Algoritmos Genéticos: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009.

Apresentação em tema: "Algoritmos Genéticos: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009."— Transcrição da apresentação:

1 Algoritmos Genéticos: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009

2 Algoritmos Genéticos Principais Tópicos  População Inicial  Funções Objetivo de Alto Custo  Critérios de Parada  Convergência Prematura  Diversidade  Tipos de Substituição  Problemas na Aptidão  Ranking  Seleção por Torneio  Amostragem Estocástica Uniforme

3 Algoritmos Genéticos População Inicial (1/3) Gerada Aleatoriatoriamente. Gerada uniformente em uma grade. Gerada com tendenciosidade para regiões promissoras do espaço de busca

4 Algoritmos Genéticos População Inicial (2/3) Para garantir que toda posição da cadeia tem 0 e 1 na população:  Gera a primeira metade da população aleatoriamente.  Inverte todos os bits da primeira metade: tem-se a segunda metade. 1a. metade 2a. metade 101101 0 010010 1 0111011100010 0 000110 1 111001 0 110011 0 001100 1

5 Algoritmos Genéticos População Inicial (3/3) Seeding: insere a solução obtida por outro método de otimização na população inicial (garante que AG não fará pior do que o outro método) Iniciar com uma larga população inicial e depois reduzir o tamanho.

6 Algoritmos Genéticos Convergência Prematura (1/2) O AG converge para um mínimo/máximo local.

7 Algoritmos Genéticos Convergência Prematura (2/2) Causas:  Excessivo números de filhos de um mesmo indivíduo (o superindivíduo)  Perda de diversidade.  Deriva Genética (Genetic Drift)  Desaparecimento de genes na população devido puramente ao acaso.  Ocorre principalmente em pequenas populações.  Alta pressão de seleção.

8 Algoritmos Genéticos Diversidade (1/2) Combatendo a perda de diversidade  Aumentar a taxa de mutação.  Evitar cromossomos duplicatas na população.  Diminuir a pressão da seleção.

9 Algoritmos Genéticos Diversidade (2/2) Combatendo a perda de diversidade  Controlar o número de filhos do superdíviduo (indivíduo com alta aptidão, mas não com aptidão ótima) usando:  Ranking.  Escalonamento.  Seleção por torneio.

10 Algoritmos Genéticos Tipos de Substituição Substituição Geracional Substituição Geracional com Elitismo Substituição de Regime Permanente (do inglês steady state)

11 Algoritmos Genéticos Substituição Geracional Seja N o tamanho da população:  Os N pais são substituídos pelos N filhos em cada geração.  Os N pais são substituídos por N individuos do conjunto união de pais e filhos.  Comentário: o segundo caso aumenta a pressão de seleção.

12 Algoritmos Genéticos Substituição Geracional com Elitismo Os k < N melhores pais nunca são substituídos. Tipicamente k = 1 Aumentando k aumenta a pressão de seleção (risco de convergência prematura).

13 Algoritmos Genéticos Substituição de Regime Permanente (1/2) Em cada “geração” apenas 2 (ou 1) filhos são gerados e substituem:  Os 2 piores indivíduos da população.  Os pais.  Os 2 indivíduos mais velhos (i.e., que estão a mais tempo da população), pois já transmitiram os seus genes. Taxa de crossover é geralmente alta (~1).

14 Algoritmos Genéticos Substituição de Regime Permanente (2/2) Alternativamente, k < N filhos são gerados e substituem os k piores indivíduos. Evitar inserir um filho na população quando já existe uma duplicata dele na população.

15 Algoritmos Genéticos Problemas na Aptidão (1/3) Aptidão negativa não funciona com a roleta. Aptidão excessivamente alta  Poucos individuos ocupando larga fatia da roleta  Muitos individuos ocupando pequena fatia da roleta  Causa convergência prematura Solução: controlar o número de filhos do superindivíduo..

16 Algoritmos Genéticos Problemas na Aptidão (2/3) Resolução insuficiente para diferenciar os melhores dos piores individuos.  A seleção torna-se aleatória (Passeio ao Acaso).  Convergência lenta

17 Algoritmos Genéticos Problemas na Aptidão (3/3) Exemplo: Soluções  Expandir o intervalo da aptidão (usando ranking, escalamento linear)  Seleção por torneio

18 Algoritmos Genéticos Ranking Linear (1/3) Onde i é o índice do cromossomo na população em ordem decrescente de valor da função objetivo. Ranking linear requer: 1  Max  2 Max + Min = 2 Valores bons para Max: de 1.2 a 1.5

19 Algoritmos Genéticos Ranking Linear (2/3)

20 Algoritmos Genéticos Ranking Linear (3/3) Controlando a pressão da seleção por Ranking linear:  maior pressão => mais intensificação;  menos pressão => mais diversificação.

21 Algoritmos Genéticos Ranking Exponencial q  [0, 1] e i é o índice do cromossomo na população em ordem decrescente de valor da função objetivo. Ranking exponencial permite maior pressão de seleção do que o ranking linear.

22 Algoritmos Genéticos Escalonamento Linear Escalonamento linear onde g é o valor da função objetivo a e b são determinados tal que o número máximo de filhos do melhor indivíduo seja no máximo igual a C (onde tipicamente C = 2)

23 Algoritmos Genéticos Seleção por Torneio Escolhe-se k (tipicamente 2) indivíduos aleatoriamente da população e o melhor é selecionado. Não é proporcional a aptidão, Não é necessário roda da roleta, escalamento da aptidão ou ranking.

24 Algoritmos Genéticos Seleção por Torneio Os indivíduos são selecionados para os torneios com igual probabilidade. O torneio é vencido pelo indivíduo com maior aptidão

25 Algoritmos Genéticos Seleção por Torneio Aumentando o tamanho k do torneio acarreta:  Aumento da pressão de seleção.  Risco de convergência prematura. Por isso, o torneio binário é o mais utilizado.

26 Algoritmos Genéticos Seleção por Torneio Seleção por torneio com probabilidades  (Reduz ainda mais a pressão de seleção) 1)O melhor indivíduo do torneio é selecionado com probabilidade p > 0,5 2)O segundo melhor é selecionado com probabilidade p(1-p) 3)O terceiro é selecionado com probabilidade p(1-p) 2 4)e assim por diante...

27 Algoritmos Genéticos Amostragem Estocástica Uniforme Pais selecionados Evita a grande variância de filhos esperados do método da roleta (é tão perfeito quanto possivel) e a d b c N ponteiros igualmente espaçados. aabcd

28 Algoritmos Genéticos Critérios de Parada Atingiu um dado número de gerações ou avaliações. Encontrou a solução (quando esta é conhecida). Perda de diversidade. Convergência: não ocorre melhora significativa na solução durante um dado número de gerações.

29 Algoritmos Genéticos Funções Objetivo de Alto Custo (1/3) Em muitos problemas do mundo real o custo computacional do AG está concentrado na avalição do individuo. Exemplo:  Simulação completa de um processo.  Um treinamento de uma rede neural.

30 Algoritmos Genéticos Funções Objetivo de Alto Custo (2/3) Dicas para reduzir o números de reavaliações do indivíduo:  Evitar cromossomos iguais na população inicial.  Verificar se o filho já existe nas populações passadas e na atual.  Verificar se filho = pai (e.g. checar se crossover e mutação foi aplicado).  Manter a população com cromossomos distintos.

31 Algoritmos Genéticos Funções Objetivo de Alto Custo (3/3) Simplificar a função objetivo (pelo menos nas gerações iniciais) Usar um método de subida de encosta quando o AG já encontrou as regiões promissoras do espaço de busca (nas gerações finais).

32 Algoritmos Genéticos Descobrindo a Frase Secreta Desenvolver um AG para descobrir um frase dada pelo usuário.

33 Algoritmos Genéticos Descobrindo a Frase Secreta Cromossomo  Representar usando código ASCII.  “Familia” = (102,97,109,105,108,105,97) Espaço de busca  Existem 26 maiusculas + 26 minusculas + espaço em branco.  Para um frase com N caracteres há: (26+26+1) N combinações possíveis.

34 Algoritmos Genéticos Descobrindo a Frase Secreta Função objetivo.

35 Algoritmos Genéticos Descobrindo a Frase Secreta Exemplos:  “familia” (102,97,109,105,108,105,97)  “ebnhmhb” (101,98,110,104,109,104,98) função objetivo = 7  “familiz” (102,97,109,105,108,105,122) função objetivo = 25 O que há de errado nesta função objetivo?

36 Algoritmos Genéticos Descobrindo a Frase Secreta Função objetivo alternativa. onde