computação evolucionária

Computação Evolucionária

Aurora Pozo

Motivação“...Se variações úteis para qualquer

organismo devam ocorrer para que ele venha a existir, certamente indivíduos assim caracterizados terão a melhor chance de serem preservados na luta por sobrevivência; e do forte princípio de hereditariedade, eles tenderão a produzir gerações com características similares. Este princípio de preservação, eu batizei, para ser sucinto, de Seleção Natural.”

(Darwin, 1859)

Ambientação

ModeloComputa-

cional

Natureza

ModeloBiológico

Teoria de Darwin

Teoria de Computação Evolucionária

Sumário Computação Evolucionária

Conceitos básicos Visão geral baseada em Algoritmos

Genéticos Programação Genética

Diferenças fundamentais Grupo de Pesquisa em

Computação Evolucionária – DInf

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

Ramos Estratégias Evolucionárias:

ênfase na auto-adaptação. O papel da reocmbinação 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

Evolução Natural Embora tenham origens bastante

diversas, todas essa abordagens têm em comum o modelo conceitual inicial

Aplicações Grande variedade de aplicações

Otimização Indústria, solução de problemas: máquinas x

processos, alocação de recursos, rota de veiculos.

Busca Mineração de Dados, descoberta de

conhecimento em bases de dados, indução de classificadores (caracteristicas x doenças, estrutura de proteinas)

Aprendizado e adaptação

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

Elementos Chaves de Algoritmos Evolucionarios Uma população de individuos A noção de fitness Um ciclo de nascimento e morte

baseados na fitness A noção de herança

Visão Geral doAlgoritmo Evolucionário

população depais

população defilhos

solução

seleção

recombinação

Visão Geral doAlgoritmo Evolucionário

1. Gerar uma população inicial aleatoriamente

2. Fazer até um critério de parada: selecionar indivíduos para pais (fitness) produzir filhos selecionar indivíduos para morrer

(fitness)

3. Retornar um resultado

Algoritmo população inicial

pais selecionados

filhos gerados

nova população

seleção (fitness)

operadoresgenéticos

cruz repr mut

nova popcompleta?

não

sim

satisfeito c/a solução?

não

início

soluçãofim

sim

Algorithmos Geneticos Holland 1960 São algoritmos de busca Objetivo: robusto, sistema

adaptativo Combinam: Sobrevivência do mais

ajustado com um estruturado, aleatorio intercâmbio de informações

AG Apesar de aleatorios, AG não

funcionam unicamente com este conceito.

Eles explotam informação historica para experimentar novos pontos de busca.

Terminologia Biologica Em AG são utilizados termos

biologicos como analogia com a biologia.

Cromossoma: codificação de uma possivel solução – individuo

Genes: Codifica uma caracteristica particular

Genotipo x Fenotipo

Indivíduos Material genético Conjunto de atributos da solução Cada atributo uma sequência de

bits e o individuo como a concatenação das sequências de bits

Codificação binaria, real, códigos

População Conjunto de individuos que estão

sendo cogitados como solução 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

Reprodução Reprodução sexual, genes são

intercambiados entre dois pais – crossover

Os filhos são sujeitos a modificações, na qual bits elementares são mudados - mutação

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.

Heuristica de busca no espaço de estado

Cuidados com o custo computacional.

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.

Figura 1 - Estrutura básica de um Algoritmo Genético

População

Avaliação de Aptidão

Seleção

Cruzamento

Mutação

Operadores genéticos

Critério de Parada ?

Retornar Melhor Indivíduo

Não

Sim

Seleção O operador escolhe quais

indivíduos participarão na criação da próxima geração

Exemplo

Indivíduos Fitness % Fitness10101010110101010111

12 23,08

00001001010101110010

8 15,38

00001100001011011101

9 17,31

00000110010010000010

6 11,54

11100011100010011111

12 23,08

00010101001000010000

5 9,62

Total 52 100,00

Roleta

23%

15%

17%12%

23%

10%

Roleta

InicioT = soma dos valores de aptidão de todos os indivíduos da populaçãoRepita N vezes para selecionar n indivíduos

r = valor aleatório entre 0 e TPercorra sequencialmente os indivíduos da população, acumulando em S o valor de aptidão dos indivíduos já percorridos Se S >= r então

Selecione o indivíduo correnteFim se

Fim RepitaFim

TorneioInicio

k = 0.75Repita N vezes

Escolha 2 indivíduos da população aleatoriamenter = valor aleatório entre 0 e 1Se r < k

O melhor indivíduo é escolhidoSenão

O pior indivíduo é escolhidoFim se

Fim RepitaFim

Pressão de Seleção

M pais Kfilhos

Sem sobreposição

Com sobreposição

Pressão de Seleção Generações com sobreposição

Mais pressão que sem sobreposição M moderado, K=M, GA tradicionais M grande, K pequeno “steady state” GA

Estrategias de seleção (pressão decrecente) Truncação Torneio e ranking Proporcional a fitness Uniforme

Estocastica vs deterministica

Problemas da Roleta Tecnicamente resulta numa

distribuição proporcional de indivíduos

Convergência muito rápida Variância quase nula

Seleção por Ranking Não parametrica Os indivíduos são ordenados de

acordo com sua fitness Os offspring são alocados de

acordo ao ranking (pode ser linearmente)

Reprodução Preserva caracteristicas uteis Introduz variedade e novedades Estrategias

Parentes unicos: clonar + mutuação Parentes multiplos: recombinação +

mutuação

Metodos 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

Cruzamento Pai 1: 10101010110101010111 Pai 2: 00001001010101110010 Cruzamento em um ponto

10101010110101110010, 00001001010101010111

Cruzamento uniforme: os filhos são formados a partir dos bits dos pais (sorteado)

Cruzamento em dois pontos

1 1 1 0 0 1 0 1

1 0 0 0 0 0 0 1

1 1 1 0

0 1 0

1

1 0 0 0

0 0 0

1

Individuo 1

Individuo 2

Descendente 1

Descendente 2

Mutação Esta operação inverte

aleatoriamente alguma característica do indivíduo

Cria novas características que não existiam

Mantem diversidade na população

Balance Explotação-Exploração Pressão de seleção: explotação

Reduz o espaço de busca Reprodução: exploração

Expande o espaço de busca Balance

Seleção forte + taxas de mutução altas Seleçao fraca + taxas de mutução

baixas