Algoritmos genéticos

129 visualizaciones

Publicado el

Inteligencia Artificial

Publicado en: Tecnología
0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
129
En SlideShare
0
De insertados
0
Número de insertados
2
Acciones
Compartido
0
Descargas
3
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Algoritmos genéticos

  1. 1. INTELIGENCIA ARTIFICIAL Trabajo Práctico nº 4 Profesores: Ing. Mario Figueroa Ing. Pablo Rovarini Alumnos: José Daniel Muccela Comisión: 5 k 2 Año 2008 Facultad Regional Tucumán Universidad Tecnológica Nacional Algoritmos Genéticos Optimización Mezcla Motores Nafteros
  2. 2. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 1 TP Nº4 – Algoritmos Genéticos Problema: Optimización Mezcla para Motores Nafteros Desarrollo En la resolución del presente problema se tratará de encontrar la mejor solución, esto es, encontrar los mejores valores para las variables que intervienen en el problema: Aire, Combustible y NOS. Estos valores representarán las partes de los componentes en la mezcla que se usará en el motor para obtener una mayor potencia. Se necesitan 3 variables que son los parámetros a considerar para el desarrollo del modelo. Estas variables son: Aire Combustible NOS Para resolverlo utilizaremos el software comercial Matlab versión 7. Para ello seguimos los siguientes pasos: • Abrimos la herramienta Matlab. • Creamos un nuevo archivo *.mat en el directorio que deseemos. En nuestro caso los archivos se crearon en el Current Directory (‘C:MATLAB7work’). • Se abre la ventana de programación de Matlab. En ella escribimos en la primera línea la definición de la función fitness, que vamos a maximizar y en una segunda línea la función misma. -Línea 1 function F = tp4Mezcla (X) -Línea 2 F = ((0.8*X(1))/(0.1*X(2))) + (0.1 * ((0.36*X(3))/(0.64*X(3)))) AIRE Biela Válvula Bujía Esquema de Motor a combustión
  3. 3. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 2 Para la función fitness consideramos que en la mezcla interviene por un lado el aire con un porcentaje del 80 % de la mezcla y el combustible con un porcentaje del 10 % (variables X1 y X2, respectivamente) y por otro lado interviene el NOS, otorgando a la mezcla inicial su parte de aire (oxígeno) y nitrógeno (variable X3) las cuales están representadas por su respectivo porcentaje en que intervienen en la mezcla. O sea le corresponde el 10 % restante de la mezcla. De ese 10 %, 0.36 corresponden al aporte de aire que tiene el NOS; el 0.64 que queda es Nitrógeno, que se agrega al Combustible. El cociente indica la relación entre el aire y el combustible de la mezcla. Procedemos a guardar el archivo; por defecto se guarda con el mismo nombre especificado en la definición de la función. En nuestro caso mantuvimos el nombre por defecto de la función: tp4Mezcla.mat. • Ahora nos dirigimos a la ventana principal del Matlab y en la ventana de comandos escribimos gatool para abrir la caja de herramientas para resolver problemas de Algoritmos Genéticos que ofrece el programa. >> gatool • Se nos abre una ventana que contiene múltiples opciones para la configuración y la inicialización de nuestro problema: En ella comenzaremos a escribir los parámetros que usará Matlab para resolver el problema.
  4. 4. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 3 En el primer cuadro de texto escribimos la directiva @nombredefunción. Esto significa que llama a la función que previamente creamos en el archivo *.mat (tp4Mezcla). En el siguiente cuadro especificamos el número de variables de la función de aptitud (fitness) del problema que como dijimos son X1, X2 y X3. (Aire, Combustible y NOS, respectivamente). En el grupo Plots, se encuentran las opciones de gráfico, esto es, cuáles serán las salidas que el sistema representará gráficamente para el algoritmo genético. Las más importante son Best fitness, Best individual, Selection. Ahora configuramos las opciones para nuestro problema. En la sección Population especificamos nuestro tipo de población que será un Double Vector (número decimal) ya que usaremos cantidades reales. Especificamos cuantos individuos hay en cada generación en Population size. Indicamos la función de creación: La creación predefinida function Uniform crea una población inicial al azar con una distribución uniforme. Dejamos en blanco Inicial Population para que la función predefinida la cree. Dejamos en blanco Inicial scores para que el algoritmo compute los puntajes de acuerdo a la función de aptitud (fitness). A continuación vamos a especificar cuales serán las opciones para las funciones de Selección, Mutación, Reproducción, etc. Para Fitness scaling nos basamos en posición de los individuos según el ranking (Rank) que obtengan por la adecuación a la función fitness.
  5. 5. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 4 Para la selección elegimos el método de la ruleta, donde a cada individuo se le asigna una porción de la torta. En este caso, a mayor tamaño de la porción mayor será su probabilidad de salir seleccionado. Para la reproducción se considerará el método elitista, donde irán conservándose los mejores a medida que surjan las nuevas generaciones. El porcentaje de cruza lo dejamos en 80 %. El restante es para la mutación. Para la mutación elegimos hacerlo de manera uniforme con una taza de mutación de 1 %. A veces no se llega a realizar la mutación. Caso contrario sólo sería con una frecuencia del 1 %. La mutación permite modificar un gen del genoma de un individuo cualquiera con el fin de mejorarlo. Por ej: Cadena de bits: representan un individuo. 0 1 1 0 1 1 1 0 0 1 Queremos mutar un gen del genoma, supongamos el tercero. De esta manera el genoma quedaría: 0 1 0 0 1 1 1 0 0 1 Para la opción de Cruza (crossover) elegimos Two point. Two point selecciona dos enteros al azar m y n entre 1 y el Número de variables. El algoritmo selecciona genes numerados menores o iguales a m del primer padre, selecciona genes numerados m+1 a n del segundo padre, y selecciona
  6. 6. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 5 genes numerados mayor que n del primer padre. El algoritmo procede a encadenar estos genes para formar un solo gen. Por ejemplo, p1 = [a b c d e f g h] p2 = [1 2 3 4 5 6 7 8] Punto de cruza (al azar) = 3,6 El resultado es el siguiente: p3 = [a b c 4 5 6 g h] Por lo tanto para nuestro caso seleccionamos dos puntos de cruza. Para el criterio de parada del algoritmo elegimos 100 generaciones. El resto de las opciones del criterio podemos dejarlas como están. Esto producirá que en el caso de que no haya mejores soluciones que las que encontró en el proceso de cómputo del algoritmo parará antes de que se llegue a las 100 generaciones. De todas maneras si queremos probar las 100 tenemos que especificar Inf en Time limit, Fitness limit, Stall generations y Stall time limit. Las configuraciones especificadas hasta aquí son suficientes para correr el problema y analizar los resultados. Para ello nos dirigimos a la derecha de la caja de herramientas En esta sección se visualizará el resultado del cómputo y el motivo porque se detuvo el algoritmo Comenzar a correr el problema
  7. 7. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 6 En el momento que se está ejecutando vemos que se abre una ventana mostrando los gráficos que se seleccionamos en la sección Plots. En el se puede ver como los gráficos van modificándose a medida que se realiza el cómputo. Al final del mismo, el resultado de la función fitness es mostrado en la imagen anterior. El mejor resultado encontrado para las variables se observará en la siguiente imagen: Para conservar la configuración que establecimos podemos guardarla de la siguiente manera: Vamos al botón: Esto nos abre una pequeña ventana que nos pregunta qué es lo que queremos exportar: Podemos seleccionar todas las opciones. Cabe mencionar que antes de la ejecución del problema las opciones 2 y 4 están deshabilitadas porque el algoritmo todavía no computó el mismo. Esto permitirá guardar las configuraciones, el problema y los resultados para posteriores ejecuciones y análisis. problema configuración problema configuración
  8. 8. Inteligencia Artificial 2008 - TPNº4 - Alg. Genéticos - Muccela José Daniel UTN FRT 7 Resultados: Puntos finales encontrados. Corresponden a los valores que toman las variables del problema. Gráficos generados: • El primero de ellos muestra el mejor valor para la función fitness. • El segundo hace referencia al mejor individuo actual. • El tercero muestra la expectativa de adaptación de cada individuo. • El cuarto muestra la adaptación de cada individuo. • El quinto hace referencia a la selección de los individuos, de acuerdo al método de la ruleta que seleccionamos en la configuración. • El sexto muestra los criterios de parada de ejecución del problema. Como se ve aquí el problema se detuvo cuando finalizaron de computarse todas las generaciones (100 en este caso). El objetivo es encontrar la mejor combinación de los componentes que intervienen en la mezcla. De esta manera se obtiene un valor correspondiente al Aire, al Combustible y al NOS. Esta será la mejor solución.

×