Algoritmos Culturais.

Apresentação em tema: "Algoritmos Culturais."— Transcrição da apresentação:

1 Algoritmos Culturais

2 Sumário Introdução Objetivo Níveis do Algoritmo Cultural (AC)
Componentes Pseudo Código AG X AC Modelagem do AC Exemplo Referências

3 Introdução “A evolução cultural habilita as sociedades a evoluir ou a se adaptar ao seu ambiente em taxas que excedem as da evolução biológica baseada somente na herança genética”. (Reynolds, 1998, p: 1).

4 Introdução Modelos e conceitos da Biologia inspiraram a resolução de problemas computacionais (Algoritmos Genéticos ). Novas metáforas interligam outras áreas do conhecimento à Ciência da Computação.

5 Introdução Algoritmos Culturais (AC): Melhora a taxa de aprendizado de um Algoritmo Evolutivo, adicionando mecanismo de pressão cultural para pressão evolutiva –BELIEFSPACE

6 Introdução Sistema de dupla herança:
genética e cultural pode adaptar-se melhor e responder com mais eficiência em problemas.

7 Objetivo Filosofia de Algoritmos Culturais: aquisição de conhecimento pela evolução da população e uso do conhecimento para guiar a busca. Empregados em problemas numéricos para aumentar a eficiência da busca.

8 Níveis do AC Processo de evolução cultural baseado em uma perspectiva micro e macro evolucionária. Nível micro evolucionário: população de indivíduos: características comportamentais modificadas e trocadas entre indivíduos. Nível macro evolucionário: experiências individuais: colecionadas no espaço de crença.

9 Componentes do AC população, espaço de crença e
protocolo de comunicação

10 Componentes do AC Componente população é modelado por Algoritmo
Genético, Programação Genética ou sistemas de Multi-Agentes entre outros.

11 Componentes do AC O Espaço de Crença representa a influência que está sendo adquirida pela população durante o processo de evolução.

12 Componentes do AC O protocolo de comunicação é usado para determinar a interação entre a população e o espaço de crença.

13 Algoritmo Genético Procedimento básico do Algoritmos Genéticos: Início
t=0 ;primeira geração inicializar população P(t) ;população inicial aleatória avaliar população P(t) ;calcula f(i) para cada indivíduo enquanto (não condição_fim) faça tt+1 ;próxima geração selecionar P(t) de P(t-1) altera P(t) ;crossover e mutação fim enquanto fim

14 Algoritmo Cultural Procedimento básico do Algoritmos Culturais: Início
t= ;primeira geração inicializar população P(t) ;população inicial aleatória Inicializar Espaço de Crença EP(t) avaliar população P(t) ;calcula f(i) para cada indivíduo enquanto (não condição_fim) faça Comunicação (P(t), EP(t)); ;votação Atualização EP(t); ;uso de operadores culturais Comunicação (EP(t), P(t)); ;promoção tt+1 ;próxima geração selecionar P(t) de P(t-1) altera P(t) ;crossover e mutação avaliar P(t) ;calcula f(i) para cada indivíduo fim enquanto fim

15 Componentes do Algoritmo Cultural
Representação da População Representação do Espaço de Crença Operadores Culturais Protocolo de Comunicação

16 População População do Algoritmo Cultural é modelada por Algoritmo Genético, Programação Genética, etc.

17 Espaço de Crença Espaço de Crença é composto por padrões que representam as características dos melhores indivíduos da população. Espaço de Crença é representado por intervalos de números inteiros: (lim_inf, lim_sup)

18 Operadores Culturais Generalização
Caso existam genes na vizinhança de algum intervalo que compõe o Espaço de Crença, expande-se este intervalo de modo que passe a acomodar estes genes. Especialização Caso os genes pertencentes a algum intervalo que compõe o Espaço de Crença estejam concentrados em algum ponto deste intervalo, contrai-se este intervalo.

19 Operadores Culturais Fusão
Este é um caso particular de generalização onde existem genes na vizinhança de dois intervalos bastante próximos e por isso ambos os intervalos acabam se fundindo. Fissão Este é um caso particular de especialização na qual os genes pertencentes a determinado intervalo estão concentrados em mais de um ponto no interior deste intervalo.

20 Ajuste do Espeço de Crença com Operadores
Todo espaço de busca Espaço de Crença

21 Ajuste do Espaço de Crença com Operadores
Especialização     Espaço de Crença

22 Ajuste do Espaço de Crença com Operadores
                

23 Ajuste do Espaço de Crença com Operadores
Generalização               Espaço de Crença

24 Ajuste do Espaço de Crença com Operadores
                  Espaço de Crença

25 Ajuste do Espaço de Crença com Operadores
Fissão                   Espaço de Crença Espaço de Crença

26 Ajuste do Espaço de Crença com Operadores
                              

27 Ajuste do Espaço de Crença com Operadores
Fusão                                Espaço de Crença

28 Protocolo de Comunicação
Processo de Votação e Promoção

29 Protocolo de Comunicação
Processo de Votação e Promoção melhores indivíduos de uma geração do AG influenciam o espaço de crença

30 Protocolo de Comunicação
Processo de Votação e Promoção melhores indivíduos de uma geração do AG influenciam o espaço de crença (8 15) ( 2 10) Espaço de Crença X Y Cromossomo

31 Protocolo de Comunicação
Processo de Votação e Promoção crenças atualizadas influenciam um componente da população (8 15) ( 2 10) Espaço de Crença X Y Cromossomo

32 Protocolo de Comunicação
Processo de Votação e Promoção crenças atualizadas influenciam um componente da população (8 15) ( 2 10) Espaço de Crença X Y Av = Av + Bonus X Y Cromossomo

33 Exemplo Sistema de Otimização de Alternativas para Desenvolvimento de Campos de Petróleo

34 Exemplo Modelagem do Cromossomo

35 Exemplo Modelagem do Espaço de Crença

36 Exemplo Gráfico De desempenho do Algoritmo Otimizador AG
15000 Avaliações AG/AC 15*108 8.2*108 18*108 5.1*108

37 Exemplo Gráfico de desempenho do AG x AG/AC

38 Exemplo AG – 15000 Avaliações AG/AC - 15000 Avaliações
20 Injetores / 20 produtores VPL = 1.57*109 15 Injetores / 16 produtores VPL = 1.77*109

39 Referências Robert G. Reynolds: An Introduction to Cultural Algorithms. Robert G. Reynolds, and ChanJin Chung: A Testbed for Solving Optimization Problems Using Cultural Algorithms. Robert G. Reynolds, and ChanJin Chung: A Self-adaptive Approach to Representation Shifts in Cultural Algorithms.

40 Fim