Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouPietra Aires Barreiro Alterado mais de 7 anos atrás
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
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.