computação evolutiva aulas estratégias evolutivas
DESCRIPTION
Estrategia evolutivaas pptTRANSCRIPT
![Page 1: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/1.jpg)
Estratégias Evolutivas
![Page 2: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/2.jpg)
Principais Algoritmos Evolutivos
Algoritmos Genéticos (AG)
Estratégias Evolutivas (EE)
Programação Evolutiva (PE)
Programação Genética (PG)
Sistemas Classificadores (SC)
![Page 3: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/3.jpg)
Quais as diferenças entre
esses Algoritmos Evolutivos ?
Representação (codificação no cromossomo) Qual a estrutura de dados ?
Operadores Genéticos Cruzamento e/ou Mutação ?
Operadores de Seleção Determinísticos ou Estocásticos ?
![Page 4: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/4.jpg)
Estratégias Evolutivas
Desenvolvidas por RECHENBERG (1973) e SCHWEFEL (1975, 1977)
Utilizam mutações com distribuição normal para modificar vetores reais
Enfatizam a mutação (e o cruzamento) como operadores essenciais ao processo de busca no espaço de busca e no espaço de parâmetros
O operador de seleção é determinístico
O tamanho da população de pais e de filhos pode ser distinto
![Page 5: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/5.jpg)
EE x AG
AG EE Representação Vetores Binários ou Reais
(ou outros) Vetores Reais
Auto-adaptação Básico (nenhuma) ou Adaptado (baseado na
diversidade)
Desvio-padrão e Co-variâncias
O fitness é Valor da função objetivo ou normalizado
Valor da função objetivo
Mutação Operador Secundário Principal Operador
Cruzamento Operador Secundário (algumas variações)
Operador Secundário, com algumas variações, importante para a auto-
adaptação
Seleção Principal Operador e probabilística
Operador Secundário e determinística (é o
Elitismo)
![Page 6: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/6.jpg)
EE x AG A auto-adaptação permite fazer a otimização dos
parâmetros do algoritmo junto com a otimização das variáveis do problema a EE já apresenta na sua estrutura essa sintonia automática dos parâmetros !
É importante salientar que todas as características da tabela anterior correspondem aos algoritmos originais (versões padrão). Entretanto, todos os algoritmos são passíveis de variações e hibridizações de representação e operadores.
De fato, a fronteira entre todos eles está cada dia mais estreita, e alguns autores da comunidade científica já preferem descrever seus algoritmos como algoritmos evolutivos com características específicas em vez de mencionar um algoritmo particular
![Page 7: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/7.jpg)
Estratégias Evolutivas
Cada gene no cromossomo representa uma dimensão do problema, sendo que o alelo é representado em ponto flutuante
-4,2 1,6 8,9 -1,3 14,7
Os cromossomos são compostos por dois arrays, um com valores para cada dimensão e outro com o desvio padrão desses valores
-4,2 1,6 8,9 -1,3 14,7 0,02
-4,2 1,6 8,9 -1,3 14,7 0,02 0,06 0,11 0,35 0,44
![Page 8: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/8.jpg)
Estratégias Evolutivas A geração de um novo indivíduo é feita por meio da
aplicação de um operador de mutação, com distribuição de probabilidade Gaussiana, com média zero e com desvio padrão do gene correspondente no pai
-4,2 1,6 8,9 -1,3 14,7 0,02 Pai
x1
-3,9 1,9 8,2 -0,4 15,1 0,05
x2
Filho
É importante mencionar que a escolha de uma distribuição normal para mutar os indivíduos da população é arbitrária
![Page 9: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/9.jpg)
Estratégias Evolutivas
As EEs utilizam elitismo completo (algo parecido com o Estado Estacionário) Esse é o processo de Seleção !
O número de filhos pode ser diferente do número de pais o número de pais é designado por
o número de filhos e designado por
EE-( ) é a nomenclatura da EE definida pelos valores de , e pela forma de
seleção ( ‘ + ’ ou ‘ , ’ )
![Page 10: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/10.jpg)
Estratégias Evolutivas
O procedimento de mutação está de acordo com a observação biológica de que pequenas variações ocorrem com maior freqüência do que grandes variações, e de que os filhos herdam características dos pais, ou seja, são parecidos com eles
O filho (indivíduo mutado) é aceito na nova geração se e somente se ele possuir um fitness melhor do que o pai (e for factível)
![Page 11: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/11.jpg)
Estratégias Evolutivas
O valor de fica inalterado durante todo o processo evolutivo
Ou o valor de varia entre gerações
Regra de Sucesso 1/5: a razão ϕ entre as mutações que geram um indivíduo melhor do que o pai (mutações positivas) em relação a todas as mutações deve ser 1/5
Aumente a variância (2) do operador de mutação se ϕ > 1/5, e diminua caso contrário
Existe uma razão intuitiva por trás da “regra de sucesso 1/5” baseada no aumento da eficiência da busca: Se bem sucedida, a busca deve continuar com um “passo” maior;
Caso contrário, o “passo” deve ser menor.
![Page 12: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/12.jpg)
EE-( + ) – de uma maneira geral O número de filhos é diferente do número de pais
A seleção é feita na população composta pelos pais e pelos filhos (multi membros) “elitista”
+
pais filhos
mutação ordenação
População +
melhor
pior
pais
Seleção (os mais aptos
são selecionados)
Geração atual Próxima Geração
![Page 13: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/13.jpg)
EE-(1 + 1) O número de filhos é igual ao número de pais =
A seleção, via elitismo, é feita na dupla 1 pai e 1 filho (dois membros) 1 + 1
pais filhos
mutação
pais
Seleção (o mais apto, entre o pai
e o filho, é selecionado)
Geração atual Próxima Geração
![Page 14: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/14.jpg)
EE-(/ + 1) O número de filhos é diferente do número de pais:
A seleção, via elitismo, é feita na população composta por pais e filhos: (1 ) ; se =1 não existe cruzamento
Os pais, escolhidos aleatoriamente, geram o 1 filho por meio do cruzamento real pela média (multi membros): / + 1
pais filhos
mutação ordenação
População +
melhor
pior
pais
Seleção (os mais aptos
são selecionados)
Geração atual Próxima Geração
’ filhos
cruzamento ( pais geram
1 filho)
![Page 15: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/15.jpg)
EE-(,) – de uma maneira geral O número de filhos é diferente do número de pais
, com >
A seleção é feita na população composta pelos filhos (multi membros) “não elitista”
pais filhos
mutação ordenação
filhos
melhor
pior
pais
Seleção (os mais aptos
são selecionados)
Geração atual Próxima Geração
![Page 16: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/16.jpg)
EE-(/ , ) O número de filhos é diferente do número de pais:
A seleção é feita na população composta por filhos: (1 ) ; se =1 não existe cruzamento
Os pais, escolhidos aleatoriamente, geram o 1 filho por meio do cruzamento real pela média (multi membros): / +
pais filhos
mutação ordenação
filhos
melhor
pior
pais
Seleção (os mais aptos
são selecionados)
Geração atual Próxima Geração
’ filhos
cruzamento ( pais geram
1 filho)
![Page 17: Computação Evolutiva Aulas Estratégias Evolutivas](https://reader033.vdocuments.site/reader033/viewer/2022042615/563dbb3b550346aa9aab64b5/html5/thumbnails/17.jpg)
Estratégias Evolutivas – algoritmo básico
Considerando cada elemento composto por um par de vetores na forma v = (x,), o algoritmo para o modelo EE-(/ + ) é mostrado a seguir: 1) Inicializa-se uma população de indivíduos com variância 1 para cada
posição de x
2) Faz-se uma recombinação dos pais até gerar descendentes
3) Faz-se a mutação dos descendentes e das variâncias 2 de cada x
4) Avalia-se o fitness de genitores e descendentes, onde serão escolhidos os melhores indivíduos, os quais serão os pais na próxima geração
5) Repete-se o processo a partir do passo (2) até ser atingido o critério de parada