GA MATLAB Algoritmos Geneticos

Algoritmos genéticos (Matlab)
MATLAB Optimization Toolbox
Iury Steiner de Oliveira Bezerra
Msc. Iury Steiner © 2008 Solutions 4U Sdn Bhd. All Rights Reserved
Optimization Toolbox
Tópicos
• Introdução
• Otimização de funções
• Optimization Toolbox
• Rotinas / Algoritmos Disponíveis
• Algoritmos Genéticos
• Problemas de minimização
• Sem restrições
• Com Restrições
• Exemplos
• Descrição do algoritmo
Otimização de Funções
 Otimização se refere basicamente a maximização ou
minimização de funções
 Problema típico de otimização:
min f x
x
~
~
Subject to: 
hi x  0 Restrições de igualdade
~
g  x  0
j Restrições de desigualdade
~
x L k  xk  xU k Restrições de fronteira
Where:

f x
~
é a função objetivo, o que medir e avaliar o desempenho de um sistema.
Em um problema padrão, estamos minimizando a função. Para
maximização, é equivalente à minimização função objetivo multiplicada por
-1.
x é um vetor coluna de variáveis consideradas, que pode
~ afetar o desempenho da otimização.
© 2008 Solutions 4U Sdn Bhd. All Rights Reserved
Function Optimization (Cont.)

 Restrições – Delimitação do espaço de soluções viávies .
Podem ser basicamente lineares e não lineares

hi x  0
~
Restrições de igualdade
g  x  0
j
Restrições de desigualdades
~
Muitos algoritmos necessitam dessa condição
x L k  xk  xU k Restrições de fronteira ou domínio
 É uma coleção de funções que estendem a capacidade de MATLAB.
As rotinas incluem:
•Otimização sem restrições
•Otimização com restrições lineares e não-lineares.
• Programação Quadrática e programação linear
• Nonlinear least squares e curve fitting

• Nonlinear systems of equations solving
• Constrained linear least squares
•Algoritmos para problemas em larga escala

Algoritmos de minimização
Algoritmos de minimização
(Cont.)
Algoritmos para resolver

equações

Algoritmos de mínimimos
quadrados
Trabalhando com o Opt.

Toolbox
A maioria destas rotinas de otimização exigem a definição de um
M- arquivo que contém a função , f, a ser minimizada.
 A maxização de funções é conseguida minimizando –f.
Opções de otimização são passadas para os algoritmos do Opt.
Toolbox.
Os parâmetros default da otimização podem ser mudados em uma
estrutura propria .
Unconstrained Minimization
 Considere o problema de encontrar um conjunto de valores [x1 x2]T que

resolva
x
~

min f x  e x1  4 x12  2 x22  4 x1 x2  2 x2  1
~
x   x1 x2 
T
 Passos:
• Criar um M-file que retorna o valor da função(Objective
Function). Chame-a de objfun.m
• Então chamar a rotina de minimização. Use fminunc,
fminsearch, etc…
Passo 1 – Obj. Function
x   x1 x2 
T
~
function f = objfun(x)
f=exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);
Objective function
Passo 2 – a rotina
Ponto Inicial
x0 = [-1,1]; Configuração de parametros na variável option
options = optimset(‘LargeScale’,’off’);
[xmin,feval,exitflag,output]=
fminunc(‘objfun’,x0,options);
Argumentos de Sáida
Argumentos de entrada
Resultados
xmin =
0.5000 -1.0000 Minimum point of design variables
feval =
1.3028e-010 Objective function value
exitflag =
1 Exitflag tells if the algorithm is converged.
If exitflag > 0, then local minimum is found
output =
iterations: 7
funcCount: 40
stepsize: 1 Some other information
firstorderopt: 8.1998e-004
algorithm: 'medium-scale: Quasi-Newton line search'
Mais sobre a entrada da fminunc
[xmin,feval,exitflag,output,grad,hessian]=
fminunc(fun,x0,options,P1,P2,…)
fun : A função objetivo.

x0 : Um ponto de partida. Deve ser um vetor que possuí o
mesmo número de variaveis consideradas na otimização.
Option : Configura a otmização
P1,P2,… :Passando a parâmetros adicionais.

Mais sobre fminunc – Output
[xmin,feval,exitflag,output,grad,hessian]=
fminunc(fun,x0,options,P1,P2,…)
xmin :O vetor é o vetor ponto de mínimo.

feval :O valor da função objetivo no ponto de minimo.
exitflag :Esse flag mostra se ocorreu tudo bem.
Output : É uma estrutura que mostra detalhes sobre a otimização
grad : O valor do gradient no ponto de ótimo.
hessian : A matriz hessiana no ponto de mínimo.
Options Setting – optimset
Options =
optimset(‘param1’,value1, ‘param2’,value2,…)
 As rotinas no Optimization tem um conjunto de parametros
default;
 Mas, é permitido que o usuário altere alguns desses parametros;
 É possível consultar uma lista desses parametros com o Help;
 É possível escolher o algortimo a ser utilizado.
Options Setting (Cont.)
Options =
 Digite help optimset no command window, uma lista de opções
será mostrada.
 Por exemplo:
LargeScale - Use large-scale algorithm if

possible [ {on} | off ]
The default is with { }
Value (value1)
Parameter (param1)
Options Setting (Cont.)
Options =
LargeScale - Use large-scale algorithm if

possible [ {on} | off ]
• Since the default is on, if we would like to turn off, we just type:
Options = optimset(‘LargeScale’, ‘off’)
Agora as entradas da fminuc.

Useful Option Settings

Highly recommended to use!!!
 Display - Level of display [ off | iter | notify | final ]

 MaxIter - Maximum number of iterations allowed [ positive integer ]
 TolCon - Termination tolerance on the constraint violation [
positive scalar ]
 TolFun - Termination tolerance on the function value [ positive
scalar ]
 TolX - Termination tolerance on X [ positive scalar ]
fminunc and fminsearch

 fminunc usa algoritmos com informação de gradiente e
hessiana.
 Dois modos:
• Large-Scale: interior-reflective Newton
• Medium-Scale: quasi-Newton (BFGS)
 Não são preferiveis quando a função é descontinua em alguns
pontos.
 Apenas fornece soluções locais..
 fminsearch é menos eficiente do que fminunc. Mas, quando o
problema é descontínuo, fminsearch pode ser mais robusto.
 Esse é um método de busca direta que não usa gradintes nem

informações analíticas.
 Está função também fornece apenas soluções locais.
Minimização com restrições Multiplicadores de

Lagrange
[xmin,feval,exitflag,output,lambda,grad,hessian]
=
fmincon(fun,x0,A,B,Aeq,Beq,LB,UB,NONLCON,options,
P1,P2,…)
Exemplo
function f = myfun(x)
x
~

min f x   x1 x2 x3
~
f=-x(1)*x(2)*x(3);
Sujeito à: 2 x12  x2  0
 x1  2 x2  2 x3  0
x1  2 x2  2 x3  72
0  x1 , x2 , x3  30
0 30
 1 2 2 0
A  , B  LB  0 , UB  30
1 2 2 72
0 30

Example (Cont.)
Para
2 x12  x2  0
Crie um função nonlcon que retorna dois vetores [C,Ceq]
function [C,Ceq]=nonlcon(x)
C=2*x(1)^2+x(2); Lembrar de sempre retornar

Ceq=[]; null para o Ceq.

Example (Cont.)
Ponto Inicial (3 parâmetros Livres)

 1 2 2 0
x0=[10;10;10]; A  , B 
1 2 2 72
A=[-1 -2 -2;1 2 2];
0 30
B=[0 72]';
LB = [0 0 0]';
LB  0 , UB  30
UB = [30 30 30]'; 0 30
[x,feval]=fmincon(@myfun,x0,A,B,[],[],LB,UB,@nonlcon)
Cuidado com isso!!!
fmincon(fun,x0,A,B,Aeq,Beq,LB,UB,NONLCON,options,P1,P2,…)
Exemplo(Cont.)
Warning: Large-scale (trust region) method does not currently solve this type of problem, switching to
medium-scale (line search).
>
Optimization terminated successfully:

Magnitude of directional derivative in search direction less than 2*options.TolFun and maximum constraint
violation is less than options.TolCon
 x1  2 x2  2 x3  0 Const. 1
Active Constraints:
2 x1  2 x2  2 x3  72 Const. 2
9
x=
Const. 3 0  x1  30 Const. 5
0.00050378663220
0.00000000000000
Const. 4 0  x2  30 Const. 6
Const. 7
30.00000000000000
0  x3  30 Const. 8
feval = 2 x12  x2  0 Const. 9

-4.657237250542452e-035
Sequence: A,B,Aeq,Beq,LB,UB,C,Ceq

Set Fitness function to @rastriginsfcn.
Set Number of variables to 2.
Select Best fitness in the Plot functions

pane.
Select Distance in the Plot functions pane.
Set Initial range to [1; 1.1].

Usando o gaToolbox no Matlab


Para usar o Algoritmo Genético do Optimtool,

deve-se selecionar GA – na caixa de solver.
(proximo slide slide)


Para usar o Algoritmo Genético do Optimtool

por linha de comando

X = GA(FITNESSFCN,NVARS)
X = GA(FITNESSFCN,NVARS,A,b)
X = GA(FITNESSFCN,NVARS,A,b,Aeq,beq)
X = GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub)
X = GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON)
X = GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON,options)
options = gaoptimset('PlotFcns',...
{@gaplotbestf});
[x,fval,exitflag,output] = ga(@rastriginsfcn,2,[],[],[],[],[],[],[],options)

[x,y]=meshgrid(-10:0.05:10,-10:0.05:10);
f6=@(x,y)0.5-((sin(sqrt(x.^2+y.^2)).^2)- 0.5)./((1+0.001.*(x.^2+y.^2)).^2);
z=f6(x,y);
figure,mesh(x,y,z)
Restrições lineares para o Algoritmo Genético


A = [1,1;-1,2;2,1]; b = [2;2;3]; lb =
zeros(2,1);
[x,fval] = ga(@lincontest6,2,A,b,[],[],lb,[],[],options);

Restrições não-lineares para o Algoritmo

Genético por linha de comando

Restrições não-lineares
function y = funcao_fitness(x)
y = 100*(x(1)^2 - x(2))^2 + (1 - x(1))^2;
end
function [c, ceq] = funcao_restricoes(x)

c = [1.5 + x(1)*x(2) + x(1) - x(2);...
-x(1)*x(2) + 10];
ceq = [];
end
ObjectiveFunction = @ funcao_fitness ;
nvars = 2; % Numero de Variáveis
LB = [0 0]; % mínimo do espaço de busca
UB = [1 13]; % maximo do espaço de busca
ConstraintFunction = @ funcao_restricoes;
[x,fval] = ga(ObjectiveFunction,nvars,[],[],[],[],LB,UB,ConstraintFunction)


Acessando os parâmetros do Algoritmo Genético


options = gaoptimset('MutationFcn',@mutationadaptfeasible);
[x,fval] = ga(ObjectiveFunction,nvars,[],[],[],[],LB,UB,ConstraintFunction,options)

Um estudo de caso
Nosso exemplo
• É estudado em programação matemática
• É um dos modelos utilizados em pesquisa
operacional.
• É um problema de otimização.
• Tem como objetivo:
• "Alocar recursos escassos (ou limitados) a atividades
em concorrência (em competição)"
Uma empresa pode fabricar dois produtos (1 e 2).

• Na fabricação do produto 1 a empresa gasta nove horas-
homem e três horas-máquina (a tecnologia utilizada é
intensiva em mão-de-obra).
• Na fabricação do produto 2 a empresa gasta uma hora-
homem e uma hora-máquina (a tecnologia é intensiva em
capital).
• A empresa dispõe de 18 horas-homem e 12 horas-máquina
para um período de produção.
• Sabe-se que os lucros líquidos dos produtos são $4 e $1
respectivamente.
Pergunta-se
• Quanto a empresa deve fabricar de

cada produto para ter o maior lucro?
• Caso se obtenha algum recurso
financeiro externo, para investimento
em expansão, em quais dos recursos a
empresa deveria aplicá-lo ?
• Qual seria o impacto no lucro se alguns
trabalhadores faltassem ao trabalho
limitando as horas homens disponíveis
em 15 horas?
Pergunta-se
• Sabendo-se que 4 máquinas são

responsáveis pela produção no período
em análise até quanto se deveria pagar
pelo aluguel de uma máquina se
eventualmente uma das quatro
máquinas quebrassem?
• Qual deveria ser o lucro líquido
fornecido para viabilizar a fabricação
um novo produto que utiliza 5 horas de
cada recurso?
Resolvendo Intuitivamente
• Que modelo mental poderia ser usado?

• Como se poderia utilizar a intuição para
responder as perguntas?
• Tente resolver o problema sem utilizar um
modelo formal.
Transformando os dados em
expressões matemáticas
• A função lucro
• Não havendo economia de escala
• É claro que o lucro máximo seria ilimitado se não
fosse a escassez de recursos.
• Em outros problemas a demanda do mercado
também é um fator limitador.
L  4 x1  x2
Transformando os dados em
expressões matemáticas
• As restrições
• Não se pode utilizar o que não se tem!
• A quantidade utilizada deve ser menor ou igual a
quantidade disponível.
• As quantidades de fabricação devem ser não
negativas
H .H . 9 x1  x2  18
H .M . 3x1  x2  12
x1  0 x2  0
O modelo do problema
Função Objetivo
Max L  4 x1  x2
x1 ,x2 Variáveis de Decisão
Limitações
Matriz
H .H . 9 x1  x2  18
Tecnológica
H .M . 3x1  x2  12
Conjunto das
Possibilidades de
Produção
x1  0 x2  0
Solução Gráfica: Construindo o
conjunto de possibilidades
x2
Valores Possíveis quando
x1  0 x2  0
0 x1
x2
18 9 x1  x2  18
9 x1  x2  18
2
0 x1
x2
12 3x1  x2  12
3x1  x2  12
4
0 x1
x2
12
Conjunto
de Possibilidades
0 2 x1
Solução Gráfica: Definindo as Curvas
de Níveis do Objetivo
• Para cada valor de L tem-se uma reta no

plano (x2 vs x1).
• Dado um valor de L é possível traçar um
lugar geométrico (uma reta) onde as várias
combinações de produção dão o mesmo
lucro, essas curvas são conhecidas como
isolucros.
4 x1  x2  L  x2  4 x1  L
Retas com inclinações negativas
Solução Gráfica: Desenhando as
Curvas de Níveis do Objetivo
x2
L9
L7 Direção de
Crescimento do Lucro
L5
0 x1
Solução Gráfica: Reunindo os
componentes e resolvendo
x2
12 L  13
9
Conjunto
de Possibilidades
0 1 2 x1
A solução
• Que características permitiram a solução?

• O conjunto de possibilidades era convexo.
• Um conjunto é convexo quando toda combinação
convexa de dois elementos dele pertence a ele.
• Uma combinação convexa de dois elementos, x e y é
um terceiro elemento z tal que: z=a.x+(1-a).y onde 0
 a  1.
• É possível definir combinação convexa de n
elementos.

Casos onde a solução não existe
• Conjunto de Possibilidades é vazio

• Não há solução compatível
• Exemplo:
x2
Valores p/
Restrição 1
Valores p/
Restrição 2
0 x1
Casos onde a solução não existe
• A solução é ilimitada
• Não há como definir a decisão
• Exemplo:
x2 Direção de
Crescimento
do Lucro
Conjunto de
Possibilidades
0 x1
Caso de Infinitas Soluções
x2
As soluções
são
combinações
lineares dos
pontos Conjunto
de Possibilidades
extremos Isolucro
0 x1
Exercícios: Resolva
1. Maximize o lucro
L  2 x1  3x2
Sujeito a:
 x1  x2  4
x1  2 x2  6
x1  3 x2  9
x1  0; x2  0
Exercícios: Resolva
2. Maximize a receita
R  0,3x1  0,5x2
Sujeito a:
2 x1  x2  2
x1  3x2  3
x1  0; x2  0
Exercícios: Resolva Graficamente
3. Maximize o lucro
L  2 x1  3x2
Sujeito a:
 x1  2 x2  4
x1  x2  6
x1  3 x2  9
x1  0; x2  0
4. Duas fábricas produzem três tipos de papel. A

companhia que controla as fábricas tem um
contrato para produzir 16 toneladas de papel fino,
6 toneladas de papel médio e 28 toneladas de
papel grosso. Existe uma demanda para cada tipo
de papel . O custo de produção na 1ª fábrica é de
R$1.000,00 e o da 2ª é de R$2.000,00, por dia. A
primeira fábrica produz 8 toneladas de papel fino, 1
tonelada de papel médio e 2 toneladas de papel
grosso por dia, enquanto a segunda produz 2
toneladas de papel fino, 1tonelada de papel médio
e 7 toneladas de papel grosso. Quantos dias cada
fábrica deve operar para suprir os pedidos com o
menor custo?

5. Uma companhia de transporte tem dois tipos de

caminhões: O tipo A tem 2m3 de espaço
refrigerado e 3m3 de espaço não refrigerado; o
tipo B tem 2m3 de espaço refrigerado e 1m3 de
não refrigerado. O cliente quer transportar
produtos que necessitarão de 16m3 de espaço
refrigerado e 12m3 de área não refrigerada. A
companhia calcula que são necessários em
1.100 litros de combustível para uma viagem com
o caminhão A e 750 litros para o caminhão B.
Quantas viagens deverão ser feitas de cada tipo
de caminhão para que se tenha o menor custo de
combustível?
Voltando ao Primeiro Problema
Max L  4 x1  x2
x1 ,x2
H .H . 9 x1  x2  18
H .M . 3x1  x2  12
x1  0 x2  0
Lembrando que foi resolvido graficamente,
analise.......
Fim.

GA MATLAB Algoritmos Geneticos

Hochgeladen von

Dokumentinformationen

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

GA MATLAB Algoritmos Geneticos

Hochgeladen von

Copyright:

Verfügbare Formate

Algoritmos genéticos (Matlab)

MATLAB Optimization Toolbox

Iury Steiner de Oliveira Bezerra

Function Optimization (Cont.)

x L k  xk  xU k Restrições de fronteira ou domínio

• Programação Quadrática e programação linear

• Nonlinear least squares e curve fitting

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Algoritmos para resolver

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Trabalhando com o Opt.

 Considere o problema de encontrar um conjunto de valores [x1 x2]T que

Passo 1 – Obj. Function

x0 = [-1,1]; Configuração de parametros na variável option

Mais sobre a entrada da fminunc

fun : A função objetivo.

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Mais sobre fminunc – Output

xmin :O vetor é o vetor ponto de mínimo.

Options Setting – optimset

 Mas, é permitido que o usuário altere alguns desses parametros;

 É possível consultar uma lista desses parametros com o Help;

 É possível escolher o algortimo a ser utilizado.

Options Setting (Cont.)

LargeScale - Use large-scale algorithm if

Options Setting (Cont.)

LargeScale - Use large-scale algorithm if

Options = optimset(‘LargeScale’, ‘off’)

Agora as entradas da fminuc.

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Useful Option Settings

 Display - Level of display [ off | iter | notify | final ]

fminunc and fminsearch

 Esse é um método de busca direta que não usa gradintes nem

Minimização com restrições Multiplicadores de

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

C=2*x(1)^2+x(2); Lembrar de sempre retornar

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Ponto Inicial (3 parâmetros Livres)

Cuidado com isso!!!

Optimization terminated successfully:

feval = 2 x12  x2  0 Const. 9

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Set Fitness function to @rastriginsfcn.

Set Number of variables to 2.

Select Best fitness in the Plot functions

Select Distance in the Plot functions pane.

Set Initial range to [1; 1.1].

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Usando o gaToolbox no Matlab

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Para usar o Algoritmo Genético do Optimtool,

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Para usar o Algoritmo Genético do Optimtool

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Restrições lineares para o Algoritmo Genético

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

Restrições não-lineares para o Algoritmo

© 2008 Solutions 4U Sdn Bhd. All Rights Reserved

function [c, ceq] = funcao_restricoes(x)