1 / 9

Evolutionary Programming

Evolutionary Programming. Naraiel Ferrari. Overview geral. USA na década de 60 Lawrence J. Fogel

delta
Download Presentation

Evolutionary Programming

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. EvolutionaryProgramming Naraiel Ferrari

  2. Overview geral • USA na década de 60 • Lawrence J. Fogel • “Intelligent behavior is a composite ability to predict one’s environment coupled with a translation of each prediction into a suitable response in light of some objective” (Fogel et al., 1966, p. 11) • Ideia:

  3. Overview geral • Aplicações: • Inicialmente: Predição com máquinas de estado • Estendido: Problemas de otimização (1990) • Destaques: • Semelhante ao ES • Auto adaptação dos parâmetros • Não há recombinação (crossover)

  4. Máquina De Estado Finito (FSM) • M = {Q,T,P,S,O} • Q: Estados • T: Entrada • P: Saída • S: Próximo Estado • O: Próxima Saída • Depende apenas do estado inicial e da sua entrada.

  5. Predição com FSM • Próxima Entrada? • Dados: • Estado Inicial: C • Estados: C B C A A B • Entrada: 0 1 1 1 0 1 = 29 • Saída: 110111 • Ideal: 010001 = 30

  6. Técnica Evolutiva • Uma sequência de símbolos é apresentada a uma população de máquinas. • Compara-se a saída com o próxima símbolo de entrada • Avalia-se o resultado • Máquinas filhas são geradas (mutação): • Mude um símbolo de saída • Mude uma transição de estado • Adicione um estado • Delete um estado • Mude o estado inicial

  7. FSM for Prime Numbers • Sequencia de entrada: 1,2,3,4,5,7,8,9... • Símbolos apresentado: 0,1,1,0,1,1,0,0.. • Uma sequência não estacionária foi gerada. • função custo: • 1 para cada predição correta • 0 para cada predição incorreta • -0.01 vezes a quantidade de estados • Resultado: Após 202 símbolos de entrada, a melhor máquina apresentava apenas 1 estado e sempre previa um não primo.

  8. Otimização de Função Contínuas: meta-PE • Representação •  x1,…,xn,1,…,n • Mutação • i’ = i (1 + N(0,1)) • x’i = xi + i’Ni(0,1) • Recombinação • Nãohá crossover • Seleção • Determinística • (µ+ µ) • inicialize m indivíduos do tipo: v = (x,s) e armazene em P. Avalie todos os indivíduos • t 1 • enquanto NOT condição_de_paradafaça, • muteos indivíduos de P e armazene em P’ • avalie os indivíduos gerados em P’ (filhos) • selecione m indivíduos de PP’ por torneio estocástico • t ¬ t + 1 • fim enquanto

  9. Função Ackley • Resultados • ES: • PE: • Mutação Gaussiana • PE: • Mutação de Cauchy

More Related