Genetic Osh and Out

Algoritmos Genticos
Adriano Joaquim de Oliveira Cruz

Universidade Federal do Rio de Janeiro
Maio 2013
Adriano Cruz (DCC-UFRJ)
AGs
Maio 2013
1 / 155
AGs
Maio 2013
2 / 155
Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Island Genetic Algorithms
Separao de Geraes
Um exemplo simples
Elitismo
Exemplo simples com Matlab
Outro exemplo
Ambientes Dinmicos
O FIM
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
Maio 2013
3 / 155
Sorte!
Nas minhas investigaes debaixo do sol, vi ainda que a

corrida no para os geis, nem a batalha para os bravos, nem o
po para os prudentes, nem a riqueza para os inteligentes, nem o
favor para os sbios: todos esto merc das circunstncias e da
sorte.
Eclesiastes 9,12
AGs
Maio 2013
4 / 155
Bibliography
Adriano Joaquim de Oliveira Cruz.

Apresentao Algoritmos Genticos.
Andries P. Engelbrecht.
Computational Intelligence: An Introduction.
John Wiley & Sons, Ltd, West Sussex, England, 2008.
AGs
Maio 2013
5 / 155
Maio 2013
6 / 155
O Problema
Existem problemas para os quais algoritmos

rpidos no so conhecidos.
Encontrar a soluo buscar em um espao
onde vivem potenciais solues a que melhor
resolve o nosso problema.
Quando este espao muito grande, encontrar
a melhor soluo pode levar tempo demais
possvel obter solues aproximadamente
timas usando algoritmos probabilsticos.
AGs
O que so?
Tcnica prtica e robusta de busca e

otimizao.
Baseados nos conceitos da seleo natural.
um mtodo estocstico de busca.
AGs
Maio 2013
7 / 155
Exemplos de Problemas
Encontrar o mximo (mnimo) de uma funo.

Encontrar um bom conjunto de regras para um sistema nebuloso.
Encontrar o melhor agente para atuar como jogador digital.
AGs
Maio 2013
8 / 155
A Metfora
A metfora que est por trs dos AGs a da seleo natural.

Na natureza, o problema de cada espcie o de encontrar as melhores
adaptaes que a faam sobreviver em um ambiente complicado,
muitas vezes hostil e que est sempre mudando.
AGs
Maio 2013
9 / 155
Evoluo
H na natureza evoluo no sentido de melhoria?

Evoluo pressupe caminhar em direo a um indivduo ideal.
AGs
Maio 2013
10 / 155
Adaptao
No seria mais apropriado falar

em melhor adaptao ao
ambiente?
Na natureza sobrevivem no os
mais evoludos e sim os mais
adaptados a um determinado
ambiente.
AGs
Maio 2013
11 / 155
AGs
Maio 2013
12 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Adaptao
O conjunto de caractersticas de um
indivduo, que o distingue dos demais,
determina sua capacidade de
sobrevivncia.
Estas caractersticas so determinadas
pelo seu material gentico.
AGs
Maio 2013
13 / 155
Mecanismos
Na natureza a competio por recursos escassos em ambientes hostis

ou que se alteram faz com que os mais aptos sobrevivam e consigam
se reproduzir.
Atravs da reproduo com parceiros os genes destes indivduos so
ento transmitidos aos seus descendentes.
Este processo contnuo de seleo e reproduo dos mais aptos pode
conduzir a indivduos cada vez mais adaptados.
Este processo denominado seleo natural.
AGs
Maio 2013
14 / 155
Seres Vivos - Cromossomos
Cadeias organizadas de ADN (DNA) e protenas encontrados nas

clulas
Contm informaes que permitem a gerao de um novo ser.
uma pea de ADN contendo diversos genes, elementos reguladores e
outras sequncias de nucleotdeos.
A palavra cromossomo vem do grego chroma (cor) e soma (corpo)
devido a propriedade de poder ser tingido facilmente. (fonte wikipedia)
O conjunto de cromossomos que descrevem um organismo o seu
genoma.
AGs
Maio 2013
15 / 155
Cromossomos vm em pares.
Seres humanos tm 23 pares de cromossomos.
Burros tm 31 pares e carpas 51
Cada gene corresponde a uma regio do DNA que possui uma posio
especfica no cromossomo.
AGs
Maio 2013
16 / 155
AGs
Maio 2013
17 / 155
Seres Vivos - Protenas
Protenas so a base de funcionamento das clulas.

So compostas por cadeias de aminocidos.
Responsveis por praticamente todo o trabalho realizado dentro das
clulas.
Exemplos de protenas: enzimas, hemoglobina, certos hormnios.
AGs
Maio 2013
18 / 155
Seres Vivos - Genes
Responsveis por caractersticas especficas de cada ser.

Podem assumir diferentes valores (alelos).
Diferentes combinaes de valores (gentipos) levam a diferenas em
caractersticas do ser (fentipos).
Por exemplo, dois genes para olhos castanhos (fentipo castanho), dois
genes para olhos verdes (fentipo verde), um gene para olhos verdes e
outro para olhos castanhos (depende de como eles trabalham juntos).
AGs
Maio 2013
19 / 155
Aproximao do funcionamento
DNA armazena informao gentica nos indivduos.

Protenas so as trabalhadoras celulares.
Uma sequncia de DNA contm toda a informao necessria para se
autoreplicar.
Esta sequncia transcrita em RNA e posteriormente transcrita em
uma protena.
AGs
Maio 2013
20 / 155
Seres Vivos - Reproduo
Cromossomos so encontrados em pares.

Indivduos possuem duas cpias de seus genes (reproduo sexuada).
Gametas produzidos durante a fertilizao possuem um representante
de cada par.
Gametas de dois indivduos se unem para formar um novo indivduo.
Durante a produo dos gametas:
Recombinao: troca de parte das cadeias de um par
Mutao: alterao em uma ou mais posies dos cromossomos.
A taxa de mutao muito baixa devido aos mecanismos de correo

embutidos no processo.
AGs
Maio 2013
21 / 155
Gentica e Seleo
Operadores de recombinao e mutao no garantem que os

cromossomos dos filhos sejam exatamente iguais aos dos pais, mas sim
uma combinao com possveis alteraes.
Estas alteraes podem ser benficas ou no.
Indivduos que forem mais bem adaptados podero mais facilmente
repassar suas caractersticas.
Deste modo a evoluo gera maior adaptabilidade. protena.
AGs
Maio 2013
22 / 155
Seres Vivos - Recombinao
C1
C2
AGs
Maio 2013
23 / 155
Variaes de Estratgias
Algoritmos Genticos: baseados na evoluo (adaptao) gentica.

Programao Gentica: baseados em algoritmos genticos, mas os
indivduos so programas.
Programao Evolucionria: deriva da simulao do comportamento
adaptativo em evoluo (evoluo fentica).
Co-evoluo: Evoluo em que indivduos evoluem atravs de cooperao,
ou competio entre si.
AGs
Maio 2013
24 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
Maio 2013
25 / 155
Cromossomo
Indivduos representam solues potenciais em uma populao.

Em AG um indivduo representado por um nico cromossomo.
Usualmente, cada possvel soluo codificada como uma cadeia de
bits, o cromossomo ou gentipo.
Cada parmetro codificado na soluo chamado de um gene.
F (x, y , z)
11010001 11010001 11010001

Gene X
Gene Y
AGs
Gene Z
Maio 2013
26 / 155
Populao
AGs mantm um conjunto de indivduos formando populaes de
solues.
Indivduos devem ser avaliados segundo uma funo de aptido.
Indivduos mais aptos tero mais chances de propagar sua informao
gentica.
AGs
Maio 2013
27 / 155
Geraes
A cada gerao o AG cria uma nova populao.

Esta criao de indivduos baseada em operadores genticos.
A evoluo de uma gerao para outra feita em trs fases: avaliao
da aptido, seleo dos mais aptos e reproduo.
AGs
Maio 2013
28 / 155
O Algoritmo Bsico
incio
Gera populao inicial P
i =0
enquanto condio de parada no satisfeita faa
Avalie cada indivduo da populao
Cria espao para nova populao NP =
enquanto |NP| 6= |P| faa
Seleciona pais a partir de P
Recombine pais e gere filhos
Aplique mutao nos filhos
Insira filhos em NP
fim enqto
P NP
i =i +1
fim enqto
Retorne melhor indivduo de P como soluo
fim
AGs
Maio 2013
29 / 155
Componentes de um AG
Uma representao das solues potenciais.

Uma forma de criar a populao inicial.
Uma funo de avaliao que faz o papel do ambiente e ordena as
solues por um critrio de qualidade.
Operadores genticos que geram e alteram a composio dos filhos
gerados.
Valores para os vrios parmetros: tamanho da populao,
probabilidades de aplicao dos operadores, nmero de geraes etc.
AGs
Maio 2013
30 / 155
Por que AG
Paralelo: mantm uma populao de solues que podem ser avaliadas

simultaneamente.
Global: AGs no usam somente informaes locais, logo no
necessariamente ficam presos em mximos locais.
No totalmente aleatrio: usam informaes da populao atual para
determinar o prximo estado de busca.
No afetados por descontinuidades: no usam informaes de derivadas
nem necessitam informaes de seu entorno.
Funes: Lidam com funes discretas e contnuas.
AGs
Maio 2013
31 / 155
AGs
Maio 2013
32 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Codificaes de uma Soluo
A codificao pode, por exemplo, mapear pontos no espao de

solues em cadeias de bits.
Codificaes so maneiras de traduzir o conhecimento sobre o
problema para o ambiente dos AGs.
Considere f (x0 , x1 , x2 ) e que x0 = 3, x1 = 1, x2 = 0
O cromossomo de 12 bits com genes de 4 bits poderia ser
0011-0001-0000
AGs
Maio 2013
33 / 155
Codificao Binria de uma Soluo
Considere uma funo f (x) de v variveis, ou seja

x = (x0 , x1 , x2 , . . . , xv 1 ) onde xi .
Considere uma codificao binria que usa n bits para representar um
valor real.
Este esquema converte o indivduo x = (x0 , x1 , x2 , . . . , xv 1 ) em
b = (b0 , b1 , b2 , . . . , bv 1 ) onde bi = (b0 b1 . . . bn1 ) e bi {0, 1}.
AGs
Maio 2013
34 / 155
Acurcia da Codificao Binria

Considere que uma varivel x codificada em 16 bits.
Considere que esta varivel pode assumir valores entre xmin = 0 e
xmax = 2 inclusive.
A codificao divide o intervalo [0, 2] em 216 1 pedaos.
Neste caso a mxima acurcia
20
.
216 1
De maneira geral a acurcia mxima neste tipo de codificao

|xmax,d xmin,d |
2nd 1
d uma das dimenses do espao do problema.
nd nmero de bits usado para codificar a dimenso d
AGs
Maio 2013
35 / 155
Quantos Bits?
Suponha que precisamos de D casas decimais.

Seja T o tamanho do intervalo.
Seja uma representao binria com n bits.
Portanto: 2(n1) < T 10D < 2n
Exemplo: D = 6 e T = 3 2097152 = 221 < 3000000 < 222 = 4194304
Neste caso o nmero de bits deve ser 22.
AGs
Maio 2013
36 / 155
Converso para Real

Considere uma varivel x.
Intervalo: [xmin . . . xmax ].
Representao com n bits: b = [b0 b1 . . . bn1 ]
x= b convertido para inteiro.
x=
n1
X
bi 2n1i
i =0
x = (b)
x = xmin + x
AGs
(xmax xmin )
(2n 1)
Maio 2013
37 / 155
Maio 2013
38 / 155
Exemplo
Duas variveis x1 , x2 .
Intervalo: x1 [2, 2] e x2 [0, 1].
Representao usa 6 bits.
Cromossomo = 000011110011.
bx1 = 000011 e bx2 = 110011.
x1 = 3 e x2 = 51
x1 = 2 + 3
x2 = 0 + 51
2(2)
26 1
10
=
26 1
= 1.809
0.809
AGs
Problemas com Binrios
Representao binria pode introduzir problemas quando testamos

solues.
Considere por exemplo as representaes de 7 e 8 com 4 bits: 0111 e
1000.
A distncia de Hamming entre os dois nmeros 4.
Uma pequena mudana na varivel deveria deveria resultar em
pequena mudana na representao.
Neste caso quatro bits devem ser modificados para uma pequena
modificao na representao.
AGs
Maio 2013
39 / 155
Cdigo Gray I
No cdigo Gray somente um bit alterado entre dois nmeros

sucessivos.
Converso de binrio para gray simples.
b0 . . . bn2 bn1 = g0 g1 . . . gn1
g0 = b0
gi = (bi 1 bi ) (bi 1 bi ) = bi bi 1
AGs
Maio 2013
40 / 155
Cdigo Gray II
0
1
2
3
4
5
6
7
Binrio
000
001
010
011
100
101
110
111
Gray
000
001
011
010
110
111
101
100
AGs
Maio 2013
41 / 155
Maio 2013
42 / 155
Converso Gray para Binrio
g0 g1 . . . gn1 = b0 b1 . . . bn1
b0 = g0
bi = (bi 1 gi ) (bi 1 gi ) = bi 1 gi
AGs
Outras Representaes
Reais.
Inteiros.
Permutaes.
Estados Finitos.
rvores.
AGs
Maio 2013
43 / 155
AGs
Maio 2013
44 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Populao Inicial
Uma estratgia simples gerar a populao inicial aleatoriamente.

O tamanho da populao deve ser grande o suficiente para permitir
variabilidade gentica sem atrapalhar o desempenho.
Em algumas solues vrias populaes so criadas.
Estas populaes podem evoluir paralelamente de forma cooperativa
ou no.
AGs
Maio 2013
45 / 155
Populao: Observaes
Grande nmero de individuos aumenta a diversidade, portanto permite

explorar melhor as habilidades da populao.
Grandes populaes exigem maior poder computacional.
O maior tempo gasto em cada gerao pode ser compensado pelo
menor nmero de geraes para atingir o objetivo.
Populaes menores representam um pedao menor do espao de
solues.
Em populaes menores pode ser necessrio aumentar a taxa de
mutao para permitir a explorao de um espao maior.
AGs
Maio 2013
46 / 155
Avaliao da Aptido
O primeiro passo aps gerar uma populao de solues e calcular a
aptido de cada soluo.
Ela deve procurar abarcar todo o conhecimento que se possui sobre o
problema, j que a nica ligao com a realidade.
A funo de aptido f mapeia um cromossomo em um valor escalar.
f : C n , onde C n representa os dados contidos em um
cromossomo com n dimenses.
Esta funo representa a funo objetivo , que descreve o problema
de otimizao a ser resolvido.
No caso de uma representao binria isto feito em etapas.
Temos:
f : {0, 1}n n +
AGs
Maio 2013
47 / 155
Funo de Aptido
A funo de aptido fornece uma avaliao absoluta de cada um dos

indivduos da soluo.
Em alguns problemas uma funo que permita a avaliao absoluta
no existe, por exemplo aprendizado em jogos.
Neste caso so usadas funes que permitem avaliaes relativas dos
indivduos.
AGs
Maio 2013
48 / 155
Tipos de Problemas de Otimizao
Otimizao sem Restries: A funo de aptido simplesmente a funo

objetivo.
Otimizao com Restries: A funo de aptido contm duas funes.
Uma a funo objetivo original e a outra uma funo de
restrio.
Multi-Objetivo: Podem ser resolvidos usando-se uma funo de agregao
ponderada dos resultados das vrias sub-funes objetivo.
Problemas Dinmicos e Ruidosos: Problemas em que os valores da funo
variam com o tempo ou apresentam rudo adicionado.
AGs
Maio 2013
49 / 155
AGs
Maio 2013
50 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Seleo
Aps a avaliao deve-se gerar uma nova populao a partir da atual.

A seleo escolhe que indivduos participaro deste processo.
Na seleo proporcional a probabilidade de um indivduo ser
selecionado funo direta da sua aptido.
No entanto, mesmo os menos aptos devem ter a possibilidade de
passarem para a prxima gerao suas caractersticas.
Existem diversos mtodos de seleo.
AGs
Maio 2013
51 / 155
Presso Seletiva
Presso seletiva est relacionado com o tempo necessrio para que

uma populao uniforme seja gerada.
definida pela velocidade com que os genes da melhor soluo levam
para se espalhar por toda a populao quando somente o operador de
seleo aplicado.
Um operador com alta presso seletiva diminui com rapidez a
diversidade gentica da populao.
Portanto, limita a capacidade do algoritmo explorar o espao de
solues.
Isto pode levar a convergncia para mnimos locais.
AGs
Maio 2013
52 / 155
Exemplo
Considere a funo y = x 2 no intervalo [0,15].
Considere uma representao com 4 bits.
Sabemos que o mximo est em 15 ou b = 1111.
Considere a populao:
b0
b1
b2
b3
= 0001
= 0011
= 0100
= 0110
com
com
com
com
y
y
y
y
=1
=9
= 16
= 36
Os dois melhores indivduos b2 , b3 no contm uma boa caracterstica

que o bit mais direita igual a 1.
Se somente os dois melhores fossem escolhidos para reproduo no
chegaramos a soluo.
AGs
Maio 2013
53 / 155
Seleo Aleatria
o mtodo mais simples.

Cada indivduo xi (t) tem a mesma probabilidade de ser escolhido
s (xi (t)) = n1 , onde n o tamanho da populao e xi (t) o indivduo
i na iterao t.
Nenhuma informao sobre a avaliao de cada indivduo usada.
Este mtodo o que tem a menor presso seletiva.
AGs
Maio 2013
54 / 155
Seleo Proporcional a Avaliao
Proposta por Holland.

Cria uma distribuio de probabilidades proporcional a avaliao de
cada indivduo.
Indivduos so escolhidos com base na distribuio.
f (xi (t))
s (xi (t)) = Pn1
l=0 f (xl (t))
s (xi (t)) a probabilidade de xi (t) ser escolhido.

f (xi (t)) uma funo de avaliao para o indivduo xi (t) escalada
para produzir um valor real positivo.
O tempo t refere-se a iterao, ou gerao, t do algoritmo gentico.
AGs
Maio 2013
55 / 155
Funes de Distribuio Proporcional I

Em problemas de minimizao uma funo possvel seria
f (xi (t)) = fmax f (xi (t))
onde f (xi (t)) = (xi (t)) a prpria funo de avaliao.
No entanto, nem sempre o valor fmax conhecido.
Uma alternativa usar fmax (t), que o mximo valor de f at a
gerao t.
Outra funo possvel :
f (xi (t)) =
1
1 + f (xi (t)) fmin
Neste caso f (xi (t)) (0, 1]
AGs
Maio 2013
56 / 155
Funes de Distribuio Proporcional II
No caso de maximizao as funes seriam:

f (xi (t)) = f (xi (t)) fmin
A funo escalvel entre (0, 1]
f (xi (t)) =
1 + fmax
1
f (xi (t))
AGs
Maio 2013
57 / 155
Funes de Distribuio Proporcional III
Uma funo bastante usada :

f (xi (t)) = f (xi (t))
onde f (xi (t)) = (xi (t)) a prpria funo de avaliao.
AGs
Maio 2013
58 / 155
Roleta na Seleo Proporcional
A roleta um mtodo de seleo proporcional.

Cada cromossomo recebe uma fatia proporcional sua avaliao.
Ao girar a roleta o selecionado ser o indivduo sobre o qual bolinha da
roleta parar.
Indivduos com fatias maiores tm mais probabilidade de serem
escolhidos.
Indivduos selecionados continuam no sorteio.
Portanto, indivduos podem ser escolhidos mais de uma vez.
AGs
Maio 2013
59 / 155
Maio 2013
60 / 155
Criando a Roleta
Calcular a avaliao de cada indivduo,
f (xi (t))
Calcular a avaliao total da populao,
S=
n1
X
f (xl (t))
l=0
Calcular a probabilidade da seleo de cada indivduo

f (xi (t))
s (xi (t)) = Pn1
l=0 f (xl (t))
Calcular a probabilidade cumulativa para cada indivduo

s (xi (t)) =
n1
X
s (xl (t))
l=0
AGs
Exemplo de Roleta
x
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
f (xi (t))
5.00
5.75
6.00
5.75
5.00
3.75
2.00
-0.25
f (xi (t)) fmin

5.5
6.25
6.50
6.25
5.50
4.25
2.50
0.25
37.00
s (xi (t))
0.149
0.169
0.176
0.169
0.149
0.115
0.068
0.007
s (xi (t))
0.149
0.318
0.493
0.662
0.811
0.926
0.993
1.000
Obs. Considere que fmin = 0.5
AGs
Maio 2013
61 / 155
AGs
Maio 2013
62 / 155
A Roleta
x
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
s (xi (t))
0.149
0.169
0.176
0.169
0.149
0.115
0.068
0.007
Rodando a Roleta
Entrada: s (xi (t)) para i = 0 . . . n 1

Sada: ndice i do indivduo escolhido
incio
i =0
soma = s (xi (t))
r = rand()
enquanto soma < r faa
i =i +1
soma = soma + s (xi (t))
fim enqto
Selecione indivduo i
fim
AGs
Maio 2013
63 / 155
Exemplo de Seleo atravs da Roleta

Considere que o valor r sorteado foi 0.795.
Ento o valor selecionado foi 2.0.
x
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
f (xi (t))
5.00
5.75
6.00
5.75
5.00
3.75
2.00
-0.25
f (xi (t)) fmin

5.5
6.25
6.50
6.25
5.50
4.25
2.50
0.25
37.00
AGs
s (xi (t))
0.149
0.169
0.176
0.169
0.149
0.115
0.068
0.007
s (xi (t))
0.149
0.318
0.493
0.662
0.811
0.926
0.993
1.000
Maio 2013
64 / 155
Problemas com Roletas
Pode acontecer do melhor indivduo da populao no ser escolhido

para gerar filhos.
Como a seleo baseada na aptido de cada indivduo, pode ocorrer
que indivduos fortes dominem a produo de filhos.
Portanto, a seleo proporcional tem uma grande presso seletiva.
AGs
Maio 2013
65 / 155
Seleo por Amostragem Estocstica
Para evitar estes problemas Baker props um algoritmo de

amostragem estocstico.
Este algoritmo determina o nmero de filhos que cada indivduo ir
gerar.
J. E. Baker. Reducing Bias and Inefficiency in The Selection
Algorithm. In J. Grefenstette, editor, Proceedings of the Second
International Conference of Genetic Algorithms, pages 14-21, Hillsdale,
N. J. 1987, Erlbaum.
AGs
Maio 2013
66 / 155
Algoritmo Estocstico de Seleo Universal

Entrada: s (xi (t)), total filhos a serem gerados
Sada: i nmero de filhos que cada indivduo pode gerar
incio
para i = 0, . . . , n 1 faa
i (t) = 0
fim para
r = rand(0, 1 )
soma = 0.0
para i = 0, . . . , n 1 faa
soma = soma + s (xi )
enquanto r < soma faa
i + +
r = r + 1
fim enqto
fim para
Retorne = (0 , . . . , n1 )
fim
AGs
Maio 2013
67 / 155
Seleo por Torneio
Selecionar aleatoriamente um subconjunto dos indivduos da

populao.
Competio entre estes indivduos para ver quem ganha o direito de
gerar filhos.
Tamanho do torneio (k) o nmero de indivduos que iro competir.
Dentre os selecionados o que tiver a melhor avaliao o selecionado.
Para cruzamento entre dois pais, este processo deve ser repetido duas
vezes.
Este processo de torneio, seleo e cruzamento repetido at
completar a populao.
AGs
Maio 2013
68 / 155
Presso Seletiva no Torneio

Os k indivduos em um torneio podem ser todos iguais.
Este mtodo diminui o favorecimento para os melhores indivduos
devido ao sorteio para entrar no torneio.
Se k no muito grande ento o melhor indivduo no ir dominar.
Se k muito pequeno ento as chances de indivduos ruins serem
selecionados aumenta.
Se k = 1 temos a seleo randmica.
Se k = n o melhor indivduo ser sempre selecionado.
Um problema que o pior indivduo somente ser selecionado se ele
for o nico no torneio (k iguais).
Se h n indivduos a probabilidade disto ocorrer
1
.
nk
AGs
Maio 2013
69 / 155
Maio 2013
70 / 155
Comparando Probabilidades de Escolha I

Vamos considerar o exemplo abaixo.
Indivduo
x1
x2
x3
x4
x5
x6
x7
x8
total
f (xi (t))
180
120
8000
120
80
10000
10
60
18750
AGs
s (xi (t)) (em %)

0.9
0.6
43.1
0.6
0.4
53.1
0.05
0.3
Comparando Probabilidades de Escolha II
Considere K = 2 para n = 8.
Existem 64 combinaes possveis.
Com o x6 (o melhor) e outro indivduo ele ganhar em 14
possibilidades (x6 , 7 outros) + (7 outros, x6 )
Com o par (x6 , x6 ) ele ganhar uma vez.
Portanto, temos a probabilidade de
15
64
= 23.48%
Valor menor que na roleta, que igual a 53.1%.
AGs
Maio 2013
71 / 155
Seleo Baseada na Classificao
Indivduos so colocados em ordem de acordo com sua funo de

aptido.
A probabilidade de seleo baseada nesta ordem e no nos valores
absolutos das aptides.
Uma possvel vantagem que o mais apto no domina o processo de
seleo.
AGs
Maio 2013
72 / 155
Seleo no Determinstica Baseada na Classificao
Indivduos so colocados em ordem de acordo com sua funo de

aptido.
O indivduo xi selecionado de acordo com a funo
i rand(0, rand(0, n 1))
O melhor indivduo assume a classificao 0 e o pior a n 1.
AGs
Maio 2013
73 / 155
Seleo Baseada em Classificao Linear
Os n indivduos so colocados em ordem de acordo com sua funo de

aptido.
Na seleao por classificao linear assumido que a presso seletiva
pode variar entre [1.0 . . . 2.0].
Para calcular a probabilidade de cada indivduo ser selecionado
podemos usar a frmula
i (t))
2 + 2( 1) fc (x
n1
((x)i (t)) =
n
onde fc (xi (t)) a classificao de xi (t)

o melhor classificado tem classificao n 1 e o pior 0.
AGs
Maio 2013
74 / 155
Probabilidade de Seleo na Classificao Linear

Cada uma das curvas foi gerada com uma presso seletiva.
Para presso seletiva 1 a probabilidade igual para todos.
AGs
Maio 2013
75 / 155
Elitismo
Modificao no algoritmo de gerao da populao.

Os n melhores indivduos de cada gerao so levados para a prxima
gerao.
Por exemplo, em uma populao de p indivduos com elitismo n
somente p n indivduos precisam ser gerados por cruzamentos.
Quanto mais indivduos sobrevivem para a prxima gerao menor ser
a diversidade gentica na prxima gerao.
AGs
Maio 2013
76 / 155
Galeria da Fama
Guarda os melhores jogadores de cada gerao.

A galeria da fama pode ser usada como fonte de bons cromossomos
durante o processo de cruzamento.
Na ltima gerao o melhor indivduo na galeria da fama corresponde
a melhor soluo.
AGs
Maio 2013
77 / 155
AGs
Maio 2013
78 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Cruzamento
Cruzamento o operador
gentico aplicado aos pais
selecionados para gerar os filhos.
Deste cruzamento espera-se que
as boas caractersticas de prvias
geraes sejam passadas as
prximas.
AGs
Maio 2013
79 / 155
Tipos de Cruzamento
Assexuada: o filho gerado a partir

de um pai.
Sexuada: dois pais so usados
para produzir o filho.
Multi-recombinao: o filho gerado
a partir de mais de dois
pais.
AGs
Maio 2013
80 / 155
Seleo dos Pais
Pais so selecionados usando um dos esquemas existentes.

Cruzamento aplicado com um critrio probabilstico.
Cada par de pais tem uma probabilidade pc de gerar filhos.
Usualmente a probabilidade de cruzamento alta.
AGs
Maio 2013
81 / 155
Ponto de Corte em Representaes Binrias
Vamos considerar cromossomos binrios.

Pais so selecionados para gerar os filhos.
Ponto de corte uma posio no cromossomo onde este ser separado
para ser ligado no cromossomo do outro pai.
Cromossomos podem ser cortados de diversas maneiras.
Cruzamentos com um ponto de corte nico o modo mais comum.
AGs
Maio 2013
82 / 155
Exemplo de Cruzamento em um Ponto
Considere os dois indivduos abaixo, cada um com 8 bits (7 at 0).

Considere um ponto de corte no bit 5.
Pais
Filhos
10110111
10100010
01100010
01110111
AGs
Maio 2013
83 / 155
AGs
Maio 2013
84 / 155
Algoritmo de Cruzamento
Entrada: Cromossomos pais b1 e b2
Sada: Cromossomos filhos ~
b1 e ~
b2
incio
/* somos como nossos pais */
~
b1 = b1
~
b2 = b2
se rand() < pc ento
m = GerarMascaraBinaria()
para i = 0 at i < n faa
se m(i) = 1 ento
/* Troca bits */
~
b1 (i) = b2 (i)
~
b2 (i) = b1 (i)
fim se
fim para
fim se
fim
Gerao de Mscara em Cruzamentos com um Ponto
Sada: Mscara m para cruzamento

incio
// Seleciona ponto de cruzamento entre 0 e n 1
c = rand(0, n 1)
// Zera n bits da mscara
m(i) = 0, i = 0 . . . n 1
para i = c + 1 at i < n faa
m(i) = 1
fim para
fim
AGs
Maio 2013
85 / 155
Cruzamento em dois pontos I
Existem alguns esquemas interessantes que o cruzamento em um

ponto no consegue preservar.
Considere que a soluo de um problema, codificada em 8 bits tem o
seguinte esquema:
1******1
Um operador de cruzamento em um ponto ir separar estes bits.
AGs
Maio 2013
86 / 155
Cruzamento em dois pontos II
Filhos
Pais
10|0010
|11
11|0100
10|0100
|11
|01
11|0010
|01
Neste exemplo podemos preservar os esquemas 10|****|11 e

11|****|01.
AGs
Maio 2013
87 / 155
Gerao de Mscara em Cruzamentos com dois Pontos
Sada: Mscara m para cruzamento

incio
// Seleciona primeiro ponto de cruzamento entre 0 e n 1
c1 = rand(0, n 1)
// Seleciona segundo ponto de cruzamento entre 0 e n 1
c2 = rand(0, n 1)
// Zera n bits da mscara
m(i) = 0, i = 0 . . . n 1
para i = c1 + 1 at c2 faa
m(i) = 1
fim para
fim
AGs
Maio 2013
88 / 155
Cruzamento Uniforme
Uma mscara com n bits criada aleatoriamente.
pc a probabilidade de troca dos bits.
Se pc = 0.5 tem cada bit tem uma chance igual de ser trocado.
Algoritmo para gerar a mscara no cruzamento uniforme.
incio
//Zera os n bits da mscara
m(i) = 0, i = 0 . . . n 1
para i = 0 at i < n faa
se rand() pc ento
m(i) = 1
fim se
fim para
fim
AGs
Maio 2013
89 / 155
Exemplo de Cruzamento Uniforme
Pais
Mscara
10110111
Filhos
10110110
00101011
01100011
01100010
AGs
Maio 2013
90 / 155
Representao em Ponto Flutuante
Nmeros em ponto flutuante so usados para representar os indivduos.

Esta forma pode ser mais rpida e mais precisa.
AGs
Maio 2013
91 / 155
Maio 2013
92 / 155
Operador de Cruzamento I
Considerar dois pais x1 e x2 .

Gerar trs candidatos:
x1 + x2 .
1.5x1 0.5x2 .
0.5x1 + 1.5x2 .
Escolher os dois melhores candidatos.
AGs
Operador de Cruzamento II
Considerar dois pais x1 e x2 .

x2 deve ser melhor que x1 , ou seja f (x2 ) > f (x1 ) se for para achar
mximo de f .
~
xi = rand()(x2 x1 ) + x2
Operador direcional, sempre ~
xi > x2 .
AGs
Maio 2013
93 / 155
Operador de Cruzamento III - Cruzamento Aritmtico
Este um operador que combina vrios pais. Vamos considerar l pais.

~
xi =
l1
X
k x k
k=0
onde
l1
X
k = 1
k=0
No caso de l = 2 temos ~
xi = x1 + (1 )x2 .
Se = 0.5 ento o filho a mdia aritmtica dos dois valores.
AGs
Maio 2013
94 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
Maio 2013
95 / 155
Por que?
Filhos podem ultrapassar seus pais caso herdem as melhores

caractersticas de cada pai.
E se os indivduos atuais no contm os genes da soluo?
Ser que temos os genes para telepatia?
A ideia aumentar a diversidade gentica da populao.
Evita que a populao entre em estagnao.
O valor da probabilidade da mutao deve ser muito baixo para evitar
que boas solues sejam muito distorcidas.
Cuidado deve ser tomado para evitar que a mutao gere um
cromossomo invlido.
AGs
Maio 2013
96 / 155
Problemas
Mutao capaz de alterar os cromossomos gerados por cruzamento.
Para representaes binrias a troca faz com que o valor passe de 0(1)
para 1(0).
A maneira mais comum trocar o valor do gene com uma
probabilidade baixa (taxa de mutao) pm .
Cada gene do cromossomo deve ser testado para verificar se pode
ocorrer uma mutao.
O valor da probabilidade da mutao deve ser muito baixa para evitar
que boas solues sejam muito distorcidas.
A probabilidade que um indivduo xi de n genes sofra mutao igual
P(xi ) = 1 (1 pm )n
AGs
Maio 2013
97 / 155
Mutaes em binrios
Uniforme: posies de bits so escolhidas e estes bits so

complementados ou no com um probabilidade pm .
Ordenadamente: dois pontos do cromossomo sao escolhidos aleatoriamente
e somente os bits entre estes dois limites podem sofrem
mutao.
AGs
Maio 2013
98 / 155
Algoritmo para Mutao Uniforme
Entrada: Novo indivduo ~

bi
Sada: Novo indivduo b i aps sofrer mutao uniforme

incio
para j = 0 at n 1 faa
se rand() pm ento
// complementa bit
i (j)
bi (j) = b
fim se
fim para
fim
AGs
Maio 2013
99 / 155
Algoritmo para Mutao Ordenada

Entrada: Novo indivduo ~
bi
Sada: Novo indivduo b i aps sofrer mutao uniforme

incio
// Seleciona primeiro ponto de mutao entre 0 e n 1
t1 = rand(0, n 1)
// Seleciona segundo ponto de mutao entre 0 e n 1
t2 = rand(0, n 1)
para j = t1 at t2 faa
se rand() pm ento
// complementa bit
i (j)
bi (j) = b
fim se
fim para
fim
AGs
Maio 2013
100 / 155
Mutao Uniforme em Representaes Ponto Flutuante
xi =
xi + rand(0, xmax,i xi ) if rand() 0.5

xi rand(0, xi xmin,i ) if rand() > 0.5
Entrada: Novo indivduo xi

Sada: Novo indivduo xi aps sofrer mutao uniforme
incio
// Gera um nmero randmico entre 0 e 1.
t = rand()
se t 0.5 ento
xi = xi + rand(0, xmax,i xi )
seno
xi = xi rand(0, xi xmin,i )
fim se
fim
AGs
Maio 2013
101 / 155
AGs
Maio 2013
102 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Condies de Parada I
Limite de Geraes: o algoritmo para quando um nmero de geraes

predefinido atingido.
Limite de Tempo: o algoritmo para quando um tempo mximo predefinido
foi ultrapassado.
Limite de Aptido: o algoritmo para quando uma soluo aceitvel for
encontrada. Considere que x (t) representa um valor
aceitvel de soluo, se f (xi (t)) kf (x (t)) k o algoritmo
pode parar. Se o valor de for muito pequeno ento o
algoritmo pode no terminar.
AGs
Maio 2013
103 / 155
Condies de Parada II
Sem melhor: Se durante um nmero determinado de geraes nenhum
indivduo supera o melhor atual ento o algoritmo pode ser
interrompido.
Sem mudanas: Se durante um nmero determinado de geraes no h
mudanas na informao contida nos gentipos o algoritmo
pode parar.
Soluo no satisfatria: Se o melhor indivduo encontrado no agrada
ento alternativas podem ser procuradas.
Aumentar a taxa de mutao para expandir o espao de
explorao do algoritmo e tentar sair do possve mnimo
local.
Aplicar a tcnica do dilvio e destruir a populao atual
comeando do zero.
AGs
Maio 2013
104 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
Maio 2013
105 / 155
Paralelismo
Algoritmos genticos so facilmente paralelizveis.

Trs categorias principais podem ser identificadas:
Populaes nicas com avaliao de aptido sendo distribuda entre
vrios processadores.
Populaes nicas com cada indivduo avaliado por um processador.
Multipopulaes ou algoritmos genticos em ilhas.
AGs
Maio 2013
106 / 155
Ilhas
AGs
Maio 2013
107 / 155
AGs
Maio 2013
108 / 155
Ilhas
Ilhas
Mltiplas populaes so usadas, cada uma podendo ser resolvida em

paralelo.
Informao trocada entre populaes com uma poltica de migrao
definida.
Este mtodo tambm pode ser executado serialmente.
Seleo, cruzamento e mutao ocorrem independentemente nas
populaes das ilhas.
AGs
Maio 2013
109 / 155
Polticas de Migrao
Topologia da comunicao entre as ilhas.

Populaes isoladas dificultam troca de informaes
Permitem aparecimento de mltiplas solues.
Comunicao facilitada pode levar a convergncia prematura.
AGs
Maio 2013
110 / 155
Topologias
Exemplo simples: um anel.

Trocas entre vizinhos.
Trocas dinmicas
Origem e destino so encontrados probabilisticamente (por exemplo,
torneios).
Polticas de aceitao de migrantes so possveis.
AGs
Maio 2013
111 / 155
Taxa de migrao
Determina a frequncia da migrao.

Tambm necessrio determinar quando a migrao ir ocorrer.
Migrao usualmente ocorre quando cada populao convergiu.
Aps a troca de indivduos todas as populaes so reiniciadas.
AGs
Maio 2013
112 / 155
Seleo e Substituio
Quem ir migrar?
Quem ser substitudo?
Um
Um
Um
Um
bom migrante substitui um indivduo ruim.

bom migrante substitui um indivduo qualquer.
migrante qualquer substitui um indivduo ruim.
migrante qualquer substitui um indivduo qualquer.
AGs
Maio 2013
113 / 155
AGs
Maio 2013
114 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Algoritmos Genticos Geracionais
Nos algoritmos mostrados at agora toda uma gerao de indivduos

substituda na fase de reproduo.
Este tipo de estratgia para reposio de indivduos chamada
geracional.
Algoritmos Genticos que empregam esta estratgia so chamados
Algoritmos Genticos Geracionais (AGG).
Isto no o que normalmente ocorre na natureza.
AGs
Maio 2013
115 / 155
Algoritmos Genticos de Estado Estacionrio
Nos algoritmos genticos de estado estacionrio (AGEE) h

cohabitao entre indivduos de geraes diversas.
Uma vez que um indivduo gerado e sofre mutao ocorre uma
deciso sobre entre a sobrevivncia do novo indivduo e algum da
populao atual.
O grau de cohabitao chamado de diferena entre geraes.
Isto no o que normalmente ocorre na natureza.
AGs
Maio 2013
116 / 155
Estratgias de Substituio
Pior: o novo indivduo substitui o pior indivduo da populao.

Aleatrio: o novo indivduo substitui um indivduo escolhido
aleatoriamente da populao atual.
Torneio da Morte: um grupo de indivduos selecionado aleatoriamente e
o pior indivduo deste grupo substitudo.
Torneio com Dupla: dois indivduos so selecionados e o pior indivduo
substitudo com probabilidade, 0.5 ps 1.
Substitui o mais Antigo: Substituir o indivduo mais antigo da populao.
Esta estratgia tem o inconveniente de ter alta probabilidade
de substituir um dos melhores.
AGs
Maio 2013
117 / 155
Estratgias de Substituio
Seleo Conservadora: Combina a substituio do mais antigo com o

torneio com duplas. Nesta estratgia ocorre um torneio entre
dois indivduos em que um deles sempre o mais antigo e o
pior substitudo pelo novo indivduo. Isto garante que o
mais antigo no ser substitudo se for o melhor de todos.
Pai-Filho: Uma estratgia de seleo qualquer usada para decidir se o
filho substitui um dos pais.
Elitismo: As estratgias acima podem usar elitismo para evitar que os
melhores indivduos so excludos do processo de substituio.
AGs
Maio 2013
118 / 155
O Algoritmo Estado Estacionrio
incio
Gera populao inicial P
Avalie cada indivduo da populao
t=0
enquanto condio de parada no satisfeita faa
Seleciona pais a partir de P
Recombine pais e gere filho
Aplique mutao no filho
Selecione indivduo a ser substitudo
Insira filho em P
t =t+1
fim enqto
Retorne melhor indivduo de P como soluo
fim
AGs
Maio 2013
119 / 155
AGs
Maio 2013
120 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Exemplo
Considere o problema de achar o mximo da funo

y = sin(10 x) sin(x).
Parmetros:
Populao = 20
Geraes = 30
Probabilidade de cruzamento=0.85
Probabilidade de mutao = 0.01
Bits para codificao = 8
Ex: ./ex1/roda.m
AGs
Maio 2013
121 / 155
Representao
Usaremos um vetor binrio de 8 bits para representar os valores reais

da varivel x.
O domnio da varivel x = [0 . . . 3] tem comprimento 3 e escolhemos
uma representao com 8 bits.
8 bits dividem o domnio em 281 fatias
A converso de vetor binrio para real se faz em dois passos:
Converte o vetor binrio da base 2 para 10 (valor x).
Acha o valor de x:
x = 0 + x (3/(28 1))
AGs
Maio 2013
122 / 155
Representao: exemplo
Considere x= 00010001.
Portanto: x= 17.
Logo: x = 0 + 17 (3/255) = 0.2
AGs
Maio 2013
123 / 155
Maio 2013
124 / 155
Populao inicial
Considere o tamanho da populao igual a 20.

Gerar aleatoriamente 20 nmeros binrios com 8 bits.
AGs
Exemplo de populao inicial

Geracao: 1 Melhor: 01111111 > 0.69179 Media: 0.10544
1
y = sin(10x) * sin(x)
0.8
0.6
0.4
0.2
11
14
2
4
8
3
5
9
15
6
7
13 10
12
0.2
16
19
0.4
18 17
0.6
0.8
1
20
0
0.5
1.5
2.5
3.5
Figura: Exemplo de populao inicial.
AGs
Maio 2013
125 / 155
Maio 2013
126 / 155
Exemplo de final ruim

1
3
2
1
0.8
10
9
8
7
6
5
4
15
14
13
12
11
16
17
0.6
0.4
0.2
18
19
20
0.2
0.4
0.6
0.8
1
0.5
1.5
2.5
3.5
Figura: Exemplo de final ruim.
AGs
Evoluo at final ruim
1
0.8
0.6
0.4
Fitness
0.2
0
0.2
0.4
0.6
Best
Average
0.8
Poorest
1
10
15
Generations
20
25
30
Figura: Evoluo at final ruim.
AGs
Maio 2013
127 / 155
Maio 2013
128 / 155
Exemplo de final bom

13
2
8
7
1
0.8
4
6
5
10
9
12
11
0.6
15
14
13
0.4
16
0.2
17
0
0.2
18
20
19
0.4
0.6
0.8
1
0.5
1.5
2.5
3.5
Figura: Exemplo de final bom.
AGs
Evoluo at final bom
1
0.8
0.6
0.4
Fitness
0.2
0
Best
0.2
Average
Poorest
0.4
0.6
0.8
1
10
15
Generations
20
25
30
Figura: Evoluo at final bom.
AGs
Maio 2013
129 / 155
AGs
Maio 2013
130 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Elitismo
Modificao no algoritmo de gerao da populao.

Os n melhores indivduos de cada gerao so levados para a prxima
gerao.
Por exemplo, em uma populao de p indivduos com elitismo n
somente p n indivduos precisam ser gerados por cruzamentos.
AGs
Maio 2013
131 / 155
Maio 2013
132 / 155
Tabela de elitismo
Elitismo = 2.
Indivduo
1
2
3
4
5
6
7
8
Livre
Livre
Livre
Livre
Livre
Livre
Ao
Mantido
Mantido
para cruzamento
para cruzamento
para cruzamento
para cruzamento
para cruzamento
para cruzamento
AGs
Exemplo com elitismo

Populao = 20, Elitismo = 2.
11
9
8
7
6
5
4
3
2
1
16
15
14
13
12
0
17
20
19
18
1
0.8
0.6
0.4
0.2
y
0
0.2
0.4
0.6
0.8
1
0.5
1.5
2.5
3.5
Figura: Exemplo com elitismo.

AGs
Maio 2013
133 / 155
Maio 2013
134 / 155
Evoluo com elitismo
1
0.8
0.6
0.4
Fitness
0.2
0
Best
0.2
Average
Poorest
0.4
0.6
0.8
1
10
15
Generations
20
25
30
Figura: Evoluo com elitismo.
AGs
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
Maio 2013
135 / 155
Funo ga
Encontra o mnimo de uma funo usando algoritmos genticos.

Sintaxe bsica:
x = ga(fitnessfcn, nvars)
Encontra um mnimo x local sem restries, sujeito a funo
fitnessfcn.
nvars o nmero de variveis da funo.
A funo objetivo, fitnessfcn, aceita um vetor x de tamanho 1 por
nvars e retorna um escalar avaliado no ponto x.
AGs
Maio 2013
136 / 155
Funo ga completa
x = ga(fitnessfcn, nvars, A, b, Aeq, neq, LB, UB, nonlcon, options)

Restries: A x b, A tem tamanho m nvars e b vetor de
comprimento m.
Igualdades lineares: Aeq x = beq Aeq tem tamanho r nvars e beq
vetor de comprimento r .
Limites: LB e UB limites superiores e inferiores das variveis x.
Restries no lineares definidas em nonlincon
Opes: estrutura options com diversos parmetros que definem como
o algoritmo ser executado. Esta estrutura pode ser criada com a
funo gaoptimset.
Rodar ex1cMatlab.m
AGs
Maio 2013
137 / 155
AGs
Maio 2013
138 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
Aprendendo estratgia
O dilema dos prisioneiros.

Dois prisioneiros em celas diferentes.
Impossvel se comunicarem.
Cada um deles pode acusar o outro (A) ou ficar calado/cooperar (C).
Resultados em Michalewicz apud Axelrod
AGs
Maio 2013
139 / 155
Punies Prmios
Jogador 1
Acusa
Acusa
Coopera
Coopera
Jogador 2
Acusa
Coopera
Acusa
Coopera
Pontos J1
1
5
0
3
AGs
Pontos J2
1
0
5
3
Comentrio
Punio
Tentao
Tentao
Prmio
Maio 2013
140 / 155
O dilema
Cada um dos prisioneiros deve decidir se deve cooperar com o outro

prisioneiro ou trair e procurar uma pena menor.
AGs
Maio 2013
141 / 155
Como jogar?
Jogo entre dois jogadores.

Em cada jogada os jogadores decidem o que fazer.
Pontos so atribudos de acordo com a tabela.
Aps um certo nmero de jogadas, o jogador com mais pontos vence.
AGs
Maio 2013
142 / 155
Representando as estratgias I
Considerar estratgias determinsticas.

Considerar os resultados das trs ltimas jogadas para decidir o que
fazer.
Desde que h 4 possibilidades temos 4x4x4=64 histrias diferentes.
AGs
Maio 2013
143 / 155
Representando as estratgias II
64 bits indicam o que fazer para cada uma histria possvel (acusar ou
cooperar)
Podemos usar seis bits para representar as trs jogadas iniciais
(imaginrias) para a primeira jogada.
Total de 70 bits.
AGs
Maio 2013
144 / 155
Representando as estratgias III
Possvel cromossomo: AACCA...ACC

Considerando o bit mais direita como a estratgia 1 (= C cooperar)
e o mais esquerda como estratgia 70 (=A acusar).
A estratgia 3 tem como prxima jogada A=acusar
Esta estratgia pode estar representando a histria: CC; AC; CA
AGs
Maio 2013
145 / 155
Algoritmo I
Escolha uma populao inicial. Cada jogador recebe uma cadeia

aleatria de bits (As e Cs), representando uma estratgia.
Teste cada jogador para testar sua eficcia. O resultado de cada
jogador a mdia de todos os jogos.
Selecione os jogadores que iro reproduzir.
Um jogador mediano recebe um parceiro; um jogador acima de um
desvio padro acima da mdia recebe dois; um ruim nada.
Os jogadores so casados e usa-se mutao.
Assim temos uma nova gerao.
AGs
Maio 2013
146 / 155
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
Maio 2013
147 / 155
Ambientes Dinmicos
Otimizao de uma funo que varia com o tempo.

Aptido varia com tempo.
Considerar variaes suaves.
Reavaliaes dos indivduos no so desejveis pois so caras.
Soluo Proposta (Vinicius Santos): Algoritmos Genticos Estado
Estacionrio Adaptativo.
AGs
Maio 2013
148 / 155
Jogos como Ambientes Dinmicos
Considere a criao de um NPC (Non Player Character) para jogar

contra um humano.
Aptido do humano varia com tempo.
Considerar variaes suaves.
O NPC dever se adaptar a evoluo do jogador.
Reavaliaes dos indivduos no so desejveis pois so caras.
Soluo Proposta (Vinicius Santos): Algoritmo Gentico de Estado
Estacionrio Adaptativo.
AGs
Maio 2013
149 / 155
Modificaes
Alterao da funo de aptido.

Componente do tempo passa influenciar a soluo.
A avaliao de cada indivduo vai variar com o tempo.
Comentrio sobre notao.
Funo de avaliao antes: s (xi (t)), a funo de avaliao depende
somente do indivduo xi (t). O t apenas denota a gerao.
Funo de avaliao adaptativa dependente do tempo: sa (xi (t), t), a
funo de avaliao depende do indivduo xi (t) e do tempo t.
AGs
Maio 2013
150 / 155
Modificaes
sa (xi (t), t) = s (xi (t))h(ti , t)

O valor da avaliao vai ser alterado de acordo com uma funo do
tempo.
Uma possibilidade h(ti , t) = btti onde ti o tempo em que o
indivduo foi inserido na populao.
AGs
Maio 2013
151 / 155
Objetivos
Reduzir a chance de um indivduo ruim se reproduzir.

Reutilizar no novo contexto, a informao gerada anteriormente sobre
os indivduos da populao.
AGs
Maio 2013
152 / 155
Modelagem do Jogador Humano

r (t) = 1 (1 ri )e t
onde ri habilidade inicial do jogador e modela a velocidade com que o
jogador aprende.
AGs
Maio 2013
153 / 155
Maio 2013
154 / 155
Figura: Aprendizado Jogador
Section Summary
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Introduo
Termos e Definies
Algoritmo Gentico
Codificao
Populao
Seleo
Cruzamento
Mutao
Condies de Parada
Separao de Geraes
Um exemplo simples
Elitismo
Outro exemplo
Ambientes Dinmicos
O FIM
AGs
The End
AGs
Maio 2013
155 / 155

Genetic Osh and Out

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

Genetic Osh and Out

Hochgeladen von

Copyright:

Verfügbare Formate

Algoritmos Genticos

Adriano Joaquim de Oliveira Cruz

Adriano Cruz (DCC-UFRJ)

Nas minhas investigaes debaixo do sol, vi ainda que a

Adriano Cruz (DCC-UFRJ)

Adriano Joaquim de Oliveira Cruz.

Adriano Cruz (DCC-UFRJ)

Existem problemas para os quais algoritmos

Adriano Cruz (DCC-UFRJ)

Tcnica prtica e robusta de busca e

Adriano Cruz (DCC-UFRJ)

Encontrar o mximo (mnimo) de uma funo.

Adriano Cruz (DCC-UFRJ)

A metfora que est por trs dos AGs a da seleo natural.

Adriano Cruz (DCC-UFRJ)

H na natureza evoluo no sentido de melhoria?

Adriano Cruz (DCC-UFRJ)

No seria mais apropriado falar

Adriano Cruz (DCC-UFRJ)

Adriano Cruz (DCC-UFRJ)

Na natureza a competio por recursos escassos em ambientes hostis

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Cromossomos

Cadeias organizadas de ADN (DNA) e protenas encontrados nas

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Cromossomos

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Cromossomos

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Protenas

Protenas so a base de funcionamento das clulas.

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Genes

Responsveis por caractersticas especficas de cada ser.

Adriano Cruz (DCC-UFRJ)

DNA armazena informao gentica nos indivduos.

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Reproduo

Cromossomos so encontrados em pares.

A taxa de mutao muito baixa devido aos mecanismos de correo

Adriano Cruz (DCC-UFRJ)

Operadores de recombinao e mutao no garantem que os

Adriano Cruz (DCC-UFRJ)

Seres Vivos - Recombinao

Adriano Cruz (DCC-UFRJ)

Algoritmos Genticos: baseados na evoluo (adaptao) gentica.

Adriano Cruz (DCC-UFRJ)

Indivduos representam solues potenciais em uma populao.

11010001 11010001 11010001

Adriano Cruz (DCC-UFRJ)

Adriano Cruz (DCC-UFRJ)

A cada gerao o AG cria uma nova populao.

Adriano Cruz (DCC-UFRJ)

Adriano Cruz (DCC-UFRJ)

Uma representao das solues potenciais.

Adriano Cruz (DCC-UFRJ)

Paralelo: mantm uma populao de solues que podem ser avaliadas

Adriano Cruz (DCC-UFRJ)

Codificaes de uma Soluo

A codificao pode, por exemplo, mapear pontos no espao de

Adriano Cruz (DCC-UFRJ)

Codificao Binria de uma Soluo

Considere uma funo f (x) de v variveis, ou seja