Beruflich Dokumente
Kultur Dokumente
Osvaldo R. Saavedra
Grupo de Sistemas de Potncia
DEE - UFMA
So Lus- MA
www.dee.ufma.br
Metforas utilizadas em IA
Crebro e sistema nervoso
conexionismo
Linguagem + processos cognitivos
IA simblica
Teoria da evoluo
computao evolutiva
Introduo
Herana Gentica --> Sobrevivncia
do mais apto
princpio evolucionrio
fundamental formulado por
Charles Darwin antes da
descoberta dos mecanismos
genticos.
Sobre Darwin
Experimentos do cruzamento
gentico de ervilhas
Leis de Mendel
A herana dos caracteres era particulada, cada
parental (pai) contribua uma parte para a prole. Esta
parte (partcula, fator) agora chamada de gene que
codifica o que chamamos de fentipos (caracteres).
Algoritmos Evolutivos
... ...
Computao Evolutiva
A maioria das implementaes atuais de
algoritmos Evolutivos derivam-se de trs
grandes correntes independentes, ainda
que fortemente relacionadas, que so:
Algoritmos Genticos;
Estratgias Evolutivas;
Programao Evolutiva.
Computao Evolutiva
Em cada um destes mtodos, uma
populao de indivduos inicializada e
evolui para sucessivas regies melhores no
espao de busca, atravs de um processo
estocstico de seleo, mutao e, se
apropriado, recombinao (cruzamento).
Computao Evolutiva
Em que diferem estes Mtodos ?
Os mtodos diferem com relao :
representao especfica;
operaes de mutao e
processo de seleo
Breve Histrico
Os Algoritmos Genticos (AGs) foram
introduzidos por J. Holland na dcada dos
60, tendo posteriormente a ateno de
vrios autores, entre eles De Jong,
Goldberg, Davis e Koza, entre outros.
AGs
Enfatizam os operadores cromossmicos,
sendo estes baseados na observao dos
mecanismos genticos, isto , cruzamento e
mutao.
Os AGs cannicos utilizam representao
binria
Estratgias Evolutivas (EEs)
Foram inicialmente desenvolvidas na
Alemanha, por Schewefel e Rechenberg,
tambm na dcada de 1960, e posterior-
mente estendidas por Herdy, Rudolph e
Schwefel, entre outros.
Maximizar f(x)
Por que Computao Evolutiva ?
A funo objetivo pode ser para sistemas
reais de complexidade arbitrria.
A soluo para a otimizao global para este
problema, denominada x*, caracterizada
como:
Robustez;
Busca global.
Tcnicas Evolutivas
No h restrio quanto complexidade dos
problemas:
Podem ser tanto discretos como contnuos;
As funes objetivos e restries podem ser:
lineares,
no lineares,
contnuas ou discretas.
Tcnicas Evolutivas
A diferena fundamental da Computao
Evolutiva est em adaptar os mtodos aos
problemas a serem tratados.
o cromossomo decodificado.
Exemplo: Se o cromossomo codifica as
dimenses de um edifcio, ento o fentipo o
edifcio construdo.
Conceitos (II)
Natureza Algoritmos Genticos
Cromosomo (Indivduo) Palavra binria, vector,...
(Soluo)
Gene Caracterstica do problema
(parmetro)
Alelo Alfabeto de representao
Locus Posio dos bits no cromosomo
Gentipo Configurao concreta de bits
Gerao Ciclo
Estratgias Evolutivas
(EEs)
Estratgias Evolutivas (EEs)
Desenvolvidas inicialmente na Alemanha, na
dcada dos 60, focalizando a resoluo de
problemas contnuos de otimizao paramtrica;
x i+1 = xi + N(0, 1)
Com estes elementos ser possvel criar
um procedimento de otimizao ????
Estratgias Evolutivas (EEs)
Representao:
Par de vetores reais :
v = (x, )
Seleo Determinstica.
O parmetro :
determina a mutao de x;
tambm est sujeito ao processo de evoluo.
EEs Atuais
x i+1 = xi + N(0, 2)
Onde N(0,2) um vetor de nmeros
Gaussianos independentes com mdia zero e
desvio padro .
EEs - Populao Unitria
Competio:
O indivduo x i+1 e seu genitor xi competem
para ganhar a vaga na populao;
Neste estgio tem-se temporariamente a
populao dobrada.
Ganha quem tem fitness melhor e satisfaz as
restries do problema.
EEs - Populao Unitria
Competio:
No caso de maximizao:
x i+1 = xi + N(0, 1)
assumindo N(0, 1)= -0.5
x i+1 = 11 - 0.5 = 10.5
EEs - Exemplo
3.- Competio
Populao intermediria: {11, 10.5}
Fitness: f(11)= 121 f(10.5)= 110.25
Melhor fitness = 121
==> Permanece o genitor
x i+1 = xi + N(0, 1)
assumindo N(0, 1)= +0.8
x i+1 = 11 + 0.8 = 11.8
EEs - Exemplo
5.- Competio
Populao intermediria: {11, 11.8}
Fitness: f(11)= 121 f(10.5)= 139.24
Melhor fitness = 139.24
==> Vence o descendente
Fitness
Nger
EEs - Comentrios
- As EEs so robustas;
x'i = xi + i N (0,1)
j j j
j j j
' i = i exp( ' N ( 0,1) + N ( 0,1))
Mutao
Os fatores e ' so normalmente definidos por:
( )
1
1
2 n e 2 n
respectivamente.
Parar?
Mutao
Seleo
Aplicaes
Aplicaes a Sistemas de Potncia
Unit Commitment;
Fluxo de Potncia timo;
Expanso de sistemas de transmisso, etc.
Dificuldades:
Caracterstica multimodal;
No convexidade;
A maioria das tcnicas convergem a uma
soluo local;
Vrios tipos de variveis de controle
(posies de taps, bancos de capacitores,
etc.): inteiras, discretas, contnuas.
Dificuldades - Exemplos
onde:
Prdkm = gkm(V2k + Vm2 - Vk Vm coskm ) : perdas no
ramo k-m;
Formulao para Resoluo Utilizando
Estratgias Evolutivas
Variveis de controle:
s. a.:
Pdi - Pi(V, ) = 0 , i NB-1
Qdi - Qi(V, ) = 0 , i NPQ
2.- Mutao:
O intervalo das variveis de controle
includo como ganho na mutao:
Performance geral
Mtodo f l
min
f l
max
fl l% f lr % CPU
(min)
LM 0.2484 0.2922 0.2641 4.89 94.56 1.56
MPEE1 0.2474 0.2848 0.2643 3.68 94.62 1.55
MPEE2 0.2482 0.2830 0.2592 3.38 92.79 1.36
EEE0100 0.2438 0.2630 0.2541 2.30 90.99 0.69
EEE0200 0.2417 0.2486 0.2443 0.82 87.47 1.34
Evoluo do melhor indivduo
Computao Evolutiva
Programao Evolutiva ( PE)
A Programao Evolutiva original foi
similar s EEs desenvolvidas por Schwefel
e Rechenberg, porm envolvendo um
problema mais complexo, que era criar
inteligncia artificial.
Posteriormente David Fogel estendeu
este procedimento para problemas de
otimizao numrica.
Neste modelo, cada componente de uma
soluo candidata visto como um rasgo
comportamental e no como um gene.
(si) = G( F(si) , vi )
(si) = G( F(si) , vi )
Onde:
F(si) denota a fitness verdadeira de si
wi = t=1 w t ;
c *
ondee:
w t = 1, se (si) (sr);
*
= 0, caso contrrio.
Com:
r = [2mu1 + 1] , r i
que representa o maior inteiro menor ou igual
a 2mu1 + 1
c : nmero de competies
(DARWIN, 1859)
O que so?
Os Algoritmos Genticos so uma
classe de procedimentos, com passos
distintos bem definidos.
Essa classe se fundamenta em
analogias a conceitos biolgicos j
testadas exausto.
Cada passo distinto pode ter diversas
verses diferentes.
Para que servem?
Busca e Otimizao
Amplamente utilizados, com sucesso, em
problemas de difcil manipulao pelas
tcnicas tradicionais
So considerados como metodologia de
propsito geral
Caractersticas Gerais
Utilizam uma codificao do conjunto de
parmetros (indivduos) e no com os prprios
parmetros (estados);
Varrem vrias regies do espao de busca de
cada vez;
Utilizam como direo de busca a qualidade, em
contraste com as derivadas utilizadas nos
mtodos tradicionais de otimizao;
Utilizam regras de transio probabilsticas e
no regras determinsticas.
Caractersticas Gerais
Roleta
Torneio
Cruzamento Um-Ponto
Cruzamento Multi-Pontos
Cruzamento Uniforme
Cruzamento Um-Ponto
0 0 0 0 Pais 1 1 1 1
0 0 1 1 Filhos 1 1 0 0
Cruzamento Multi-Ponto
0 0 0 0 Pais 1 1 1 1
0 1 1 0 Filhos 1 0 0 1
Cruzamento Uniforme
Mscara 0 1 0 1
0 0 0 0 Pais 1 1 1 1
0 1 0 1 Filhos 1 0 1 0
Operador Mutao
Operador de Mutao
Introduz e mantm a variedade gentica da
populao
0 1 1 0 0 0 1
0 1 0 0 0 0 1
Parmetros Genticos
Tamanho da populao
Taxa de cruzamento
Taxa de mutao
Intervalo de gerao
Critrio de parada
Convergncia do Algoritmo
Gentico
Convergncia do Algoritmo
Gentico
Apesar do sucesso uso dos AGs em
problemas de otimizao, os avanos nos
aspectos tericos tm sido limitados.
As atuais bases tericas dos AGs
descansam na representao binria das
solues e na noo de Esquemas, que
permite explorar as similaridades entre
cromossomos.
Considere-se um caso onde alguns bits de
uma string so fixados em valores
especficos, enquanto os restantes so
considerados livres.