz, estrutura) em que as características do problema estão codificadas Tipicamente utiliza valores binários, mas isso não é obrigatório Exemplo para o problema das 8 rainhas: matriz de 8x8, com 0 (sem rainha) ou 1 (com rainha)

Algoritmos Genéticos – Função de Avaliação Primeiro deve ser criada a função de avaliação: uma função que recebe o cromossomo e retorna como resultado um valor (a aptidão) Dependendo do problema, pode ser necessário maximizar ou minimizar a função de avaliação No caso de maximizar, os indivíduos mais aptos terão valores de aptidão maiores No caso oposto, normalmente o indivíduo com aptidão zero é a solução desejada

Algoritmos Genéticos – Seleção Procuram favorecer indivíduos com mais aptos Método da roleta: cada candidato possui uma fatia da “roleta” proporcional a sua aptidão Método do torneio: n indivíduos são selecionados aleatoriamente com probabilidade igual. O indivíduo de maior aptidão entre estes é o escolhido. Amostragem Universal Estocástica: similar a roleta porem esta possui vários apontadores e é girada uma vez só

Algoritmos Genéticos – Operadores São usados para gerar uma população nova que, de alguma maneira, mantenha as características dos antepassados que melhoram a aptidão Mutação: altera aleatoriamente uma o cromossomo, garantindo a diversidade genética da população Cruzamento: os cromossomos dos pais são combinados, gerando filhos

Algoritmos Genéticos – Parâmetros Tamanho da população: muito pequena, o algoritmo pode não encontrar a solução, muito grande, exigirá muito em termos de recursos computacionais Taxa de cruzamento: muito alta, estruturas com boas aptidões podem ser retiradas prematuramente, muito baixas, a população pode estagnar Taxa de mutação: muito baixa, a busca pode estagnar, muito alta, a busca se torna totalmente aleatória

Algoritmos Genéticos – Parâmetros Intervalo de geração: qual a parcela de indivíduos que serão descartados de geração em geração. Muito alta, pode-se perder indivíduos com boa aptidão, muito baixa, o algoritmo pode tornar-se lento Critério de parada: quando o algoritmo deve parar. Pode ser o número de gerações, a aptidão do melhor indivíduo, ou quando as aptidões dos melhores não mudarem de geração para geração

Referências Sistemas Inteligentes, capítulo 9