Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouDiogo Vila Alterado mais de 9 anos atrás
1
Algoritmos Evolutivos Algoritmos Genéticos Introdução
Roberto Tadeu Raittz
2
Introdução Modelos inspirados na seleção natural como princípio evolutivo Charles Darwin 1859 Interação dos aspectos: reprodução, competição, mutação e seleção
3
Alguns autores Fraser Bremermann Reed Holland Décadas de 50-70
4
Onde Utilizar Na resolução de problemas que requerem adaptação busca e otimização
5
Ciclo Básico Inicialização aleatória da população de soluções
Avaliação da fitness (Função de aptidão) Seleção dos indivíduos mais aptos baseada em uma estratégia de seleção Aplicação dos operadores de cruzamento e mutação Geração de uma nova população Repetição dos passos (ii) a (v)
6
Por que utilizar São técnicas robustas e eficientes em espaços de busca irregulares, complexos e com múltiplas dimensões Necessitam apenas informações sobre a função objetivo para cada indivíduo da população São simples conceitualmente Apresentam tolerância aos ruídos no problema
7
Vantagens Tratam adequadamente sistemas sujeitos a restrições
Não estudam um caminho para a resolução do problema, apenas avaliam os resultados intermediários São adequados ao Processamento Paralelo Distribuído Funcionam bem com múltiplos objetivos
8
Limitações Não Garantem a melhor solução possível
Têm de avaliar todas as soluções de cada população A estratégia usada para a solução de um problema pode não ser adequada a um outro
9
Operadores Seleção Cruzamento (crossover) Mutação
10
Seleção Emprega o princípio de sobrevivência dos indivíduos mais aptos. Consiste em escolher soluções melhores para repassar dados para as populações futuras
11
Cruzamento-Crossover
E responsável pela troca de material genético entre os indivíduos com maior probabilidade de se reproduzirem visado obter soluções melhores
12
Mutação Modifica genes de indivíduos com objetivo de desenvolver esquemas não presentes na população. Permite fugir de mínimos/máximos locais
13
Terminologia População – conjunto de soluções candidatas
Indivíduo – solução candidata Cromossomo - estrutura que representa uma solução possível para o problema Gene – elemento que compõe o cromossomo (posição) Alelo – valor contido no gene
14
Tipos de representação
Canônica ou binária Ponto flutuante Inteira (por ordem)
15
Representação Canônica
O cromossomo neste caso é um conjunto de bits Um gene neste caso é um bit determinado, sendo seus alelos possíveis 0 ou 1
16
Exemplo com um byte Ind cromossomo representa
17
Selecionando... Critério: Valores maiores, maior probabilidade... Pais:
18
Cruzando... Pais | | Filhos (3,5) | (5,3) |
19
Representação por Ordem
O cromossomo neste caso é um conjunto de elementos com símbolos possíveis pré-determinados Um gene neste caso é a posição que um destes símbolos pode se encontrar O alelo é o conteúdo do gene
20
Exemplo: Ind cromossomo representa 1 - a v x e r b i m 2 - b v e m r i x a 3 - v b m x i r a e 4 - x i v r e a b m 5 - m i v r b a x e
21
Cruzando... Pais 2 - b v | e m r i x a 3 - v b | m x i r a e Filhos: (2,3) – b v m x i r a e (3,2) – v b e m r i x a
22
Métodos de Seleção Monte Carlo - Roleta Escala fixa Outros – Procurar
23
Exemplos Caixeiro viajante Equação Matlab
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.