CEAAE 2006 Disciplina EE-09: Inteligência Artificial Algoritmos Genéticos Por: CT(EN) ALI KAMEL

1. CEAAE 2006Disciplina EE-09: Inteligência ArtificialAlgoritmos GenéticosPor: CT(EN) ALI KAMEL

2. OBJETIVO O objetivo deste trabalho é apresentar de forma sintética, os princípios básicos dos algoritmos genéticos e suas aplicações.

3. ROTEIRO • INTRODUÇÃO – ORIGENS • PARÂMETROS TÍPICOS • ALGORITMO GENÉTICO TRADICIONAL • SELEÇÃO E CROSSOVER • ESTUDO DE CASOS: • CASO 1(ARTIGO) – DISTRIBUIÇÃO DE RADARES PARA MELHOR COBERTURA RADAR • CASO 2 (VÍDEO) – OTIMIZAR VÔO DE UM PASSÁRO • CONCLUSÃO

4. Teoria da Evolução • 1859 - Charles Darwin publica o livro “A Origem das Espécies”: . “As espécies evoluem pelo principio da seleção natural e sobrevivência do mais apto.” Charles Darwin

5. Teoria da Evolução • 1865- Gregor Mendel apresenta experimentos do cruzamento genético de ervilhas. • Pai da genética. • A Teoria da Evolução começou a partir da conceituação integrada da seleção natural com a Genética. . Gregor Mendel

6. Algoritmos Genéticos com Parâmetros Contínuos e Representação Binária • É historicamente importante, foi utilizado nos trabalhos pioneiros de Holland (1975). • A representação tradicional. • Fácil de usar e manipular. • Simples de analisar teoricamente. • Não há uniformidade nos operadores. • Mutação nos primeiros bits do gene afeta mais a aptidão que mutação nos últimos bits do gene

7. PARÂMETROS TÍPICOS • Cromossomo (genótipo) - cadeia de bits que representa uma solução possível para o problema. Existem três tipos de representação possíveis para os cromossomos: binária, inteira ou real. A essa representação se dá o nome de alfabeto do AG. De acordo com a classe de problema que se deseje resolver pode-se usar qualquer um dos três tipos. • Gene - representação de cada parâmetro de acordo com o alfabeto utilizado (binário, inteiro ou real). • Fenótipo - cromossomo codificado; • População - conjunto de pontos (indivíduos) no Espaço de Busca; • Geração - iteração completa do AG que gera uma nova população; • Aptidão bruta - saída gerada pela função objetivo para um indivíduo da população; Aptidão normalizada - aptidão bruta normalizada, entrada para o algoritmo de seleção; • Aptidão máxima - melhor indivíduo da população corrente; e • Aptidão média - aptidão média da população corrente.

8. Algoritmo Genético Tradicional REF [3]

9. Seleção proporcional a aptidão (Roleta) REF [3]

10. “CROSSOVER” REF [3]

11. EXEMPLO DE APLICAÇÃO PROBLEMA 1: Otimizar a distribuição de radares para que tenhamos uma melhor cobertura.Artigo estudado: “Algoritmo Genético Aplicado à Otimização da Cobertura do Sinal gerdo por Radares Terrestres” – Felipe Leonardo Lobo de Medeiros et all. –IEAv REF [5]

12. DEFINIÇÃO DOS PARÂMETROS

13. REF [5]

14. REF [5]

15. PROBLEMA 2: Otimizar o vôo de um pássaro, USANDO REDES NEURAIS E ALG. GENÉTICOS (SISTEMA HÍBRIDO). “Evolution of neuro-controllers for a flapping-wing animat.” - Stéphane Doncieux, Jean-Baptiste Mouret, Laurent Muratet et all FROM ANIMALS TO ANIMATS 9 The Ninth International Conference on the SIMULATION OF ADAPTIVE BEHAVIOR (SAB'06) 25 - 29 September 2006, CNR, Roma, Italy http://www.ele.ita.br/~alikamel/Listex1/evolving.mp4 http://www.ele.ita.br/~alikamel/Listex1/Doncieux_JMD.pdf (Necessário uso do software Quick Time) REF [4]

16. CONCLUSÕES • Os AG's são apropriados para problemas de otimização complexos, que envolvem muitas variáveis e um espaço de soluções de dimensão elevada. • Abrangem um grande número de aplicações. • O controle sobre os parâmetros do algoritmo é de fundamental importância para uma convergência rápida. • Para problemas específicos é aconselhável a utilização de algoritmos híbridos, que misturam as técnicas dos AG's com os métodos de otimização tradicionais. • Devido ao grande número de variáveis que um AG trata e às populações elevadas e alto número de gerações para a cobertura do espaço de soluções, os AG's possuem um custo computacional elevado.

17. REFERÊNCIAS: • 1 – Notas de Aula da Disciplina EE-09 Inteligência Artificial do Curso de Especialização em Análise de Ambiente Eletromagnético do Instituto Tecnológico de Aeronáutica; • 2 – Tutorial de Algoritmo Genético – Darrel Whitley e Christian Willy Asmussen – http://xpusp.sorceforge.net/ga_tutorial.html; • 3 – Algoritmos Genéticos: Fundamentos e Aplicações – Márcio Nunes de Miranda - http://gta.ufrj.br/~marcio/genetic.html; • 4 – “Evolution of neuro-controllers for a flapping-wing animat.” - Stéphane Doncieux, Jean-Baptiste Mouret, Laurent Muratet et all • 5 – “Algoritmo Genético Aplicado à Otimização da Cobertura do Sinal gerdo por Radares Terrestres” – Felipe Leonardo Lobo de Medeiros et all. –IEAv