Desempenho de Algoritmos

Genticos

Temas relacionados:
Convergncia

Decepo
Epistasia
Multimodalidade
Rudo

Medidas de Convergncia
Medidas de Monitorao
Medidas de Previso

Algoritmos Alternativos
Algoritmos Messy

Convergncia
Como caracterizar o sucesso ou insucesso de um GA?
GAs no garantem a convergncia para um ponto timo
em problemas de otimizao.
GAs podem encontrar solues sub-timas em espao
complexos que satisfaam as expectativas.
Convergncia fortemente influenciada pela
modelagem: representao, decodificao, avaliao,
operadores, tcnicas e parmetros.
Outros fatores que afetam a convergncia:
Decepo
Epistasia

Decepo

Ocorre quando, em uma funo, o ponto timo est

cercado pelos piores pontos.
Os blocos construtores so desorientados, devido
funo ou cdigo usados, e h dificuldade de se encontrar
boas solues (longo tempo).
Por definio: Decepo ocorre quando os melhores
schemata de ordem k no instanciam o ponto timo.
Problemas artificiais so criados para avaliar o
desempenho de GAs.

Problema Mnimo de
Decepo (PMD)

Problema que viola a hiptese dos blocos contrutores:

existem schemata curtos, de baixa ordem e com alta aptido
que levam a schemata incorretos de mais alta ordem.

Two-bit Problem
Criado por Goldberg (1987) para avaliar o desempenho de GAs
11 o ponto timo, ento
f(11) > f(10) ; f(11) > f(01) e f(11) > f(00)

Para no haver decepo em competio de schemata

de ordem 1 devemos satisfazer s duas condies:
1) f(1*) f(0*) e 2) f(*1) f(*0)
isto , melhores schemata de ordem K=1 instanciam o timo

Problema Mnimo de
Decepo (PMD)

Decepo ocorre se um das relaes no se verificar.

Exemplo:
1) f(0*) > f(1*) f(00) + f(01) > f(10) + f(11)
2

2) f(*0) > f(*1) f(00) + f(10) > f(01) + f(11)

2

As duas expresses no podem se verificar

simultaneamente no PMD (seno 11 no ser o ponto
timo).

Escolhemos a condio 1)

Problema Mnimo de
Decepo (PMD)

Considerando todos valores positivos temos:

f(00) + f(01) > f(10) + f(11) f(01) - f(10) > f(11) - f(00)

Como
f(11) - f(00) > 0

f(01) - f(10) > 0

f(01) > f(10)

f(00) > f(10)

Analogamente
f(00) - f(10) > f(11) - f(01)

Como
f(11) - f(01) > 0

f(00) - f(10) > 0

Resta saber a relao entre f(00) e f(01):

Tipo I: f(01) > f(00)
Tipo II: f(00) > f(01)

f(11)>f(01)>f(00)>f(10)
f(11)>f(00)>f(01)>f(10)

Representao Grfica do
PMD
Tipo II

Aptido

Aptido

Tipo I

Atrator
Decepcionante

01

01

11
00

11
00

10

10

Num GA, c om a mes ma proporo

dos pontos na popula o inicial, o
GA converge para para 11

Num GA, s e a proporo do ponto

00 maior na popula o inicial, o
GA converge para para 00

Epistasia

Biologia: Interao funcional de genes: quando um gene

no responsvel por uma caracterstica influencia o
resultado desta caracterstica, diz-se que os genes so
epistticos.
Em GAs: quando h interdependncia entre genes.
Desse modo, schemata de menor ordem no contm toda
informao significativa.
Schema significativo precisa representar tambm genes
dependentes.
Construo de blocos deve partir de schemata de maior
ordem.

Multimodalidade

A e xistncia de vrios timos locais promove a

ocorrncia de atratores que afastam a convergncia
do ponto timo. Exemplo: F6(x,y)
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0

Rudo

Representaes Ruidosas:
quando impossvel representar de maneira exata o objeto
desejado.

Funes Ruidosas:
quando a funo de avaliao retorna diferentes avaliaes
para o mesmo cromossoma.

Exemplo:
Pcross, Pmut, GAP

GA1 Otimiz a
Parm etros do GA2

GA2
Best, mdia

Medidas de Convergncia

Medidas de Monitorao
procuram acompanhar o comportamento da populao ao
longo da execuo do GA.
On-line
Off-line
Best-so-far
Proporo dos Valores dos alelos

Medidas de Previso
estimar o grau esperado de dificuldade de um problema
para o GA realizar a convergncia a um ponto timo .
FDC (Fitness Distance Correlation)
avaliao dos pontos aumenta a medida que estes se
aproximam do ponto timo.

On-- line e Off

On
Off--line
A medida On-line premia a rpida obteno de boas solues
A medida Off-line premia melhores solues, independente do
tempo necessrio para encontr-las.( De Jong)

medida (t) = 1 f * (t)

T
On-line: f * e (t) = valor da funo dos indivduos.
Off-line: f * e (t) = valor da funo dos melhores indivduos.

Em aplicaes executadas OFF-LINE, o nmero total de

avaliaes do GA no to importante quanto para as
aplicaes que so executadas ON-LINE.

Exemplo

Sejam 5 indivduos criados em 5 passos at o momento:

{17, 21, 13, 28, 22}

A medida On-line(t) a mdia das avaliaes de todos os

indivduos avaliados at o passo de avaliao t.
On-line(t=3) = (17+21+13)/3=17
On-line(t=4) = (17+21+13+28)/4=19,75
On-line(t=5) = (17+21+13+28+22)/5=20,2

A medida Off-line(t) o valor mdio das avaliaes dos

melhores indivduos encontrados a cada passo de
avaliao at o passo t.
Off-line(t=3) = (17+21+21)/3=19,66
Off-line(t=4) = (17+21+21+28)/4=21,75
Off-line(t=5) = (17+21+21+28+28)/5=23

Proporo dos Valores dos

Alelos

Um gene converge quando o seu alelo o mesmo

para, pelo menos, 95% da populao. (De Jong)

A convergncia do GA ocorre quando todos os genes da

representao superam a taxa de 95%.

A proporo de alelos permite avaliar o grau de

convergncia de um GA ao longo da execuo e ser
usada como critrio de parada.

FDC (Fitness
(Fitness Distance
Correlation))
Correlation

Calcula a correlao entre Aptido e Distncia (ao

ponto timo global) para os pontos do espao de
busca de um problema.
FDC = cov (F,D)/ (F) . (D)
FDC =1/n
1/n [
[ (fi - fav ) (d
(di - d av )] / (F) . (D)
Correlao a covarincia normalizada entre -1 e 1
FDC prximo a -1 indica que a avaliao dos pontos
aumenta a medida que estes se aproximam do ponto
timo.

Algoritmos Alternativos

Algoritmos que buscam melhor desempenho

(convergncia) atravs de mtodos no convencionais
em algoritmos genticos.
Algoritmo Messy (Goldberg)
Idealizado de modo a relaxar a rigidez posicional da
representao tradicional.
Aumenta as chances de aproximar genes interdependentes que
esto inicialmente distantes.
Adequado para problemas epistticos.

Algoritmo Messy

Representao:
cada gene representado por 2 valores: (locus, alelo).
Ex: Cromossoma [0 1 0 0 1 1] representado por
[ (1 0) (2 1) (3 0) (4 0) (5 1) (6 1) ]

Operadores:
Cut: escolhe o ponto de corte e corta cromossomas
[ (1 0) (2 1) (3 0) (4 0) ]
[ (5 1) (6 1) ]
Splice: concatena os cromossomas
[ (1 0) (2 1) (3 0) (4 0) (5 1) (6 1) ]
A aplicao do Splice no vinculada a realizao do Cut.

Messy

Consequncias:
Independncia posicional dos genes
Sobre-especificao: mais de um gene com o mesmo locus
Sub-especificao: determinado locus no est representado

Exemplo:

Operador Cut:

Operador Slice:

[ (1 0) (4 0) (3 1) (5 0) (2 1) ]

[ (2 0) (1 1) (3 0) (5 1) (4 1) ]

[ (1 0) (4 0) (3 1) ] [ (5 0) (2 1) ] e [ (2 0) (1 1) (3 0) (5 1) ] [ (4 1) ]
[ (1 0) (4 0) (3 1) (2 0) (1 1) (3 0) (5 1) ]
[ (5 0) (2 1) (4 1) ]

sobre-especificado
sub-especificado