computa o evolutiva um novo paradigma para a resolu o de problemas complexos n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos PowerPoint Presentation
Download Presentation
Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos

Loading in 2 Seconds...

play fullscreen
1 / 38

Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos - PowerPoint PPT Presentation


  • 259 Views
  • Uploaded on

Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos. Aurora Pozo Pós-graduação em Informática, Pós-graduação em Métodos Numéricos para Engenharia . Grupo EsCeL, www.inf.ufpr.br/escel. Motivação.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos' - hina


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
computa o evolutiva um novo paradigma para a resolu o de problemas complexos

Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos

Aurora Pozo

Pós-graduação em Informática, Pós-graduação em Métodos Numéricos para Engenharia. Grupo EsCeL, www.inf.ufpr.br/escel

motiva o
Motivação

Algoritmos Genéticos e Evolutivos são eficientes métodos de otimização e planejamento inspirados na natureza baseados nos princípios da evolução natural e genética.

Devido a sua eficiência e simples princípios, estes métodos são usados em uma variedade de problemas de otimização e aprendizado de maquina.

ambienta o
Ambientação

Teoria de Computação Evolucionária

Modelo

Biológico

Natureza

Modelo

Computa-

cional

Teoria de Darwin

exemplos de aplica es reais
Projeto de Antenas

Projeto de Drogas

Classificação Química

Circuitos Elétricos

Escalonamento de Fabricas (Volvo, Deere, outras)

Projeto de Turbina

Projeto de Carros “Crashworthy”

Projeto de Redes

Projeto de Sistemas de Controle

Parâmetros de Produção

Projeto de Satélite

Stock/commodity/ analises/ tendências

Ajuste de Celulares

Data Mining

Exemplos de Aplicações Reais
sum rio
Sumário
  • Computação Evolutiva
    • Conceitos básicos
  • Algoritmos Genéticos
  • Projetos
computa o evolucion ria
Computação Evolucionária
  • Área da Inteligência Artificial que engloba um conjunto de métodos computacionais inspirados na Teoria da Evolução das Espécies.
  • auto-organização e o comportamento adaptativo
ramos
Ramos
  • Estratégias Evolucionárias:
    • ênfase na auto-adaptação. O papel da recombinação é aceito, mas como operador secundário.
  • Programação Evolutiva:
    • Previsão do comportamento de máquinas de estado finitas.
  • Algoritmos Genéticos:
    • Indivíduos contém um genótipo formado por cromossomos
  • Programação Genética
    • Evolução de programas
  • Estimativa de Distribuição
    • AG competentes
historia
Historia

• Estratégias Evolutivas:

  • Desenvolvida por Rechenberg, Schwefel, etc. em 1960.
  • Foco: Otimização de parâmetros de valores reais
  • Individuo: vetor de parâmetros de valores reais
  • Reprodução: Mutação Gaussiana dos parâmetros
  • M pais, K>>M filhos
historia1
Historia
  • Programação Evolutiva:
  • Desenvolvida por Fogel in 1960
  • Objetivo: evoluir comportamento inteligente
  • Indivíduos: Maquina de estado finita
  • Filhos via mutação das MEF
  • M pais, M filhos
historia2
Historia
  • Algoritmos Genéticos:
  • Desenvolvidos por Holland em 1960s
  • Objetivo: robustos, sistemas adaptativos
  • Utiliza uma codificação “genética” de pontos
  • Reprodução via mutação e recombinação do código genético.
  • M pais, M filhos
historia3
Historia
  • Programação Genética
  • Desenvolvidos por Koza em 1990s
  • Objetivo: Evolução de programas
  • Reprodução via recombinação do código genético.
  • M pais, M filhos
historia4
Historia
  • Alg. de Estimativa de Distribuição
  • Inicia com os trabalhos de Baluja 1994
  • AG competentes ???
  • Modelam os relacionamentos entre as variáveis do indivíduos.
  • Evoluem o modelo
    • Alguns utilizam redes bayesianas para isto
estado atual
Estado Atual
  • Grande variedade de Algoritmos Evolutivos
  • Grande variedade de aplicações
    • Otimização, busca, aprendizado, adaptação
  • Analise
    • teórico
    • experimental
caracter sticas comuns
Características Comuns
  • Uso de um processo de evolução pseudo-Darwinian para solucionar problemas difíceis.
  • Computação Evolutiva
evolu o natural
Evolução Natural
  • Embora tenham origens bastante diversas, todas essa abordagens têm em comum o modelo conceitual inicial
caracter sticas comuns1
Características Comuns
  • Usam um processo de evolução baseado em Darwin para resolver problemas computacionais de IA
  • Inspirados na Teoria da Evolução: os indivíduos mais adaptados sobrevivem
elementos chaves de algoritmos evolucion rios
Elementos Chaves de Algoritmos Evolucionários
  • Uma população de indivíduos
  • A noção de fitness
  • Um ciclo de nascimento e morte baseados na fitness
  • A noção de herança
vis o geral do algoritmo evolucion rio
Visão Geral doAlgoritmo Evolucionário

população de

pais

seleção

recombinação

população de

filhos

solução

vis o geral do algoritmo evolucion rio1
Visão Geral doAlgoritmo Evolucionário
  • Gerar uma população inicial aleatoriamente
  • Fazer até um critério de parada:
    • selecionar indivíduos para pais (fitness)
    • produzir filhos
    • selecionar indivíduos para morrer (fitness)
  • Retornar um resultado
algorithmos geneticos
Algorithmos Geneticos
  • Holland 1960
  • São algoritmos de busca
  • Objetivo: robusto, sistema adaptativo
  • Combinam: Sobrevivência do mais ajustado com um estruturado, aleatório intercâmbio de informações
slide21
AG
  • Apesar de aleatórios, AG não funcionam unicamente com este conceito.
  • Eles exploram informação histórica para experimentar novos pontos de busca.
algoritmo

início

Algoritmo

população inicial

seleção (fitness)

pais selecionados

operadores

genéticos

cruz

repr

mut

filhos gerados

não

satisfeito c/

a solução?

nova pop

completa?

fim

não

solução

sim

sim

nova população

terminologia biol gica
Terminologia Biológica
  • Em AG são utilizados termos biológicos como analogia com a biologia.
  • Cromossomo: codificação de uma possível solução – individuo
  • Genes: Codifica uma característica particular
  • Genótipo x Fenótipo
indiv duos
Indivíduos
  • Material genético
  • Conjunto de atributos da solução
  • Cada atributo uma seqüência de bits e o individuo como a concatenação das seqüências de bits
  • Codificação binária, códigos
popula o
População
  • Conjunto de indivíduos que estão sendo cogitados como solução
    • Relacionado a dimensão do espaço de busca.
    • Populações pequenas têm grandes chances de perder a diversidade necessária (exploração de todo o espaço de soluções)
    • Populações grandes perderá grande parte de sua eficiência pela demora em avaliar a função de fitness
reprodu o
Reprodução
  • Reprodução sexual, genes são trocados entre dois pais – crossover
  • Os filhos são sujeitos a modificações, na qual bits elementares são mudados - mutação
fun o de fitness
Função de fitness
  • Mede a adaptação do indivíduo ou quão boa é a solução dada por este indivíduo.
  • Representativa do problema: diferencie uma solução boa de uma má.
  • Heurística de busca no espaço de estado
  • Cuidados com o custo computacional.
requisitos para usar ag
Requisitos para usar AG

·Representações das possíveis soluções do problema no formato de um código genético;

·População inicial que contenha diversidade suficiente para permitir ao algoritmo combinar características e produzir novas soluções;

·Existência de um método para medir a qualidade de uma solução potencial;

·Um procedimento de combinação de soluções para gerar novos indivíduos na população;

·Um critério de escolha das soluções que permanecerão na população ou que serão retirados desta;

·Um procedimento para introduzir periodicamente alterações em algumas soluções da população. Desse modo mantém-se a diversidade da população e a possibilidade de se produzir soluções inovadoras para serem avaliadas pelo critério de seleção dos mais aptos.

sele o
Seleção
  • O operador escolhe quais indivíduos participarão na criação da próxima geração
reprodu o1
Reprodução
  • Preserva características úteis
  • Introduz variedade e novidades
  • Estratégias
    • Parentes únicos: clonar + mutação
    • Parentes múltiplos: recombinação + mutação
m todos de recombina o
Métodos de Recombinação
  • Cruzamento: cria novos indivíduos misturando características de dois indivíduos pais (crossover)
  • Copia de segmentos entre os pais
  • Crossovers multi-ponto, dois pontos, um ponto, uniforme e inversão
cruzamento
Cruzamento
  • Pai 1: 10101010110101010111
  • Pai 2: 00001001010101110010
  • Cruzamento em um ponto
    • 10101010110101110010, 00001001010101010111
  • Cruzamento uniforme: os filhos são formados a partir dos bits dos pais (sorteado)
muta o
Mutação
  • Esta operação inverte aleatoriamente alguma característica do indivíduo
  • Cria novas características que não existiam
  • Mantém diversidade na população
balance explota o explora o
Balance Explotação-Exploração
  • Pressão de seleção: explotação
    • Reduz o espaço de busca
  • Reprodução: exploração
    • Expande o espaço de busca
  • Balance
    • Seleção forte + taxas de mutação altas
    • Seleção fraca + taxas de mutação baixas
quando ag bom
Quando AG é bom ?
  • Funções multímodas
  • Funções discretas ou continuas
  • Funções altamente dimensionais, incluindo combinatórias
  • Dependência não linear dos parâmetros
  • Usada freqüentemente para obter solução a problemas NP completos
  • Não usar quando outro método como hill-climbing, etc., funciona bem
t cnicas avan adas em ags
Técnicas Avançadas em AGs
  • AGs são apropriados para problemas complexos, mas algumas melhorias devem ser feitas