1PUCC

Inteligência Artificial

2PUCC

Agenda - Aula 06

• Computação Evolutiva

•Algoritmos Genéticos

3PUCC

Computação Evolutiva

• Dois enfoques– Otimização de problemas– Resolução de Problemas

• Teoria de Evolução de Darwin

• Projeção a partir dos anos 70

• Ampla utilização na abordagem de diversos problemas devido à sua adaptabilidade e robustez

4PUCC

Algoritmos Genéticos

• Idéia Básica– Analogia com mecanismos de Evolução

Natural de Darwin– Capacidade de adaptação a diversos

ambientes OTIMIZANDO a chance de sobrevivência

– John Holland: tenta copiar os mecanismos dos sistemas naturais e adaptá-los para sistemas artificias

5PUCC

Teoria de Darwin

• As espécies evoluem através de modificações nos códigos genéticos dos indivíduos – GENÓTIPOS.

• Essas modificações são introduzidas pela reprodução sexuada, quando se combinam dois genótipos diferentes ou através de mutações (pequena modificação num genótipo).

• Genótipos mais características encontradas no ambiente constroem as características físicas do indivíduo – FENÓTIPO

• Os indivíduos cujos genótipos favorecem fenótipos adaptados ao ambiente onde vivem têm mais chances de sobrevivência e reprodução.

6PUCC

Teoria de Holland

• Nova forma de abordar problemas– Um conjunto de soluções é codificado geralmente

através de um string– Esse string é chamado de indivíduo ou

cromossomo.– Um conjunto de indivíduos é chamado população.– Cada iteração é chamada geração– Em cada geração os indivíduos são submetidos à

operações de crossover, mutação, avaliação e seleção

7PUCC

Codificação do Problema

• Descrever as soluções como indivíduos– Definição das variáveis ( gens )– Ideal compacta, completa e estável

• Compacta: menor número possível de variáveis para representar uma solução

• Completa: capacidade de representar todas as soluções possíveis

• Estável: pequenas mudanças no indivíduo leva a pequenas alterações de adaptabilidade

8PUCC

Seleção

• Deve favorecer os bons indivíduos

• Velocidade de convergência deve ser calibrada

• Formas de seleção– Seleção por Roleta ponderada– Seleção Linear– Seleção por descendência

9PUCC

Operações

• Crossover– Misturar informações genéticas de dois

indivíduos originando um terceiro– Codificação binária – crossover a um ponto

P11 1 1 1 1 1 Filho

1 1 1 1 0 0P20 0 0 0 0 0

Ponto de Corte

10PUCC

Operações

• Mutação– Leve alteração no cromossomo

– Codificação binária mutação a um bit é a mutação por excelência

Mutação1 1 1 1 0 0 1 1 0 1 0 0

11PUCC

Fitness

• É unicamente através da função de aptidão (fitness) que esse tipo de algoritmo sabe se uma solução é melhor que a outra.

• Deve ser calculada de forma eficiente

• Numa solução de g gerações e n indivíduos ela será calculada g x n vezes.

12PUCC

Idéia Básica

Codificação do Problema

Gera Solução Inicial

Seleção

Crossover

Mutação

Avaliaçãocontinua

S

N