Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 l Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário l Para apresentar essa representação deve introduzir o conceito de hibridização em GAs. Problemas Numéricos com Representação por Números Reais 2 Algoritmos Genéticos Híbridos l Consiste na construção de um GA inspirado no “algoritmo de otimização em uso” em determinado problema (se houver). Alg. Híbrido = Alg. Em Uso + Alg. Genético l Hibridizar: – Adotar REPRESENTAÇÃO em uso – Adaptar OPERADORES – Adotar HEURÍSTICAS de otimização 3 Vantagens l Incorpora o conhecimento no domínio do problema; l Resulta num sistema mais familiar para o usuário; l Algoritmo em uso pode fornecer “sementes” para o GA, garantindo soluções melhores. l Novos operadores devem estar alinhados com a filosofia de GAs: recombinação e mutação – Crossover: recombinação de sub-partes de indivíduos – Mutação: variações globais ou locais para manter agitada a variedade genética 4 Representação por Números Reais Cromossomas são estruturas contendo números reais. l Hibridizando com “algoritmo em uso” para a otimização da função f6 (x,y) l “Algoritmo em uso” Busca Aleatória de x e y reais •Gera x e y aleatoriamente; •Calcula f6 para o par (x,y); •Salva (x,y) e f6(x,y); •Retorna a melhor avaliação se tempo esgotado; •Retorna ao primeiro passo; 5 Hibridização l Representação: Lista de Reais : (x,y) l Avaliação: f6(x,y) real l Inicialização: Números reais aleatórios l Operadores Genéticos: Crossover e Mutação e Operadores inspirados no problema 6 Crossover l Cromossoma é uma lista de reais: (x,y) l Crossover de 1 ou 2 pontos ou Uniforme sobre lista: l Exemplo: Crossover Uniforme Problema com 4 variáveis P1 (x1, y1, t1, z1) F1 (x2, y1, t1, z2) P2 (x2, y2, t2, z2) F2 (x1, y2, t2, z1) Padrão 0 1 1 0 7 Crossover de Média l Cruzamento específico para o problema l Se dois cromossomas são promissores, a média de seus valores reais pode levar a uma melhor solução P1 (x1, y1) F1 ( (x1+x2)/2, (y1+ y2)/2) P2 (x2, y2) l A média entre dois valores pode resultar em valores mais próximos do valor desejado. 8 Crossover Aritmético l Crossover aritmético é uma combinação linear de dois vetores (genitores) P1 e P2 na geração t: F1 = a . P1 + (1-a) P2 F2 = a . P2 + (1-a) P1 l a =rand [0, 1] : crossover uniforme l a =f(t) : crossover não-uniforme (depende da idade da população) 9 Mutação l Mutação de real – substitui cada número real em um cromossoma por um número real aleatório (se teste probabilidade=TRUE) (x1, y1) (x1, yrand) • Alto poder de dispersão 10 Mutação CREEP l Implementa uma BUSCA LOCAL – busca uma solução próxima através de ajustes aleatórios em ambas as direções (+ e -) – (x1, y1) (x1 x, y1 y) pode ser pequeno ou grande X f() x 11 Creep - Método de Ajuste 1 Xt + (máx - Xt) se bit sorteado =0 l Xt+1 = Xt - (Xt - mín) se bit sorteado =1 máx e mín = limites do domínio de x l (s) = s . rand rand = número aleatório [0, p], p 1 O ajuste varia com o valor de p: se p = pequeno ajuste menor se p = grande ajuste maior 12 Creep - Método de Ajuste 2 Xt + (t, máx- Xt) se bit sorteado =0 l Xt+1 = Xt - (t, Xt -mín) se bit sorteado =1 máx e mín = limites do domínio de x. l (t, s) = s . ( 1 - rand (1 - t T) b ) – rand = número aleatório [0, p], p 1; – t= geração; – T = número máximo de gerações – b = grau de dependência com o número da geração l A probabilidade de (t, s) ser próximo de zero aumenta com o número de gerações. 13 Creep - Método de Ajuste 2 rand l O operador busca uniformemente no espaço no início da evolução (t=pequeno), e mais localmente no final da evolução (t=grande) s (t, s) 1 t T=0,50; b=2 s (t, s) t T=0,90; b=2 1 rand 14 l Módulo de Avaliação Função de Avaliação: Função F6 real l Módulo de População Técnica de Representação: Lista de números reais Técnica Inicialização da População: Números reais aleatórios Técnica Eliminação da População: Elimina o último Técnica de Reprodução: Steady State s/ duplicados Gap Testar de 5 em 5 Técnica de Seleção de Genitores: Roleta Técnica de Aptidão: Normalização Linear (100 a 1) Técnica de Parametrização: Interpolar taxa de incremento (0,2 a 1,2) Population Size: 100 Total de Indivíduos: 4000 l Módulo de Reprodução Técnica de Seleção de Operadores: Roleta Operadores: Crossover Uniforme de Lista Crossover de Média Mutação de Número Real Creep pequeno Creep grande Técnica de Parametrização: Interpolar Pesos dos Operadores de (10 40 10 30 10) a (10 20 0 40 30) GA5-1 15 16 Binária x Reais l Representação por números reais (ponto flutuante) é mais adequada em problemas de otimização com variáveis sobre domínio contínuo; l Em particular em grandes domínios onde a representação binária requer um longo cromossoma: Ex: 100 variáveis, [-500,500], 4 casas decimais 2400 bits l Representação por reais é mais rápida na execução (não há decodificação); l Representação por reais oferece maior precisão (depende do computador); l Desempenho pode ser melhorado com operadores específicos ao problema; l Na representação por reais, dois pontos próximos um ao outro no espaço de representação, estão também próximos no espaço do problema (evita Hamming Cliffs). 17 Distância de Hamming l Rep. Binário Valor Real C1 = 0 1 1 1 1 1 31 C2 = 1 0 0 0 0 0 32 distância = 6 l Rep. Real Valor Real C1 = 31 31 C2 = 32 32 distância = 1
Compartilhar