Algoritmos BioInspirados: Inteligência de Enxames

Apresentação em tema: "Algoritmos BioInspirados: Inteligência de Enxames"— Transcrição da apresentação:

1 Algoritmos BioInspirados: Inteligência de Enxames
Universidade Federal de Pernambuco Centro de Informática Algoritmos BioInspirados: Inteligência de Enxames Eraylson Galdino da Silva Tópicos Avançados em Inteligência Artificial - Computação Bioinspirada

2 O que são os algoritmos BioInspirados?

3 O que são os algoritmos BioInspirados?
Inspirados no comportamento de seres vivos em convivência social; Auto-Organização e controle descentralizado; Conhecimento colaborativo/compartilhado; Métodos Estocásticos (não determinísticos); Não garantem a melhor solução; Metaheuristicas; Eraylson Galdino

4 Quando deve ser utilizado?

5 Quando deve ser utilizado?
Quando o problema a ser resolvido apresentar apenas o que deve ser feito e não o como fazer. Eraylson Galdino

6 Quais seus pontos positivos?

7 Pontos Positivos Maior flexibilidade;
Busca a solução através de múltiplos caminhos; Fácil implementação; Eraylson Galdino

8 Quais os pontos negativos?

9 Pontos Negativos Maior esforço computacional;
Não garante a solução final; Seu desempenho é dependente de seus parâmetros; Eraylson Galdino

10 Principais Algoritmos de Inteligência de Enxames
Particle Swarm Optimization (PSO); Ant Colony Optimization (ACO); Artificial Bee Colony (ABC); Firefly; Artificial Fish School; Cuckoo Search; Eraylson Galdino

11 Particle Swarm Optimization (PSO)
Desenvolvido por James Kennedy (Psicólogo) e Russell Eberhart (Engenheiro); Inspirado no comportamento e na dinâmica dos movimentos dos pássaros, insetos e peixes; Eraylson Galdino

12 PSO:Componentes A: população de agentes;
𝑋 𝑖 :posição do agente 𝑎 𝑖 no espaço de soluções; F: Função de avaliação; 𝑣 𝑖 :Velocidade do agente 𝑎 𝑖 ; 𝑉(𝑎 𝑖 ): Conjunto fixo de vizinhos do agente 𝑎 𝑖 ; Todos os Agentes estão conectados, de forma direta ou indiretamente; Eraylson Galdino

13 PSO: Comportamento Inercia: Força a partícula a mover-se na mesma direção; Eraylson Galdino

14 PSO: Comportamento Inercia: Força a partícula a mover-se na mesma direção; Cognitivo: Força a partícula a voltar uma posição anterior que seja melhor que a atual; Eraylson Galdino

15 PSO: Comportamento Inercia: Força a partícula a mover-se na mesma direção; Cognitivo: Força a partícula a voltar uma posição anterior que seja melhor que a atual; Social: Força a partícula a mover-se em direção das melhores partículas; Eraylson Galdino

16 PSO: Simulação Eraylson Galdino

17 PSO: Notações 𝒑 𝑖 = pbest (personal best), a melhor posição encontrada pela a partícula i; g = gbest (global best), a melhor posição encontrada por todas as partículas; 𝒄 1 e 𝒄 2 = parâmetros cognitivos e social; W = ponderação da inércia; 𝒓 1𝑗 ,𝒓 2𝑗 = números aleatórios entre 0 e 1; Eraylson Galdino

18 PSO: Velocidade e Movimento
𝑣 𝑖 = 𝑤𝑣 𝑖 + 𝐶 1 ∗ 𝑟 1 ∗( 𝑝𝑏𝑒𝑠𝑡 𝑖 − 𝑥 𝑖 ) + 𝐶 2 ∗ 𝑟 2 ∗ 𝑔𝑏𝑒𝑠𝑡− 𝑥 𝑖 Movimento: 𝑥 𝑖 = 𝑥 𝑖 + 𝑣 𝑖 Eraylson Galdino

19 PSO: Velocidade e Movimento
𝑣 𝑖 = 𝑤𝑣 𝑖 + 𝐶 1 ∗ 𝑟 1 ∗( 𝑝𝑏𝑒𝑠𝑡 𝑖 − 𝑥 𝑖 ) + 𝐶 2 ∗ 𝑟 2 ∗ 𝑔𝑏𝑒𝑠𝑡− 𝑥 𝑖 Movimento: 𝑥 𝑖 = 𝑥 𝑖 + 𝑣 𝑖 Inércia Eraylson Galdino

20 PSO: Velocidade e Movimento
𝑣 𝑖 = 𝑤𝑣 𝑖 + 𝐶 1 ∗ 𝑟 1 ∗( 𝑝𝑏𝑒𝑠𝑡 𝑖 − 𝑥 𝑖 ) + 𝐶 2 ∗ 𝑟 2 ∗ 𝑔𝑏𝑒𝑠𝑡− 𝑥 𝑖 Movimento: 𝑥 𝑖 = 𝑥 𝑖 + 𝑣 𝑖 Inércia Cognitivo Eraylson Galdino

21 PSO: Velocidade e Movimento
𝑣 𝑖 = 𝑤𝑣 𝑖 + 𝐶 1 ∗ 𝑟 1 ∗( 𝑝𝑏𝑒𝑠𝑡 𝑖 − 𝑥 𝑖 ) + 𝐶 2 ∗ 𝑟 2 ∗ 𝑔𝑏𝑒𝑠𝑡− 𝑥 𝑖 Movimento: 𝑥 𝑖 = 𝑥 𝑖 + 𝑣 𝑖 Inércia Cognitivo Social Eraylson Galdino

22 PSO: Etapas Inicia a população Fitness Encontra o Gbest
Atualiza a velocidade Novas Particulas Atualiza a posição Eraylson Galdino

23 PSO: Passo a passo Inicia as partículas aleatoriamente: Inercia = 0.5;
Social = 1; Cognitiva = 0.5; Partícula 1 1 Velocidade = Partícula 2 2 Velocidade = Partícula 3 3 Velocidade = Partícula 4 Velocidade = 5 Eraylson Galdino

24 PSO: Exemplo prático 10 10 9 8 7 6 5 4 4 3 3 3 2 1 2 1 Eraylson Galdino

25 Gbest= Partícula 4 | Fitness=5
O Pbest na primeira iteração será a própria partícula Partícula 1 1 Fitness = 10 – 1 = 9 Fitness = 10 – 2 = 8 Partícula 2 2 Partícula 3 3 Fitness = 10 – 3 = 7 Partícula 4 5 Fitness = 10 – 5 = 5 Eraylson Galdino

26 Atualiza a velocidade e a posição:
𝑣 𝑖 = 𝑤𝑣 𝑖 + 𝐶 1 ∗ 𝑟 1 ∗( 𝑝𝑏𝑒𝑠𝑡 𝑖 − 𝑥 𝑖 ) + 𝐶 2 ∗ 𝑟 2 ∗ 𝑔𝑏𝑒𝑠𝑡− 𝑥 𝑖 𝑥 𝑖 = 𝑥 𝑖 + 𝑣 𝑖 Partícula 1 1 V= 0.5 * * 0.5 * (1 - 1) * 1 * (5 - 1) = 2 3 Partícula 2 2 V= 0.5 * * 0.5 * (2 - 1) * 1 * (5 - 1) =2.5 5 Partícula 3 3 V= 0.5 * * 0.5 * (3 - 1) * 1 * (5 - 1) =3 6 Partícula 4 5 V= 0.5 * * 0.5 * (5 - 1) * 1 * (5 - 1) =4 9 Eraylson Galdino

27 PSO: Exemplo prático 10 10 9 4 8 7 6 3 5 2 4 3 1 2 1 Eraylson Galdino

28 Gbest= Partícula 4 | Fitness=1
3 Fitness = 10 – 3 = 7 Fitness = 10 – 5 = 5 Partícula 2 5 Partícula 3 6 Fitness = 10 – 6 = 4 Partícula 4 9 Fitness = 10 – 9 = 1 Eraylson Galdino

29 Atualiza a velocidade e a posição:
𝑣 𝑖 = 𝑤𝑣 𝑖 + 𝐶 1 ∗ 𝑟 1 ∗( 𝑝𝑏𝑒𝑠𝑡 𝑖 − 𝑥 𝑖 ) + 𝐶 2 ∗ 𝑟 2 ∗ 𝑔𝑏𝑒𝑠𝑡− 𝑥 𝑖 𝑥 𝑖 = 𝑥 𝑖 + 𝑣 𝑖 Partícula 1 3 V= 0.5 * * 0.5 * (3 - 3) * 1 * (3 - 3) = 0.5 3+0.5 Partícula 2 5 V= 0.5 * * 0.5 * (5 – 5) * 1 * (5 - 5) =0.5 5+0.5 Partícula 3 6 V= 0.5 * * 0.5 * (6 - 6) * 1 * (6 - 6) =0.5 6+0.5 Partícula 4 9 V= 0.5 * * 0.5 * (9 - 9) * 1 * (9 - 9) =0.5 9+0.5 Eraylson Galdino

30 PSO: Exemplo prático 10 10 9 4 8 7 6 3 5 2 4 3 1 2 1 Eraylson Galdino

31 Vantagens e Desvantagens
Implementação simples; Poucos parâmetros para serem definidos pelo usuário; Bom para encontrar o mínimo global; Desvantagens: Rápido para encontrar a região das boas soluções, mas lento ao realizar os ajustes finos da solução. Eraylson Galdino

32 PSO: Campos de aplicação
Otimização de redes neurais artificiais; Escalonamento de tarefas; Roteamento de Veículos; Caminho ótimo para operações de perfuração automatizadas; Mineração de Dados; Posicionamento de bases em computação móvel; Aproximação poligonal ótima de curvas digitais; Eraylson Galdino

33 Eraylson Galdino (egs@cin.ufpe.br)
Universidade Federal de Pernambuco Centro de Informática Dúvidas Eraylson Galdino