CE-GA01 - Funcao F6 PDF

Desenvolvimento de um
Algoritmo Gentico
Prof. Marco Aurlio C. Pacheco
Componentes de um Algoritmo Gentico

1. Problema
2. Representao
3. Decodificao
4. Avaliao
5. Operadores
6. Tcnicas
7. Parmetros
2
1. PROBLEMA
Estudo de Contexto do Problema: Conhecer regras,
restries, objetivos, procedimentos em uso, etc.
GAs so indicados em problemas difceis de otimizao::
muitos parmetros e variveis;

mal estruturados: com condies e restries,
difceis de serem modeladas matematicamente;
grandes espaos de busca onde no possvel a
busca exaustiva.
2. REPRESENTAO
Representao fundamental na modelagem de um GA e deve:
descrever o espao de busca relevante ao problema;

codificar geneticamente a essncia do problema:
evoluo do cdigo
evoluo da soluo
ser compatvel com os operadores (crossover e mutao)

representao adequada
evoluo, otimizao
2. REPRESENTAO
Tipo de Problema
Numrico
Ordem
Grupo
Inteiro
Misto
Representao
Binrio, Real
Lista
Vetor
Inteiro
Mista
5
Real representado por Binrio

Primeiro tipo de representao em Algoritmos

Genticos
Nmero real codificado atravs de um nmero
binrio de K bits
Representao binria descreve um real em detalhes
(genes):
13= 1x101 + 3x100 = 10 + 3
13 em binrio = 1101= 1x23 + 1x22 + 0x21 + 1x20 =
8+4+1
6
BINRIO CODIFICANDO REAL
Aspectos importantes:
variveis do problema (x1 , x2 , ... , xt )
domnio de valores: xi (mni, mxi) em R
preciso: p casas decimais
(mxi-mni)x10p diferentes solues
domnio de
xi
mni
Preciso 1/10
mxi
Representao:
k1 bits
k2 bits
x1
x2
...
kt bits
xt
onde,
2ki (mxi-mni)x10p
Preciso = (mxi-mni)
2ki - 1
Decodificao para Real:

i-mni) + mn
x =x
.(mx
________
i real
i bin
2ki - 1
se xibin=(0 0 ... 0)
se xibin=(1 1 ... 1)
xi real = mni
xi real = mxi
REPRESENTAO BINRIA
representa nmeros na menor base (2)
simples de criar e manipular
produz bons resultados
fcil decodificao numrica ( inteiro,real )
facilita a demonstrao de teoremas
porm, nem sempre adequada
9
3. DECODIFICAO
Construir a soluo para o problema a partir de um
cromossoma:
Cromossomas representam solues.
Cromossoma
DECODIFICAO Soluo
0011011
bin
0011011
x=27 x 10/27 -1
ADBCE
3Km
inteiro
1Km
4Km
cidades
7Km
3Km
x=27
x=2,1 x [0,10]
1 casa decimal
rota
ADBCE
C
10
4. AVALIAO
Elo entre o algoritmo gentico e o problema.
f(cromossoma) = medida numrica de aptido
Chances de seleo so proporcionais aptido.
f(i)
n
f(j)
j= 1
11
5. OPERADORES
Atuam no processo de criao de novos
indivduos (descendentes):
1. Crossover
2. Mutao
3. Operadores especficos ao problema
(heursticos)
12
6. TCNICAS
- Tcnicas de Representao
- Tcnicas de Inicializao da Populao
- Tcnicas de Eliminao da Populao Antiga
- Tcnicas de Reproduo
- Tcnicas de Seleo de Genitores
- Tcnicas de Aptido
- Tcnicas de Parametrizao
- Tcnicas de Elitismo
- Tcnicas de Seleo de Operadores
13
7. PARMETROS
- TAMANHO_POPULAO
- TOTAL_INDIVDUOS
- NMERO_GERAES
- TAXA_CROSSOVER
- TAXA_MUTAO
- APTIDO_OPERADORES
- ETC.
14
Desenvolvimento de um Algoritmo Gentico

procedure algoritmo_gentico
begin
t=0
; primeira gerao
inicializa P(t)
; populao inicial aleatria
avalia P(t)
; calcula f(i) p/ cada indivduo
while (not condio_parada) do
begin
t=t+1
; prxima gerao
seleciona P(t) de P(t-1)
altera P(t)
; crossover e mutao
avalia P(t)
; calcula f(i) p/ cada indivduo
end
15
end
Sistemas de Desenvolvimento

ICADEMO
WinGenesis
GENOCOP
GeneHunter
Evolver 4.0
Open Beagle
Sugal
GACOM: Biblioteca de Componentes (C#)
16
Algoritmos Genticos
Exemplos GA1-1 a GA6-1
Especificao de tcnicas e parmetros
por mdulos:
Mdulo de Avaliao
Mdulo de Populao
Mdulo de Representao
17
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F6
GA1-1
Mdulo de Populao
Tcnica de Representao:
Binria 44 bits
Tcnica Inicializao da Populao:
Aleatria
Tcnica Eliminao da Populao:
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Tcnica de Seleo de Genitores:
Roleta
Tcnica de Aptido:
Aptido a avaliao
Tcnica de Parametrizao:
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Tcnica de Seleo de Operadores:
Use todos
Operadores:
Crossover 1 ponto & Mutao
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
18
Funo F6
19
Funo F6(x,y)
F6(x,0)
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-100
-50
50
100
20
Caractersticas da F6
F6(x,y) = 0,5 - (sen x2 + y2 )2 - 0,5

(1,0 + 0,001 (x2 + y2 ))2
Objetivo: Maximizar F6
Uma nica soluo tima: F6(0,0)=1
Difcil de otimizar: vrios mnimos locais
21
Representao
Binria codificando real
2 Variveis: x, y
Domnio: x,y [-100, +100]
Preciso: 4 a 5 casas decimais
6
7
log2 2x10 Ki log2 2x10
Ki=22 total de 44 bits
22
Exemplo
Cromossoma:
00001010000110000000011000101010001110111011
Dividido em x e y:
0000101000011000000001 1000101010001110111011
Convertidos para base 10:

165377 e 2270139
Multiplicados por: 200/222-1

7,885791751335085 e 108,24868875710696
Somados a mn:
x=-92,11420824866492 e y=8,248688757106959
Aplicados a F6(x,y):
F6(x,y)=0,5050708
23
Mdulo de Populao
Aleatria
Gerao aleatria de palavras de 44 bits

Elimina todos
Elimina pop_size indivduos da populao anterior

Tcnica de Reproduo:
Troca da gerao
Reproduz pop_size indivduos para a nova populao

Tcnica de Aptido:
Aptido a avaliao
Aptido numericamente igual avaliao

Roleta
24
Parmetros
Tamanho da Populao:
pop_size
100
Nmero de Geraes:
num_ger
Exemplo
40
Total de Indivduos:
total_ind = pop_size x num_ger
4000
25
Parmetros
Tamanho da Populao:
pop_size
1000
Nmero de Geraes:
num_ger
Exemplo
Total de Indivduos:
4000
26
Parmetros
Tamanho da Populao:
pop_size
10
Nmero de Geraes:
num_ger
Exemplo
400
Total de Indivduos:
4000
27
Seleo pela Roleta

Objetivo: Selecionar indivduos aleatoriamente, proporcionando
maiores chances de reproduo aos mais aptos.
Mtodo por Computador

Encontre a soma da aptido de todos os membros da

populao AT= Ai (0 i pop_size-1)
Gere um nmero aleatrio 0 rand AT
Pegue o primeiro membro da populao Ik cuja aptido
somada s aptides dos membros precedentes maior
ou igual a rand.
Ai rand (i k)
28
Exemplo da Roleta
1
8
8
Cromossoma
Aptido
Ai
2
2
10
3
17
27
23
3
Nmero Aleatrio
Selecionado
4
7
34
49
7
5
2
36
76
10
6
12
48
7
11
59
13
3
8
7
66
1
1
9
3
69
27
3
10
7
76
57
7
4 5
10
17
7 2
12
11
8 10
27
34 36
48
59
66 69
29
76
Mdulo de Reproduo
Use todos
Use todos os operadores da lista de operadores

Operadores:
Crossover & Mutao
Taxa Mutao:
0,008
Taxa Crossover:
0,65
Valores ideais das taxas so obtidos

experimentalmente
30
Mutao
Troca cada gene de um cromossoma se o

teste de probabilidade for verdadeiro
Taxa Mutao: 0,8% (0,008)
Teste Verdadeiro
Teste Falso
Cromossoma
1
1
0
0
1
0
1
0
1
troca bit
mantm bit
Nmero Aleatrio
Novo Cromossoma
0 0,801 0,102 0,266 0,373

0 0,128 0,96 0,005 0,84
0 0,768 0,473 0,894 0,001
1
1
0
0
1
0
1
1
1
0
0
1
31
Crossover
Partes de dois cromossomas so trocadas a

partir de posio escolhida aleatoriamente
Taxa de Crossover : 65%
Teste Verdadeiro
Teste Falso
P1
P2
F1
F2
Efetua Cruzamento
Copia os Genitores
1
0
0
0
1
1
1
1
0
0
1
0
1
0
0
0
1
1
1
1
0
0
0
1
ponto de corte aleatrio
32
Evoluo X Convergncia
Crossover:
acelerador do processo de busca
tira proveito das solues mais promissoras
Mutao
operador exploratrio
dispersa a populao pelo espao de busca
Convergncia (causas):
populao com indivduos muito similares
no h mais evoluo:
timo encontrado ou convergncia prematura (mnimo local)
para continuar a evoluir preciso introduzir mais diversidade na

populao
33
Anlise do Desempenho de um
GA
Melhor de um Experimento (valor)
Melhores por Gerao
Mdia de Melhores por Gerao em vrios

Experimentos
34
Mdia de Experimentos
Calcula mdia dos melhores indivduos
por gerao em vrios experimentos.
Mede o desempenho do GA em encontrar
uma soluo melhor na gerao seguinte
GAs so estocsticos: desempenho varia a
cada experimento
So necessrios muitos experimentos para
se conhecer o desempenho mdio do GA.
35
Melhores por gerao
Experimentos
1o. 2o. 3o. 4o.
Mdia
0,3
ger 1 0,2 0,3 0,1
0,23
ger 2 0,3 0,3 0,2
0,4
0,30
ger 3 0,4 0,6 0,4
0,6
0,50
ger 4 0,7 0,6 0,6
0,6
0,63
Avaliao
1,00
0,50
0,23 0,30
0,00
1
0,50
0,63
0,80
Geraes
36
Caracterstica da Curva de Desempenho

bom desempenho no incio da evoluo
pouco ou nenhum desempenho no final
Aptido A(t)
Curva da Mdia de Experimentos
30000
25000
20000
15000
10000
5000
Geraes
49
45
41
37
33
29
25
21
17
13
0
37
Curva Mdia de Experimentos para

F6(x,y)
Usamos o nmero de dgitos 9 aps o ponto

decimal para distinguir avaliaes muito prximas
de 1,00 .
Exemplo:
Avaliao
0,99873578
0,82435787
0,99995432
dgitos 9
2
0
4
38
ICADEMO
39
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F6
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Roleta
Tcnica de Aptido:
Aptido a avaliao
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
GA1-1
ICADEMO
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
40
Novas Tcnicas e Parmetros

Tcnicas de Aptido
Elitismo
Reproduo Steady State
Ajuste dos Parmetros
41
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F6
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Steady State s/ duplicados
Roleta
Tcnica de Aptido:
Normalizao Linear (100 a 1)
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
GA2-1 a
GA2-5
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,04
Taxa Crossover:
0,8
nenhuma
42
Medida de Aptido
O que ocorre se alterarmos a F6 para:

F6 (x,y) = 0,5 - (sen x2 + y2 )2 - 0,5
(1,0 + 0,001 (x2 + y2 ))2
43
Medida de Aptido
O que ocorre se alterarmos a F6 para:

F6Elevada(x,y) = 999,5 - (sen x2 + y2 )2 - 0,5
(1,0 + 0,001 (x2 + y2 ))2
Formato F6 = formato F6 elevada

Melhor cromossoma para F6 = melhor para F6 elevada
Avaliao de F6 elevada = avaliao F6 + 999
Todavia, GA 1-1 para F6Elevada no apresenta desempenho algum.
PORQUE?

44
Aptido = Avaliao
: aptido do indivduo i
Ai = fi
pi = Ai/ AT = fi / fJ : chances de seleo de I

h pop_size sorteios, ento
Di = pi x pop_size = (fi x pop_size) / fJ =
Di = fi / fAV
: nmero provvel de sorteios de i, ou

nmero de descendentes na prxima
gerao
45

F6
avaliao
best
0,979
worst
0,066
average 0,514
Dbest = 1,905
Dworst = 0,128
forte presso seletiva em
favor do melhor

F6Elevada avaliao
best
999,979
worst
999,066
average 999,514
Dbest = 1,0005
Dworst = 0,9996
melhor e pior cromossomas
vo gerar o mesmo nmero
de descendentes
O efeito da seleo quase nulo porque as

avaliaes esto relativamente muito prximas.
.
46
Tcnicas de Aptido
Aptido a Avaliao
Ai = fi
Exemplo: Ai = 999,979
Windowing
subtrair uma constante dos valores de fi
Normalizao Linear
atribuir valores a Ai baseados no rank do
cromossoma
47
Windowing

Obtenha a avaliao mnima na populao.

Atribua a cada cromossoma I uma aptido igual a:
Ai = (fi - Amn)
Opcionalmente, atribua uma aptido mnima de

sobrevivncia, maior que a aptido mnima
calculada, como garantia de reproduo para os
cromossomas menos aptos.
Exemplo:
Ai = (999,979 - 999,066)= 0,913
48
Normalizao Linear
Coloque os pop_size cromossomas em ordem

decrescente de avaliao (i=1 o menos apto).
Crie aptides, partindo de um valor mn e crescendo
linearmente at o valor mx.
Os valores de mx e mn (ou a constante de
incremento) so parmetros da tcnica.
Ai = mn + (mx - mn)
pop_size - 1
x (i - 1)
Quanto maior a constante de incremento, maior a

presso seletiva sobre os melhores.
49
Exemplo Comparativo
Rank dos cromossomas
Avaliao original
Aptido avaliao
Normalizao Linear, taxa=10
Normalizao Linear, taxa=20
Windowing
6
200
200
60
101
199
5
9
9
50
81
8
4
8
8
40
61
7
3
7
7
30
41
6
2
4
4
20
21
3
1
1
1
10
1
0
SUPER INDIVDUO: cromossoma 6

poucas chance de recombinao com outros indivduos; elimina competidores em poucas
geraes; rpida convergncia.
COMPETIO PRXIMA: entre cromossomas 3, 4 e 5

preciso aumentar a presso seletiva sobre os melhores
50
Mdulo de Avaliao
Funo de Avaliao:
GA2-1
Funo binria F6
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Roleta
Tcnica de Aptido:
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
ICADEMO
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
51
Elitismo

Melhor cromossoma de P(t) copiado em

P(t+1), aps o mutao e crossover.
Reduz o efeito aleatrio do processo seletivo.
Garante que o melhor indivduo da prxima
gerao melhor ou igual ao da gerao
anterior.
52
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F6
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Roleta
Tcnica de Aptido:
Nenhuma
Tcnica de Elitismo:
Copia o melhor
Population Size:
100
Total de Indivduos:
4000
GA2-2
ICADEMO
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
53
Algoritmo Gentico
Tradicional

Representao Binria
Reproduo com substituio da populao
Elitismo
Normalizao Linear
Crossover de 1 ponto e Mutao
Algoritmo de partida em aplicaes
Apresenta bom desempenho em vrios problemas
54
Reproduo Steady State

Substituio parcial de indivduos a cada gerao

Bons indivduos (material gentico) so preservados,
garantindo mais chances de reproduo
Indivduos mantidos no precisam ser reavaliados
Mtodo:
Crie n filhos (seleo+crossover+mutao)
Elimine os n piores membros da populao
Avalie e introduza os filhos na populao
GAP = frao da populao que trocada
GAP determina relao: exploitation x exploration
55
Exemplo de Steady State

C19
C18
C17
C16
C15
C14
C13
C12
C11
C10
C9
C8
C7
C6
C5
C4
C3
C2
C1
120
110
100
99
95
81
76
67
58
44
42
36
22
20
19
17
10
8
5
avaliaes
de P(t)
38
6
121
88
58
17
120
110
100
99
95
81
76
67
58
44
42
36
22
38
6
121
88
58
17
crie n
novos
substitua os n
piores
ordena
121
120
110
100
99
95
88
81
76
67
58
58
44
42
38
36
22
17
6
avaliaes
de P(t+1)
56
Mdulo de Avaliao
Funo de Avaliao:
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Steady State
Gap
Funo binria F6
GA2-3
ICADEMO
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
57
Steady State sem Duplicados

Substituio parcial de indivduos com excluso

de duplicados
Evita os duplicados que so mais frequentes
com steady state (populaes mais estticas)
Maior eficincia do paralelismo de busca,
garantindo pop_size indivduos diferentes
Descendentes duplicados so desprezados
Maior overhead para teste de igualdade
58
Novos Tcnicas, Parmetros

e Operadores
Crossover de 2 pontos
Crossover Uniforme
Operadores Independentes e Seleo
de Operadores
Interpolao dos Parmetros
59
Mdulo de Avaliao
Funo de Avaliao:
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
Funo binria F6
GA3-1 a
GA 3-3
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Interpolar taxa de incremento (de 0,2 a 1,2)
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover Uniforme
Mutao
Taxa Mutao:
0,03
Taxa Crossover:
Interpolar Pesos dos Operadores
de (70 30) a (50 50)
60
Crossover de 2 Pontos

P1
P2
1
0
Semelhante ao crossover de 1 ponto

2 pontos so escolhidos aleatoriamente
Crossover de 1 ponto no consegue combinar todos os padres
de dois genitores
0
0
1
0
1
1
1
0
0
1
0
1
1
0
0
1
1
1
1
1
0
1
1
0
1
0
pontos de corte
P1
P2
1
0
1
0
0
0
1
1
1
0
0
1
0
1
1
0
0
1
1
1
1
1
0
1
1
0
1
0
F1
1
0
1
0
0
0
1
1
0
1
1
0
1
0
0
1
1
0
1
1
1
1
0
1
1
0
1
0
F2
61
Crossover Uniforme

A contribuio de cada genitor decidida aleatoriamente por um

padro (mscara de bits)
F1=P1 onde padro 1 e =P2 onde padro 0
F2=P2 onde padro 1 e =P1 onde padro 0
Capacidade de combinar quaisquer padres
P2
1
0
0
1
0
0
1
1
0
1
1
0
1
1
Padro
F1
1
0
0
1
0
0
1
1
1
0
0
1
1
1
P1
F2
62
Operadores Independentes

GAs podem incorporar diversos operadores genticos.

Qual operador usar a cada instante?
Operadores no devem ser usados todos, com a mesma
intensidade a cada fase da evoluo
mais crossover no incio e mais mutao no final da evoluo.

Soluo: uma roleta sorteia um operador a cada reproduo.

Pesos (chances) dos operadores so parmetros do algoritmo.
OP4
OP3
OP2
OP1
63
Mdulo de Avaliao
Funo de Avaliao:
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
Funo binria F6
GA3-1
ICADEMO
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover 2 pontos
Mutao
Taxa Mutao:
0,03
Taxa Crossover:
Nenhuma
Pesos
(50 50)
64
Mdulo de Avaliao
Funo de Avaliao:
GA3-2
Funo binria F6
Mdulo de Populao
ICADEMO
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover Uniforme
Mutao
Taxa Mutao:
0,03
Taxa Crossover:
Nenhuma
Pesos
(50 50)
65
Desempenho
Aspectos importantes:
convergncia do GA
proximidade dos melhores cromossomas a um mnimo local
diversidade da populao
valores dos parmetros do GA
Exemplo: variao da aptido dos operadores durante evoluo.
30
30
30
25
25
25
20
20
15
15
10
5
0
1
Incio:
Crossover
Mutao
20
10
5
15
0
9 10 11 12 13 14 15
10
0
1
Meio:
Crossover
Mutao
9 10 11 12 13 14 15
9 10 11 12 13 14 15
Fim:
Crossover
Mutao
66
Interpolao de Parmetros
Variao dos parmetros do GA durante a

execuo, de modo a alcanar maior desempenho.
Parmetros:
taxa de crossover
taxa de mutao
taxa incremento da normalizao da aptido
pesos dos operadores, etc
Interpolao linear define:

valores inicial e final do parmetro e frequncia de
ajuste.
Mdulo de Avaliao
Funo de Avaliao:
GA3-3
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
Funo binria F6
67
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Interpolar taxa de incremento (de 0,2 a 1,2)
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover Uniforme
Mutao
Taxa Mutao:
0,03
Taxa Crossover:
Interpolar Pesos dos Operadores
de (70 30) a (50 50)
68
69
GA: Melhores resultados

Durante a modelagem utilizamos mdia de experimentos para

ajuste de parmetros.
Exemplo:
1.
Mdia de Experimentos, dos melhores por gerao de

pop_size indivduos.
2.
Curva Off-Line (valor mdio das avaliaes dos melhores

indivduos encontrados a cada gerao na gerao t)
Os grficos mostram o desempenho mdio do GA.

Para um GA em produo, deseja-se desempenho igual ou
superior mdia, num nico experimento (rodada).
Todavia, um nico experimento no garante resultados mdios.
Questo: Como garantir que uma nica rodada oferea
desempenho igual ou superior mdia?
70
GA: Melhores resultados

Melhor desempenho ocorre quando todos os parmetros

seguem trajetria tima (ajuste durante evoluo).
Parmetros fixos ou com ajustes lineares (interpolao) no
garantem trajetria tima.
H pesquisas em ajuste timo de parmetros.
Alternativa prtica aumentar drasticamente a diversidade
da populao quando GA est convergindo:
1. Alta Taxa de Mutao no final da evoluo (c/elitismo)
2. Reinicializar a populao mantendo-se os N melhores
indivduos. Equivalente a realizar K (K<4) experimentos
consecutivos aproveitando sementes do experimento
71
anterior
F6: 1 experimento, 150 geraes
Baixo
desempenho
72
Desempenho
Mdio
73
Alto
desempenho
74
F6: Mdia 5 experimentos
Desempenho
mdio
75
F6: 3 experimentos com 5 sementes
Desempenho
acima da mdia
Populao reinicializada a
cada 50 geraes
Oscilaes evidenciam a
reinicializao da populao
76

CE-GA01 - Funcao F6 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

CE-GA01 - Funcao F6 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Desenvolvimento de um

Componentes de um Algoritmo Gentico

muitos parmetros e variveis;

Representao fundamental na modelagem de um GA e deve:

descrever o espao de busca relevante ao problema;

ser compatvel com os operadores (crossover e mutao)

Real representado por Binrio

Primeiro tipo de representao em Algoritmos

BINRIO CODIFICANDO REAL

Decodificao para Real:

Desenvolvimento de um Algoritmo Gentico

Tcnica Inicializao da Populao:

Tcnica Eliminao da Populao:

Tcnica de Seleo de Genitores:

Crossover 1 ponto & Mutao

F6(x,y) = 0,5 - (sen x2 + y2 )2 - 0,5

Convertidos para base 10:

Multiplicados por: 200/222-1

Tcnica Inicializao da Populao:

 Gerao aleatria de palavras de 44 bits

Tcnica Eliminao da Populao:

 Elimina pop_size indivduos da populao anterior

 Reproduz pop_size indivduos para a nova populao

 Aptido numericamente igual avaliao

Tcnica de Seleo de Genitores:

Seleo pela Roleta

Encontre a soma da aptido de todos os membros da

Tcnica de Seleo de Operadores:

 Use todos os operadores da lista de operadores

Crossover & Mutao

Valores ideais das taxas so obtidos

Troca cada gene de um cromossoma se o

0 0,801 0,102 0,266 0,373

Partes de dois cromossomas so trocadas a

ponto de corte aleatrio

para continuar a evoluir preciso introduzir mais diversidade na

Melhor de um Experimento (valor)

Melhores por Gerao

Mdia de Melhores por Gerao em vrios

Caracterstica da Curva de Desempenho

Curva da Mdia de Experimentos

Curva Mdia de Experimentos para

Usamos o nmero de dgitos 9 aps o ponto

Tcnica Inicializao da Populao:

Tcnica Eliminao da Populao:

Tcnica de Seleo de Genitores:

Crossover 1 ponto & Mutao

Novas Tcnicas e Parmetros

Tcnica Inicializao da Populao:

Tcnica Eliminao da Populao:

Steady State s/ duplicados

Tcnica de Seleo de Genitores:

Normalizao Linear (100 a 1)

Crossover 1 ponto & Mutao

O que ocorre se alterarmos a F6 para:

O que ocorre se alterarmos a F6 para:

Formato F6 = formato F6 elevada

Todavia, GA 1-1 para F6Elevada no apresenta desempenho algum.

pi = Ai/ AT = fi / fJ : chances de seleo de I

: nmero provvel de sorteios de i, ou

O efeito da seleo quase nulo porque as

Obtenha a avaliao mnima na populao.

Opcionalmente, atribua uma aptido mnima de

Gerao aleatria de palavras de 44 bits

Elimina pop_size indivduos da populao anterior

Reproduz pop_size indivduos para a nova populao

Aptido numericamente igual avaliao

Use todos os operadores da lista de operadores