O documento discute algoritmos genéticos, começando com uma introdução sobre a teoria da evolução de Darwin e o desenvolvimento dos algoritmos genéticos por Holland na década de 1960. Também descreve quando usar algoritmos genéticos, destacando que eles são úteis quando o espaço de busca é limitado e a solução pode ser codificada facilmente.
3. S´ıntese Algor´ıtmos Gen´eticos
Intrdu¸c˜ao
Introdu¸c˜ao
Charles Darwin (1809 - 1892): on the Origin of Species by
Means of Natural Selection (1859) e A The descent of man,
and selection in relation to sex (1871).
Exemplos cl´assicos da teoria Darwiniana: a girafa e a
mariposa.
A sele¸c˜ao natural e os elementos que a determinam.
A gen´etica e a microbiologia
O neo-darwinismo e a evolu¸c˜ao.
Sele¸c˜ao natural + Genes + Reprodu¸c˜ao.
Algor´ıtmos Gen´eticos e a teoria da evolu¸c˜ao.
3
4. S´ıntese Algor´ıtmos Gen´eticos
Intrdu¸c˜ao
A muta¸c˜ao e a recombina¸c˜ao gen´etica.
Dinˆamica populacional.
John Holland em meados dos anos 60 junto com outras
pessoas, desenvolveu os Algor´ıtimos Gen´eticos (Universidade
de Michigan).
Holland: Adaptation in Natural and Artificial Systems
Goldberg: Genetic Algorithms in Search, Optimization and
Machine Learning.
A codifica¸c˜ao do problema, o espa¸co de busca e a fun¸c˜ao de
avalia¸c˜ao.
M´etodo de busca tradicional Vs Algor´ıtmo Gen´etico.
AG’s e os falsos ´otimos.
4
5. S´ıntese Algor´ıtmos Gen´eticos
Intrdu¸c˜ao
A otimiza¸c˜ao num´erica e a otmiza¸c˜ao combinat´oria (exemplo:
caixeiro viajante).
A evolu¸c˜ao das esp´ecies e a otimiza¸c˜ao.
Propriedades: busca codificada, generalidade, paralelismo
expl´ıcito, busca estoc´astica, busca cega, eficiˆencia mediana,
paralelismo impl´ıcito, facilidade no uso das restri¸c˜oes
(exemplos: soft, hard e dom´ınio). OBS: T´ecnicas para lidar
com restri¸c˜oes : Fun¸c˜ao Penalty, elimina¸c˜ao de solu¸c˜oes,
reparo de solu¸c˜oes, decodifica¸c˜ao de cromossomo e
GENOCOP.
Termos: genoma, cromossomo, gen´otipo, fen´otipo, gene,
locus, grau de adpta¸c˜ao, grau de aptid˜ao, gera¸c˜ao, m´edia de
adapta¸c˜ao, grau de convergˆencia, diversidade, elite.
5
7. S´ıntese Algor´ıtmos Gen´eticos
Quando usar um AG?
Quando usar um AG?
Espa¸co de busca limitado + Fun¸c˜ao de avalia¸c˜ao + Solu¸c˜ao
codific´avel facilmente.
7
8. S´ıntese Algor´ıtmos Gen´eticos
O algor´ıtmo gen´etico b´asico
T´opicos
1 Intrdu¸c˜ao
2 Quando usar um AG?
3 O algor´ıtmo gen´etico b´asico
8
9. S´ıntese Algor´ıtmos Gen´eticos
O algor´ıtmo gen´etico b´asico
O algor´ıtmo gen´etico b´asico
Holland: Inicializa¸c˜ao (randˆomica uniforme, randˆomica n˜ao
uniforme, randˆomica com ”dope”e parcialmente enumerativa),
avalia¸c˜ao, sele¸c˜ao, cruzamento, muta¸c˜ao, atualiza¸c˜ao e
finaliza¸c˜ao.
Gera¸c˜ao de uma popula¸c˜ao (inicializa¸c˜ao): codifica¸c˜ao
cl´assica, real e inteira. Estado fixo, incremental e modelo de
ilha (comunica¸c˜ao em rede, estrela e anel).
Calculo da aptid˜ao (fitness).
Sele¸c˜ao dos indiv´ıduos: ´E dirigido e acumulatico. Amostragem
direta, amostragem aleat´oria simples ou equiprov´avel e
amostragem estoc´astica. Scaling: no scaling, linear scaling,
sigma truncation scaling e power la scaling. Sele¸c˜ao por
ranking (rank selection), por giro de roleta (roulette wheel
selection), por torneio (tournament selection), uniforme e
remaider stochastic selection.
9
10. S´ıntese Algor´ıtmos Gen´eticos
O algor´ıtmo gen´etico b´asico
O algor´ıtmo gen´etico b´asico
Cruzamento (crossover). Pareamento (maiting):escolha
aleat´oria, inbreeding, line breeding, out breeding,
self-fertilization, positive assortive mating e negative assortive
mating. Operadores de cruzamento: cruzamento de um ponto
(1PX), cruzamento multiponto (MPX), cruzamento
segmentado (SX), cruzamento uniforme (UX) e cruzamento
por combina¸c˜ao parcial (PMX).
Muta¸c˜ao: flip, por troca e creep.
Elitismo
Parˆametros gen´eticos: Tamanho da popula¸c˜ao, taxa de
cruzamento, taxa de muta¸c˜ao, intervalo de gera¸c˜ao.
10