Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos Aurora Pozo Pós-graduação em Informática, Pós-graduação em Métodos Numéricos.

Apresentação em tema: "Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos Aurora Pozo Pós-graduação em Informática, Pós-graduação em Métodos Numéricos."— Transcrição da apresentação:

1 Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos
Aurora Pozo Pós-graduação em Informática, Pós-graduação em Métodos Numéricos para Engenharia. Grupo EsCeL,

2 Motivação Algoritmos Genéticos e Evolutivos são eficientes métodos de otimização e planejamento inspirados na natureza baseados nos princípios da evolução natural e genética. Devido a sua eficiência e simples princípios, estes métodos são usados em uma variedade de problemas de otimização e aprendizado de maquina.

3 Ambientação Modelo Biológico Natureza Modelo Computa- cional
Teoria de Computação Evolucionária Modelo Biológico Natureza Modelo Computa- cional Teoria de Darwin

4 Exemplos de Aplicações Reais
Projeto de Sistemas de Controle Parâmetros de Produção Projeto de Satélite Stock/commodity/ analises/ tendências Ajuste de Celulares Data Mining Projeto de Antenas Projeto de Drogas Classificação Química Circuitos Elétricos Escalonamento de Fabricas (Volvo, Deere, outras) Projeto de Turbina Projeto de Carros “Crashworthy” Projeto de Redes

5 Sumário Computação Evolutiva Algoritmos Genéticos Projetos
Conceitos básicos Algoritmos Genéticos Projetos

6 Computação Evolucionária
Área da Inteligência Artificial que engloba um conjunto de métodos computacionais inspirados na Teoria da Evolução das Espécies. auto-organização e o comportamento adaptativo

7 Ramos Estratégias Evolucionárias: Programação Evolutiva:
ênfase na auto-adaptação. O papel da recombinação é aceito, mas como operador secundário. Programação Evolutiva: Previsão do comportamento de máquinas de estado finitas. Algoritmos Genéticos: Indivíduos contém um genótipo formado por cromossomos Programação Genética Evolução de programas Estimativa de Distribuição AG competentes

8 Historia • Estratégias Evolutivas:
Desenvolvida por Rechenberg, Schwefel, etc. em 1960. Foco: Otimização de parâmetros de valores reais Individuo: vetor de parâmetros de valores reais Reprodução: Mutação Gaussiana dos parâmetros M pais, K>>M filhos

9 Historia Programação Evolutiva: Desenvolvida por Fogel in 1960
Objetivo: evoluir comportamento inteligente Indivíduos: Maquina de estado finita Filhos via mutação das MEF M pais, M filhos

10 Historia Algoritmos Genéticos: Desenvolvidos por Holland em 1960s
Objetivo: robustos, sistemas adaptativos Utiliza uma codificação “genética” de pontos Reprodução via mutação e recombinação do código genético. M pais, M filhos

11 Historia Programação Genética Desenvolvidos por Koza em 1990s
Objetivo: Evolução de programas Reprodução via recombinação do código genético. M pais, M filhos

12 Historia Alg. de Estimativa de Distribuição
Inicia com os trabalhos de Baluja 1994 AG competentes ??? Modelam os relacionamentos entre as variáveis do indivíduos. Evoluem o modelo Alguns utilizam redes bayesianas para isto

13 Estado Atual Grande variedade de Algoritmos Evolutivos
Grande variedade de aplicações Otimização, busca, aprendizado, adaptação Analise teórico experimental

14 Características Comuns
Uso de um processo de evolução pseudo-Darwinian para solucionar problemas difíceis. Computação Evolutiva

15 Evolução Natural Embora tenham origens bastante diversas, todas essa abordagens têm em comum o modelo conceitual inicial

16 Características Comuns
Usam um processo de evolução baseado em Darwin para resolver problemas computacionais de IA Inspirados na Teoria da Evolução: os indivíduos mais adaptados sobrevivem

17 Elementos Chaves de Algoritmos Evolucionários
Uma população de indivíduos A noção de fitness Um ciclo de nascimento e morte baseados na fitness A noção de herança

18 Visão Geral do Algoritmo Evolucionário
população de pais seleção recombinação população de filhos solução

19 Visão Geral do Algoritmo Evolucionário
Gerar uma população inicial aleatoriamente Fazer até um critério de parada: selecionar indivíduos para pais (fitness) produzir filhos selecionar indivíduos para morrer (fitness) Retornar um resultado

20 Algorithmos Geneticos
Holland 1960 São algoritmos de busca Objetivo: robusto, sistema adaptativo Combinam: Sobrevivência do mais ajustado com um estruturado, aleatório intercâmbio de informações

21 AG Apesar de aleatórios, AG não funcionam unicamente com este conceito. Eles exploram informação histórica para experimentar novos pontos de busca.

22 Algoritmo início população inicial seleção (fitness) pais selecionados
operadores genéticos cruz repr mut filhos gerados não satisfeito c/ a solução? nova pop completa? fim não solução sim sim nova população

23 Terminologia Biológica
Em AG são utilizados termos biológicos como analogia com a biologia. Cromossomo: codificação de uma possível solução – individuo Genes: Codifica uma característica particular Genótipo x Fenótipo

24 Indivíduos Material genético Conjunto de atributos da solução
Cada atributo uma seqüência de bits e o individuo como a concatenação das seqüências de bits Codificação binária, códigos

25 População Conjunto de indivíduos que estão sendo cogitados como solução Relacionado a dimensão do espaço de busca. Populações pequenas têm grandes chances de perder a diversidade necessária (exploração de todo o espaço de soluções) Populações grandes perderá grande parte de sua eficiência pela demora em avaliar a função de fitness

26 Reprodução Reprodução sexual, genes são trocados entre dois pais – crossover Os filhos são sujeitos a modificações, na qual bits elementares são mudados - mutação

27 Função de fitness Mede a adaptação do indivíduo ou quão boa é a solução dada por este indivíduo. Representativa do problema: diferencie uma solução boa de uma má. Heurística de busca no espaço de estado Cuidados com o custo computacional.

28 Requisitos para usar AG
· Representações das possíveis soluções do problema no formato de um código genético; · População inicial que contenha diversidade suficiente para permitir ao algoritmo combinar características e produzir novas soluções; · Existência de um método para medir a qualidade de uma solução potencial; · Um procedimento de combinação de soluções para gerar novos indivíduos na população; · Um critério de escolha das soluções que permanecerão na população ou que serão retirados desta; ·  Um procedimento para introduzir periodicamente alterações em algumas soluções da população. Desse modo mantém-se a diversidade da população e a possibilidade de se produzir soluções inovadoras para serem avaliadas pelo critério de seleção dos mais aptos.

29 Seleção O operador escolhe quais indivíduos participarão na criação da próxima geração

30 Exemplo Indivíduos Fitness % Fitness 12 23,08 8 15,38 9 17,31 6 11,54
12 23,08 8 15,38 9 17,31 6 11,54 5 9,62 Total 52 100,00

31

32 Reprodução Preserva características úteis
Introduz variedade e novidades Estratégias Parentes únicos: clonar + mutação Parentes múltiplos: recombinação + mutação

33 Métodos de Recombinação
Cruzamento: cria novos indivíduos misturando características de dois indivíduos pais (crossover) Copia de segmentos entre os pais Crossovers multi-ponto, dois pontos, um ponto, uniforme e inversão

34 Cruzamento Pai 1: Pai 2: Cruzamento em um ponto , Cruzamento uniforme: os filhos são formados a partir dos bits dos pais (sorteado)

35 Mutação Esta operação inverte aleatoriamente alguma característica do indivíduo Cria novas características que não existiam Mantém diversidade na população

36 Balance Explotação-Exploração
Pressão de seleção: explotação Reduz o espaço de busca Reprodução: exploração Expande o espaço de busca Balance Seleção forte + taxas de mutação altas Seleção fraca + taxas de mutação baixas

37 Quando AG é bom ? Funções multímodas Funções discretas ou continuas
Funções altamente dimensionais, incluindo combinatórias Dependência não linear dos parâmetros Usada freqüentemente para obter solução a problemas NP completos Não usar quando outro método como hill-climbing, etc., funciona bem

38 Técnicas Avançadas em AGs
AGs são apropriados para problemas complexos, mas algumas melhorias devem ser feitas