* Cadeias formadas por três símbolos: 0, 1, e * * O símbolo * (um curinga) significa 0 ou 1.

Slides:



Advertisements
Apresentações semelhantes
Computação Evolutiva Oderson Dias de Mello
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.
Heredogramas Vera Vargas, 2012.
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
Algoritmos Genéticos Marcone Jamilson Freitas Souza
Reconhecimento de Padrões Algoritmos Genéticos
Computação Evolutiva: Programação Genética
Otimização de Funções Contínuas via Algoritmos Genéticos Adaptado do trabalho realizado por: Frederico Heitor Mônica do Amaral.
Otimização de Funções Contínuas via Algoritmos Genéticos
Inteligência Artificial
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
Distribuição de probabilidade
Distribuição de probabilidade
Equilíbrio de hardy-weinberg
INF 1771 – Inteligência Artificial
Métodos de Demonstração
Métodos Populacionais
Problemas Numéricos com Representação por Números Reais
Material adaptado de Algoritmos Geneticos Material adaptado de
Controle de parâmetros em algoritmos evolucionários
Inteligência Artificial I
1 Computação Evolucionária em Machine Learning Prof. Marco Aurélio C. Pacheco.
DISTRIBUIÇÃO AMOSTRAL DA MÉDIA DA AMOSTRA OU DISTRIBUIÇÃO AMOSTRAL DE
EQUILÍBRIO DE HARDY-WEIMBERG
Métodos Populacionais
Sistemas Inteligentes
Anne Magály de PaulaCanuto DIMAp/UFRN
Algoritmos Evolutivos Algoritmos Genéticos Introdução
CONCEITOS EM GENÉTICA 1. Conceito: É o estudo dos genes e de sua transmissão para as gerações futuras. É dividida em clássica e moderna. 2. Gen ou gene:
Algoritmos Genéticos Ricardo Prudêncio.
INF 1771 – Inteligência Artificial
PROBLEMA DO EMPACOTAMENTO
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Inteligência Artificial
Orientador: Dr. Marcos Marcelino Mazzucco
Provas Datas: – P1 : 18/09/2014 – P2: 18/11/2014 – Exame : 09/12/2014.
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Artigo: Berth allocation planning in the public berth system by genetic algorithms Akio Imai, Etsuko Nishimura, Stratos Papadimitriou, Heurística.
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.
Heredogramas.
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
1 Algoritmos Genéticos em Otimização de Planejamento l Planejamento ocorre em todas as atividades e envolve: PLANEJAMENTO Recursos Tarefas Tempo Objetivos.
Inferência 1:Estimação de Parâmetros Relembrando o Teorema Central do Limite Da aula anterior: a) Os estimadores da média e da s 2 são não viciados e de.
Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos.
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.
Algoritmos Genéticos Como os Algoritmos Genéticos Funcionam Estéfane G. M. de Lacerda DCA/UFRN Maio/2008.
Transcrição da apresentação:

* Cadeias formadas por três símbolos: 0, 1, e * * O símbolo * (um curinga) significa 0 ou 1.

* O número esperado de esquemas H na geração seguinte (sem levar em conta a destruição causada pelo crossover e mutação) é dado por: * onde: * m é o número de cromossomos da população atual que contém o esquema H * b é a média das aptidões de toda população * a é a média das aptidões dos cromossomos que contém o esquema H

É esperado que esquema H1 esteja presente em 1,8 indivíduos na geração seguinte.

* H3 (acima da aptidão média) aumenta na geração seguinte. * H1 (abaixo da aptidão média) diminui na geração seguinte.

* O tamanho do esquema H, denotado por δ(H), é a diferença entre a última posição ocupada por 1 ou 0 e a primeira posição ocupada por 1 ou 0. * Exemplos, * H1 = 1****, δ(H1) = 0 * H2 = **10*, δ(H2) = 1 * H3 = *0*01, δ(H3) = 3 * δ(H) representa o número de possíveis pontos de corte que destroi H.

* A ordem do esquema H, denotado por O(H), é o número de posições em H que não tem o símbolo *. * Exemplos, * H1 = 1****, O(H1) = 1 * H2 = **10*, O(H2) = 2 * H3 = *0*01, O(H3) = 3 * O(H) representa o número de posições em que a mutação pode destruir H.

* Um grande esquema em pai1 (01*|**10) * Um pequeno esquema em pai2 (***|*101) * filho (01*|*101) * O primeiro esquema está presente filho, mas o segundo esquema foi destruído pelo crossover. * Conclusão: pequenos esquemas possuem maior probabilidade de sobrevivência.

* Esquemas de baixa ordem possuem maior probabilidade de sobrevivência ao operador de mutação.

* Mesmo considerando os efeitos destrutivos do crossover e mutação, este teorema afirma que: * Esquemas pequenos e de baixa ordem contidos em bons cromossomos aumentam exponencialmente nas gerações seguintes, ao passo que esquemas contidos em cromossomos ruins tendem a desaparecer nas gerações seguintes.

* Blocos de construção são os esquemas pequenos e de baixa ordem. * A hipótese: bons blocos de construção são passados de uma geração para outra e recombinados para formar cromossomos cada vez melhores.

* AG manipula uma população de apenas N cadeias de bits, mas processa em paralelo grande número de esquemas (na ordem de O(N3) esquemas).