Computação Evolucionária

1. Computação Evolucionária Aurora Pozo

2. Motivação “...Se variações úteis para qualquer organismo devam ocorrer para que ele venha a existir, certamente indivíduos assim caracterizados terão a melhor chance de serem preservados na luta por sobrevivência; e do forte princípio de hereditariedade, eles tenderão a produzir gerações com características similares. Este princípio de preservação, eu batizei, para ser sucinto, de Seleção Natural.” (Darwin, 1859)

3. Ambientação Teoria de Computação Evolucionária Modelo Biológico Natureza Modelo Computa- cional Teoria de Darwin

4. Sumário • Computação Evolucionária • Conceitos básicos • Visão geral baseada em Algoritmos Genéticos • Programação Genética • Diferenças fundamentais • Grupo de Pesquisa emComputação Evolucionária – DInf

5. 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

6. Ramos • Estratégias Evolucionárias: • ênfase na auto-adaptação. O papel da reocmbinação 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

7. Evolução Natural • Embora tenham origens bastante diversas, todas essa abordagens têm em comum o modelo conceitual inicial

8. Aplicações • Grande variedade de aplicações • Otimização • Indústria, solução de problemas: máquinas x processos, alocação de recursos, rota de veiculos. • Busca • Mineração de Dados, descoberta de conhecimento em bases de dados, indução de classificadores (caracteristicas x doenças, estrutura de proteinas) • Aprendizado e adaptação

9. 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

10. Elementos Chaves de Algoritmos Evolucionarios • Uma população de individuos • A noção de fitness • Um ciclo de nascimento e morte baseados na fitness • A noção de herança

11. Visão Geral doAlgoritmo Evolucionário população de pais seleção recombinação população de filhos solução

12. 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

13. início população inicial Algoritmo 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

14. Algorithmos Geneticos • Holland 1960 • São algoritmos de busca • Objetivo: robusto, sistema adaptativo • Combinam: Sobrevivência do mais ajustado com um estruturado, aleatorio intercâmbio de informações

15. AG • Apesar de aleatorios, AG não funcionam unicamente com este conceito. • Eles explotam informação historica para experimentar novos pontos de busca.

16. Terminologia Biologica • Em AG são utilizados termos biologicos como analogia com a biologia. • Cromossoma: codificação de uma possivel solução – individuo • Genes: Codifica uma caracteristica particular • Genotipo x Fenotipo

17. Indivíduos • Material genético • Conjunto de atributos da solução • Cada atributo uma sequência de bits e o individuo como a concatenação das sequências de bits • Codificação binaria, real, códigos

18. População • Conjunto de individuos que estão sendo cogitados como solução • 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

19. Reprodução • Reprodução sexual, genes são intercambiados entre dois pais – crossover • Os filhos são sujeitos a modificações, na qual bits elementares são mudados - mutação

20. 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. • Heuristica de busca no espaço de estado • Cuidados com o custo computacional.

21. 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.

22. População Avaliação de Aptidão Seleção Cruzamento Operadores genéticos Mutação Critério de Parada ? Não Sim Retornar Melhor Indivíduo Figura 1 - Estrutura básica de um Algoritmo Genético

23. Seleção • O operador escolhe quais indivíduos participarão na criação da próxima geração

24. Exemplo

26. Roleta • Inicio • T = soma dos valores de aptidão de todos os indivíduos da população • Repita N vezes para selecionar n indivíduos • r = valor aleatório entre 0 e T • Percorra sequencialmente os indivíduos da população, acumulando • em S o valor de aptidão dos indivíduos já percorridos • Se S >= r então • Selecione o indivíduo corrente • Fim se • Fim Repita • Fim

27. Torneio • Inicio • k = 0.75 • Repita N vezes • Escolha 2 indivíduos da população aleatoriamente • r = valor aleatório entre 0 e 1 • Se r < k • O melhor indivíduo é escolhido • Senão • O pior indivíduo é escolhido • Fim se • Fim Repita • Fim

28. Pressão de Seleção K filhos M pais Com sobreposição Sem sobreposição

29. Pressão de Seleção • Generações com sobreposição • Mais pressão que sem sobreposição • M moderado, K=M, GA tradicionais • M grande, K pequeno “steady state” GA • Estrategias de seleção (pressão decrecente) • Truncação • Torneio e ranking • Proporcional a fitness • Uniforme • Estocastica vs deterministica

30. Problemas da Roleta • Tecnicamente resulta numa distribuição proporcional de indivíduos • Convergência muito rápida • Variância quase nula

31. Seleção por Ranking • Não parametrica • Os indivíduos são ordenados de acordo com sua fitness • Os offspring são alocados de acordo ao ranking (pode ser linearmente)

32. Reprodução • Preserva caracteristicas uteis • Introduz variedade e novedades • Estrategias • Parentes unicos: clonar + mutuação • Parentes multiplos: recombinação + mutuação

33. Metodos 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

34. 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)

35. Cruzamento em dois pontos

36. Mutação • Esta operação inverte aleatoriamente alguma característica do indivíduo • Cria novas características que não existiam • Mantem diversidade na população

37. Balance Explotação-Exploração • Pressão de seleção: explotação • Reduz o espaço de busca • Reprodução: exploração • Expande o espaço de busca • Balance • Seleção forte + taxas de mutução altas • Seleçao fraca + taxas de mutução baixas