Algoritmos Genéticos Aplicações em Sistemas Militares e Navais Prof. Alan Oliveira de Sá CIAW 09SET2015.

Apresentação em tema: "Algoritmos Genéticos Aplicações em Sistemas Militares e Navais Prof. Alan Oliveira de Sá CIAW 09SET2015."— Transcrição da apresentação:

1 Algoritmos Genéticos Aplicações em Sistemas Militares e Navais Prof. Alan Oliveira de Sá CIAW 09SET2015

2 Sumário  Motivação  Introdução  Tipos de Problemas  Algoritmos Genéticos  Aplicações Militares e Navais  Conclusões 2

3 Motivação  Problemas com alto custo computacional  Busca por soluções inovadoras  Não há um projetista melhor que a natureza 3 Antena banda-X Missão Space Technology 5 (ST5) NASA - 2006.

4 Motivação “Uma lei geral, que conduz a evolução de todos os seres: multiplicar, diversificar, deixar que o mais forte sobreviva e que o mais fraco morra.” ― Charles Darwin, A Origem das Espécies 4

5 Introdução  Algoritmos Genéticos  Proposto por John Holland, 1960.  Inspirado no princípio Darwiniano de evolução das espécies: Seleção Cruzamento Mutação  Meta-heurística 5

6 Introdução  Relembrando Darwin:  Meio ambiente: 6

7 Introdução  Relembrando Darwin:  Indivíduo: 7

8 Introdução  Relembrando Darwin:  Seleção natural: 8 Mais apto Menos apto

9 Introdução  Relembrando Darwin:  Mutação: possibilidade de aumentar as aptidões 9

10 Tipos de Problemas  Otimização  Máximo global  Mínimo global  Dimensões  Hiperespaço (multidimensional)  Problemas com grandes espaços de busca, onde não é possível a busca exaustiva.  Problemas de difícil solução analítica. 10

11 Tipos de Problemas  Exemplo:  Funções transcendentes 11

12 Tipos de Problemas  Exemplo:  Funções transcendentes 12 Solução analítica? Infinitos máximos / mínimos locais!

13 Tipos de Problemas  Exemplo:  Funções transcendentes 13 Busca exaustiva com granularidade reduzida Perda de máximos / mínimos

14 Tipos de Problemas  Exemplo:  Funções transcendentes 14 Busca exaustiva com aumento da granularidade Aumento do custo computacional

15 Tipos de Problemas  Exemplo:  Funções transcendentes 15 Como inspecionar o espaço de busca de forma eficiente?

16 Algoritmos Genéticos  Analogias: 16 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema

17 Algoritmos Genéticos  Analogias: 17 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução (x,y)(x,y)

18 Algoritmos Genéticos  Analogias: 18 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções

19 Algoritmos Genéticos  Analogias: 19 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução xy 0110010110001100

20 Algoritmos Genéticos  Analogias: 20 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução Reprodução SexualOperador de Cruzamento x1x1 y1y1 0110010110001100 x2x2 y2y2 0110010110001100 Genitor 1: Genitor 2: x 1' y 1' 0110010110001100 x 2' y 2' 0110010110001100 Cria 1: Cria 2:

21 Algoritmos Genéticos  Analogias: 21 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução Reprodução SexualOperador de Cruzamento MutaçãoOperador de Mutação x 1' y 1' 0110000110001000 x 2' y 2' 0110010100001100 Cria 1 mutante: Cria 2 mutante: x 1' y 1' 0110010110001100 x 2' y 2' 0110010110001100 Cria 1: Cria 2:

22 Algoritmos Genéticos  Analogias: 22 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução Reprodução SexualOperador de Cruzamento MutaçãoOperador de Mutação Aptidão do IndivíduoImagem da Possível Solução (x2,y2)(x2,y2) (x1,y1)(x1,y1) f(x 1,y 1 ) > f(x 2,y 2 )

23 Algoritmos Genéticos  Analogias: 23 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução Reprodução SexualOperador de Cruzamento MutaçãoOperador de Mutação Aptidão do IndivíduoImagem da Possível Solução GeraçõesCiclos Iterativos Geração 1:

24 Algoritmos Genéticos  Analogias: 24 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução Reprodução SexualOperador de Cruzamento MutaçãoOperador de Mutação Aptidão do IndivíduoImagem da Possível Solução GeraçõesCiclos Iterativos Geração 2:

25 Algoritmos Genéticos  Analogias: 25 Evolução NaturalAlgoritmos Genéticos Meio AmbienteProblema IndivíduoPossível Solução PopulaçãoConjunto de Soluções CromossomaRepresentação da Solução Reprodução SexualOperador de Cruzamento MutaçãoOperador de Mutação Aptidão do IndivíduoImagem da Possível Solução GeraçõesCiclos Iterativos Geração 3:

26 Algoritmos Genéticos  Seleção - roleta: 26

27 Algoritmos Genéticos  Parâmetros:  População  Taxa de cruzamento  caráter de refinamento  Taxa de mutação  caráter exploratório 27 Exploração:Refinamento:

28 Algoritmos Genéticos  O algoritmo: 28 Início Gera população inicial Avalia aptidões Seleção Cruzamento Mutação Critério de parada satisfeito? Fim NãoSim

29 Algoritmos Genéticos  Considerações:  Determinístico x Estocástico;  Resultados ótimos x aproximadamente ótimos;  Busca exaustiva x busca adaptativa; e  Desafio: modelagem da função de aptidão. 29

30 Aplicações Militares e Navais  Possibilidades de uso:  Localização colaborativa em rede de sensores sem fio (WSN) e rede de sensores submarinos (USN)  Otimização de superfícies aerodinâmicas / hidrodinâmicas  Reconhecimento e acompanhamento de alvos 30

31 Aplicações Militares e Navais  Localização colaborativa em WSN e USN:  Sensores utilizados para: Monitoramento ambiental; e Guerra acústica submarina. 31

32 Aplicações Militares e Navais  Localização colaborativa em WSN e USN:  Sensores necessitam conhecer suas posições para: Localização dos eventos medidos; e Roteamento de dados baseado na localização.  Restrições de uso do GPS: Tamanho dos dispositivos; Fonte de energia; Custo; e Ambiente de operação. 32

33 Aplicações Militares e Navais  Localização colaborativa em WSN e USN:  Alternativa: Localização colaborativa baseada em poucas referências.  Cada dispositivo se localiza e ajuda seus vizinhos a se localizar por meio de Algoritmos Genéticos. 33

34 Aplicações Militares e Navais  Localização colaborativa em WSN e USN:  Algoritmo Genético: soluciona uma função que considera distâncias e coordenadas dos vizinhos. 34 Exemplo de função em L:

35 Aplicações Militares e Navais  Localização colaborativa em WSN e USN:  Aplicação em enxame de robôs:  Possível aplicação em USN / VSNT: 35

36 Aplicações Militares e Navais  Otimização de superfícies aerodinâmicas / hidrodinâmicas:  Exemplo: jet nozzle (Estratégias Evolucionárias) Objetivo: encontrar a forma que maximize o empuxo 36 Hiperespaço

37 Aplicações Militares e Navais  Otimização de superfícies aerodinâmicas / hidrodinâmicas:  Exemplo: jet nozzle (Estratégias Evolucionárias) Objetivo: encontrar a forma que maximize o empuxo 37 Solução inicial: Solução final:

38 Aplicações Militares e Navais  Reconhecimento e acompanhamento de alvos 1  Template matching: determinar a similaridade de uma imagem comparada a um tamplate (imagem padrão). 38 1 CT(EN) MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015

39 Aplicações Militares e Navais  Reconhecimento e acompanhamento de alvos 1  Aptidão  Coeficiente de correlação de Pearson. 39 1 CT(EN) MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015 (361×481 pixels) Busca exaustiva: 174k avaliações

40 Aplicações Militares e Navais  Reconhecimento e acompanhamento de alvos 1  Aptidão  Coeficiente de correlação de Pearson. 40 1 CT(EN) MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015 (361×481 pixels) Algoritmos Genéticos: <174k avaliações GA 52 x mais rápido que BE

41 Aplicações Militares e Navais  Reconhecimento e acompanhamento de alvos 1  Aptidão  Coeficiente de correlação de Pearson. 41 1 CT(EN) MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015 GA 52 x mais rápido que BE (361×481 pixels) Algoritmos Genéticos: <174k avaliações

42 Aplicações Militares e Navais  Reconhecimento e acompanhamento de alvos 1  Aptidão  Coeficiente de correlação de Pearson. 42 1 CT(EN) MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015 GA 52 x mais rápido que BE (361×481 pixels) Algoritmos Genéticos: <174k avaliações

43 Conclusões  Algoritmos genéticos fazem parte de um conjunto de algoritmos simples e eficientes para a solução de um amplo conjunto de problemas.  Soluções evoluídas artificialmente podem levar a resultados que, pelos métodos tradicionais, não seriam evidentes.  O reduzido custo computacional, torna o método atrativo. 43

44 Conclusões  O método pode ser aplicado a diversos problemas de otimização militares e navais. Desafio: modelagem dos problemas.  Algoritmos Genéticos x outras meta-heurísicas 44

45 Perguntas Obrigado! E-mail: alan.oliveira.sa@gmail.com Centro de Instrução Almirante Wandenkolk Centro de Eletrônica, Comunicações e Tecnologia da Informação 45