Algoritmo I

Componentes de um Algoritmo Gentico
1. Problema
2. Representao
3. Decodificao
4. Avaliao
5. Operadores
6. Tcnicas
7. Parmetros
1. PROBLEMA
GAs so indicados em problemas complexos de

otimizao- onde se busca uma soluo melhor::
muitos parmetros e variveis;
mal estruturados: com condies e restries,
difceis de serem modeladas matematicamente;
grandes espaos de busca onde no possvel a
busca exaustiva.
2. REPRESENTAO
Representao fundamental na modelagem de um GA e deve:
descrever o espao de busca relevante ao problema;

codificar geneticamente a essncia do problema:
evoluo do cdigo
evoluo da soluo
ser compatvel com os operadores (crossover e mutao)

representao adequada
sucesso, evoluo
2. REPRESENTAO
Mtodo de Soluo
Numrico
Ordem
Grupo
Inteiro
Misto
Representao
Binrio, Real
Lista
Vetor
Inteiro
Ex
Ex:: Real e
Lista
BINRIO CODIFICANDO REAL

O binrio um contador de unidades de preciso
Aspectos importantes:
variveis do problema (x1 , x2 , ... , xt )
domnio de valores: xi (mni, mxi) em R
preciso: p casas decimais
(mxi-mni)x10p diferentes solues
domnio de
xi
mni
Preciso 1/10p
mxi
Representao:
k1 bits
k2 bits
x1
x2
...
kt bits
xt
onde,
2k i (mxi-mni)x10p
Preciso = (mxi-mni)
2k i - 1
Decodificao para Real:

i-mni) + mn
xi real = xi bin .(mx
________
i
2k i - 1
se xibin=(0 0 ... 0)
se xibin=(1 1 ... 1)
xi real = mni
xi real = mxi
REPRESENTAO BINRIA
simples de criar e manipular
produz bons resultados
facilita aplicaes de operadores
fcil decodificao numrica ( inteiro,real )
facilita a demonstrao de teoremas
porm, nem sempre adequada
3. DECODIFICAO
Construir a soluo para o problema a partir de um
cromossoma:
Cromossomas representam solues.
Cromossoma
Transformao
Soluo
0011011
bin
x=27
0011011
x=27 x 10/27 -1
ADBCE
3Km
inteiro
1Km
4Km
cidades
7Km
E
3Km
x=2,1 x [0,10]
1 casa decimal
ADBCE
( dist.=18)
4. AVALIAO
Elo entre o algoritmo gentico e o problema .
f(cromossoma) = medida numrica de aptido
Chances de seleo so proporcionais aptido.
f(i)
n
f(j)
j= 1
5. OPERADORES
Atuam no processo de criao de novos
indivduos (descendentes):
1. Crossover
2. Mutao
3. Inverso
4. Operadores especficos ao problema
6. TCNICAS
- Tcnicas de Representao
- Tcnicas de Inicializao da Populao
- Tcnicas de Eliminao da Populao Antiga
- Tcnicas de Reproduo
- Tcnicas de Seleo de Genitores
- Tcnicas de Aptido
- Tcnicas de Parametrizao
- Tcnicas de Elitismo
- Tcnicas de Seleo de Operadores
7. PARMETROS
- TAMANHO_POPULAO
- TOTAL_INDIVDUOS
- NMERO_GERAES
- TAXA_CROSSOVER
- TAXA_MUTAO
- APTIDO_OPERADORES
- ETC.
Desenvolvimento de um Algoritmo Gentico

procedure algoritmo_gentico
begin
t=0
; primeira gerao
inicializa P(t)
; populao inicial aleatria
avalia P(t)
; calcula f(i) p/ cada indivduo
while (not condio_parada) do
begin
t=t+1
; prxima gerao
seleciona P(t) de P(t-1)
altera P(t)
; crossover e mutao
avalia P(t)
; calcula f(i) p/ cada indivduo
end
end
Sistemas de Desenvolvimento
l
l
l
l
l
l
l
l
l
ICADEMO
Genesis, Genesys
WinGenesis
GENOCOP
GeneHunter
Evolver 4.0
Escapade
Sugal
Bibliotecas especficas (C, Pascal, etc)
TNA/C++,
Algoritmos Genticos
Exemplos GA1-1 a GA6-1
l Especificao de tcnicas e parmetros
por mdulos:
l
Mdulo de Avaliao
Mdulo de Populao
Mdulo de Representao
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F 6
Mdulo de Populao
Tcnica de Representao:
Binria 44 bits
Tcnica Inicializao da Populao:
Aleatria
Tcnica Eliminao da Populao:
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Tcnica de Seleo de Genitores:
Roleta
Tcnica de Aptido:
Aptido a avaliao
Tcnica de Parametrizao:
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size:
100
Total de Indivduos:
4000
Mdulo de Reproduo
Tcnica de Seleo de Operadores:
Use todos
Operadores:
Crossover 1 ponto & Mutao
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
GA1-1
Funo F6
Funo F6(x,y)
F6(x,0)
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-100
- 50
50
100
Caractersticas da F6
F6(x,y) = 0,5 - (sen x2 + y2 )2 - 0,5

(1,0 + 0,001 (x2 + y2 ))2
Objetivo: Maximizar F6
l Uma nica soluo tima: F6(0,0)=1
l Difcil de otimizar: vrios mnimos locais
l
Representao
l
Binria codificando real
2 Variveis: x, y
l Domnio: x,y [-100, +100]
l Preciso: 4 a 5 casas decimais
6
7
l log2 2x10 Ki log2 2x10
l
Ki=22 total de 44 bits
Exemplo
l
Cromossoma:
00001010000110000000011000101010001110111011
Dividido em x e y:
0000101000011000000001 1000101010001110111011
Convertidos para base 10:

165377 e 2270139
Multiplicados por: 200/222-1

7,885791751335085 e 108,24868875710696
Subtrados de mn:
x=-92,11420824866492 e y=8,248688757106959
Aplicados a F6(x,y):
F6(x,y)=0,5050708
Mdulo de Populao
l
Aleatria
Gerao aleatria de palavras de 44 bits

l
Elimina todos
Elimina pop_size indivduos da populao anterior

l
Tcnica de Reproduo:
Troca da gerao
Reproduz pop_size indivduos para a nova populao

l
Tcnica de Aptido:
Aptido a avaliao
Aptido numericamente igual avaliao

l
Roleta
Parmetros
l
Tamanho da Populao:
pop_size
100
Nmero de Geraes:
num_ger
Exemplo
40
Total de Indivduos:
total_ind = pop_size x num_ger
4000
Parmetros
l
Tamanho da Populao:
pop_size
1000
Nmero de Geraes:
num_ger
Exemplo
Total de Indivduos:
4000
Parmetros
l
Tamanho da Populao:
pop_size
10
Nmero de Geraes:
num_ger
Exemplo
400
Total de Indivduos:
4000
Seleo pela Roleta

Objetivo: Selecionar indivduos aleatoriamente, proporcionando
maiores chances de reproduo aos mais aptos.
Mtodo por Computador
l
l
l
Encontre a soma da aptido de todos os membros da

populao AT= Ai (0 i pop_size-1)
Gere um nmero aleatrio 0 rand AT
Pegue o primeiro membro da populao Ik cuja aptido
somada s aptides dos membros precedentes maior
ou igual a rand.
Ai rand (i < k)
Exemplo da Roleta
Cromossoma
1
8
8
Aptido
Ai
2
2
10
Nmero Aleatrio
3
17
27
23
3
Selecionado
4
7
34
5
2
36
49
7
76
10
6
12
48
7
11
59
13
3
8
7
66
1
1
9
3
69
27
3
4 5
10
17
7 2
12
11
27
34 36
48
59
66 69
Mdulo de Reproduo
Use todos
Use o primeiro operador da lista de operadores

l
57
7
8 10
10
7
76
Operadores:
Crossover & Mutao
Taxa Mutao:
0,008
Taxa Crossover:
0,65
Valores ideais das taxas so obtidos

experimentalmente
76
Mutao
l
l
Troca cada gene de um cromossoma se o teste de

probabilidade for verdadeiro
Taxa Mutao: 0,8% (0,008)
Teste Verdadeiro troca bit
Teste Falso
mantm
Cromossoma
1
1
0
0
1
0
1
0
1
Nmero Aleatrio
Novo Cromossoma
0 0,801 0,102 0,266 0,373 1

0 0,128 0,96 0,005 0,84 1
0 0,768 0,473 0,894 0,001 0
0
1
0
1
1
1
Crossover
l
l
Partes de dois cromossomas genitores so trocadas

a partir de uma posio escolhida aleatoriamente
Taxa de Crossover : 65%
Teste Verdadeiro Efetua Cruzamento
Teste Falso
Copia os Genitores
P1
P2
F1
F2
1
0
0
0
1
1
1
1
0
0
1
0
1
0
0
0
1
1
1
1
0
0
0
1
ponto de corte aleatrio
0
0
1
Evoluo X Convergncia
l
Crossover:
acelerador do processo de busca
tira proveito das solues mais promissoras
Mutao
operador exploratrio
dispersa a populao pelo espao de busca
Convergncia (causas):
populao com indivduos muito similares
no h mais evoluo:
timo encontrado ou convergncia prematura (mnimo local)
para continuar a evoluir preciso introduzir mais diversidade

na populao
Anlise de Desempenho
l
l
l
Melhor de um Experimento (valor)

Curva dos Melhores por Gerao
Curva da Mdia de Melhores de Vrios
Experimentos
Mdia de Experimentos
l
l
l
Calcula a mdia dos melhores indivduos por gerao em vrios

experimentos.
Mede o desempenho do GA em encontrar uma soluo melhor na
gerao seguinte
GAs so estocsticos: desempenho varia a cada experimento
So necessrios muitos experimentos para se conhecer o
desempenho mdio do modelo de GA.
e
A(t) =
Ae (t)
#_Experimentos
1 e #_Experimentos
t: gerao
Ae(t): aptido do melhor indivduo em t no experimento e
A(t): mdia em #_Experimentos das aptides dos melhores
indivduos a cada gerao t
ger
ger
ger
ger
Experimentos
Melhores nas geraes
1a. 2a. 3a. 4a.
Mdia
1 0,6 0,5 0,8
0,5
0,60
2 0,7 0,5 0,8
0,7
0,68
3 0,7 0,6 0,9
0,7
0,73
4 0,8 0,6 0,9
0,8
0,78
Avaliao
1,00
0,50
0,00
1
Experimentos
Caracterstica da Curva de Desempenho

bom desempenho no incio da evoluo
pouco ou nenhum desempenho no final
Aptido A(t)
Curva da Mdia de Experimentos
30000
25000
20000
15000
10000
5000
49
45
41
37
33
29
25
21
17
13
0
Geraes
Curva Mdia de Experimentos para

F6(x,y)
l
Usamos o nmero de dgitos 9 aps o ponto

decimal para distinguir avaliaes muito prximas
de 1,00 .
Exemplo:
Avaliao
0,99873578
0,82435787
0,99995432
dgitos 9
2
0
4
ICADEMO
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F 6
GA1-1
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Roleta
Tcnica de Aptido:
Aptido a avaliao
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
ICADEMO
Novas Tcnicas e Parmetros

Tcnicas de Aptido
l Elitismo
l
Reproduo Steady State

l Ajuste dos Parmetros
l
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F 6
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Steady State s/ duplicados
Roleta
Tcnica de Aptido:
Normalizao Linear (100 a 1)
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,04
Taxa Crossover:
0,8
nenhuma
GA2-1 a
GA2-5
Medida de Aptido
l
O que ocorre se alterarmos a F6 para:

F6 (x,y) = 0,5 - (sen x2 + y2 )2 - 0,5
(1,0 + 0,001 (x 2 + y2 ))2
Medida de Aptido
l
O que ocorre se alterarmos a F6 para:

F6Elevada(x,y) = 999,5 - (sen x2 + y2 )2 - 0,5
(1,0 + 0,001 (x 2 + y2 ))2
Formato F6 = formato F6 elevada

Melhor cromossoma para F6 = melhor para F6 elevada
Avaliao de F6 elevada = avaliao F6 + 999
Todavia, GA 1-1 para F6Elevada no apresenta desempenho algum.
PORQUE?
l
l
Aptido = Avaliao
Ai = fi
: aptido do indivduo i
pi = Ai/ AT = fi / fJ : chances de seleo de I

h pop_size sorteios, ento
Di = pi x pop_size = (fi x pop_size) / fJ =
Di = fi / fAV
: nmero provvel de sorteios de i, ou

nmero de descendentes na prxima
gerao
l
l
F6
avaliao
best
0,979
worst
0,066
average 0,514
Dbest = 1,905
Dworst = 0,128
forte presso seletiva em
favor do melhor
l
l
F6 Elevada avaliao
best
999,979
worst
999,066
average 999,514
Dbest = 1,0005
Dworst = 0,9996
melhor e pior cromossomas
vo gerar o mesmo nmero
de descendentes
O efeito da seleo quase nulo porque as

avaliaes esto relativamente muito prximas.
.
Tcnicas de Aptido
l
Aptido a Avaliao
Ai = fi
Exemplo: Ai = 999,979
Windowing
subtrair uma constante dos valores de fi
Normalizao Linear
atribuir valores a Ai baseados no rank do
cromossoma
Windowing
l
l
Obtenha a avaliao mnima na populao.

Atribua a cada cromossoma I uma aptido igual a:
Ai = (f i - Amn)
Opcionalmente, atribua uma aptido mnima de
sobrevivncia, maior que a aptido mnima
calculada, como garantia de reproduo para os
cromossomas menos aptos.
Exemplo:
Ai = (999,979 - 999,066)= 0,913
Normalizao Linear
l
l
l
Coloque os pop_size cromossomas em ordem

decrescente de avaliao (i=1 o menos apto).
Crie aptides, partindo de um valor mn e crescendo
linearmente at o valor mx.
Os valores de mx e mn (ou a constante de
incremento) so parmetros da tcnica.
Ai = mn + (mx - mn)
pop_size - 1
l
x (i - 1)
Quanto maior a constante de incremento, maior a

presso seletiva sobre os melhores.
Exemplo Comparativo
Rank dos cromossomas
Avaliao original
Aptido avaliao
Normalizao Linear, taxa=10
Normalizao Linear, taxa=20
Windowing
6
200
200
60
101
199
5
9
9
50
81
8
4
8
8
40
61
7
3
7
7
30
41
6
2
4
4
20
21
3
1
1
1
10
1
0
SUPER INDIVDUO: cromossoma 6

poucas chance de recombinao com outros indivduos; elimina competidores em poucas
geraes; rpida convergncia.
COMPETIO PRXIMA: entre cromossomas 3, 4 e 5

preciso aumentar a presso seletiva sobre os melhores
Mdulo de Avaliao
Funo de Avaliao:
GA2-1
Funo binria F 6
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Roleta
Tcnica de Aptido:
Nenhuma
Tcnica de Elitismo:
Nenhuma
Population Size :
100
Total de Indivduos:
4000
ICADEMO
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
Elitismo
l
Melhor cromossoma de P(t) copiado em

P(t+1), aps o mutao e crossover.
Reduz o efeito aleatrio do processo seletivo.
Garante que o melhor indivduo da prxima

gerao melhor ou igual ao da gerao
anterior.
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F 6
GA2-2
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina todos
Tcnica de Reproduo:
Troca da gerao
Roleta
Tcnica de Aptido:
Nenhuma
Tcnica de Elitismo:
Copia o melhor
Population Size :
100
Total de Indivduos:
4000
ICADEMO
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
Algoritmo Gentico
Tradicional
l
l
l
l
l
Representao Binria
Reproduo com substituio da populao
Elitismo
Normalizao Linear
Crossover de 1 ponto e Mutao
Algoritmo de partida em aplicaes
Apresenta bom desempenho em vrios problemas
Reproduo Steady State

l
l
l
l
l
Substituio parcial de indivduos a cada gerao

(mais elitista)
Bons indivduos (material gentico) so preservados,
garantindo mais chances de reproduo
Mtodo:
Crie n filhos (seleo+crossover+mutao)
Elimine os n piores membros da populao
Avalie e introduza os filhos na populao
GAP = frao da populao que trocada
valor de GAP determina relao entre exploitation e
exploration
Exemplo de Steady State

C19
C18
C17
C16
C15
C14
C13
C12
C11
C10
C9
C8
C7
C6
C5
C4
C3
C2
C1
120
110
100
99
95
81
76
67
58
44
42
36
22
20
19
17
10
8
5
avaliaes
de P(t)
38
6
121
88
58
17
120
110
100
99
95
81
76
67
58
44
42
36
22
38
6
121
88
58
17
crie n
novos
substitua os n
piores
121
120
110
100
99
95
88
81
76
67
58
58
44
42
38
36
22
17
6
avaliaes
de P(t+1)
Mdulo de Avaliao
Funo de Avaliao:
GA2-3
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Steady State
Gap
Funo binria F 6
ICADEMO
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Nenhuma
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Use todos
Operadores:
Taxa Mutao:
0,008
Taxa Crossover:
0,65
nenhuma
Steady State sem Duplicados

l
l
l
l
l
Substituio parcial de indivduos com excluso de

duplicados
Evita os duplicados que so mais frequentes com
steady state (populaes mais estticas)
Maior eficincia do paralelismo de busca,
garantindo pop_size indivduos diferentes
Descendentes duplicados so desprezados
Maior overhead para teste de igualdade
Novos Tcnicas, Parmetros

e Operadores
Crossover de 2 pontos
l Crossover Uniforme
l
Operadores Independentes e Seleo

de Operadores
Interpolao dos Parmetros
Mdulo de Avaliao
Funo de Avaliao:
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
Funo binria F 6
GA3-1 a
GA 3-3
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Interpolar taxa de incremento (de 0,2 a 1,2)
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover Uniforme
Mutao
Taxa Mutao:
0,04
Taxa Crossover:
0,8
Interpolar Pesos dos Operadores
de (70 30) a (50 50)
Crossover de 2 Pontos
l
Semelhante ao crossover de 1 ponto
2 pontos so escolhidos aleatoriamente

Crossover de 1 ponto no consegue combinar todos os padres
de dois genitores
P1
P2
1
0
1
0
0
0
1
1
1
0
0
1
0
1
1
0
0
1
1
1
1
1
0
1
1
0
1
0
pontos de corte
P1
P2
1
0
1
0
0
0
1
1
1
0
0
1
0
1
1
0
0
1
1
1
1
1
0
1
1
0
1
0
F1
F2
1
0
1
0
0
0
1
1
0
1
1
0
1
0
0
1
1
0
1
1
1
1
0
1
1
0
1
0
Crossover Uniforme
l
l
P1
A contribuio de cada genitor decidida

aleatoriamente por um padro
Capacidade de combinar quaisquer padres
P2
1
0
0
1
0
0
1
1
0
1
1
0
1
1
Padro
F1
F2
Operadores Independentes
Determinados GAs podem incorporar diversos operadores
genticos.
l Operadores no devem ser usados todos, com a mesma
intensidade, a cada fase da evoluo ( por ex: mais crossover no
incio e mais mutao no final da evoluo ).
l Uma roleta sorteia um operador a cada reproduo.
l Pesos (chances) dos operadores, iniciais e finais, e taxa de
interpolao so parmetros do algoritmo.
l
OP4
OP3
OP2
Mdulo de Avaliao
Funo de Avaliao:
Funo binria F 6
GA3-1
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
OP1
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Nenhuma
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover 2 pontos
Mutao
Taxa Mutao:
0,01
Taxa Crossover:
0,7
Nenhuma
Pesos
(50 50)
ICADEMO
Mdulo de Avaliao
Funo de Avaliao:
GA3-2
Funo binria F 6
Mdulo de Populao
ICADEMO
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Nenhuma
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover Uniforme
Mutao
Taxa Mutao:
0,01
Taxa Crossover:
0,7
Nenhuma
Pesos
(50 50)
Desempenho
l
Aspectos importantes:
convergncia do GA
proximidade dos melhores cromossomas a um mnimo local
diversidade da populao
valores dos parmetros do GA
Exemplo: variao da aptido dos operadores durante evoluo.
30
30
30
25
25
25
20
20
15
15
10
6 66
6
66
5
0
1
Incio:
Crossover
Mutao
9 10 11 12 13 14 15
66
6 6
6
6
20
6
66
6 6
10
5
15
6
6
10
0
1
Meio:
Crossover
Mutao
9 10 11 12 13 14 15
Fim:
Crossover
Mutao
9 10 11 12 13 14 15
Interpolao de Parmetros
l
Consiste na variao dos valores dos parmetros

do GA durante a execuo, de modo a alcanar
maior desempenho.
Parmetros:
taxa de crossover
taxa de mutao
taxa incremento da normalizao da aptido
aptido dos operadores
Interpolao define:
valores inicial e final do parmetro e frequncia de ajuste.
Mdulo de Avaliao
Funo de Avaliao:
Mdulo de Populao
Binria 44 bits
Aleatria
Elimina o ltimo
Tcnica de Reproduo:
Gap
GA3-3
Funo binria F 6
ICADEMO
Testar de 5 em 5
Roleta
Tcnica de Aptido:
Interpolar taxa de incremento (de 0,2 a 1,2)
Population Size :
100
Total de Indivduos:
4000
Mdulo de Reproduo
Roleta
Operadores:
Crossover Uniforme
Mutao
Taxa Mutao:
0,01
Taxa Crossover:
0,7
Interpolar Pesos dos Operadores
de (70 30) a (50 50)
grfico

Algoritmo I

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Algoritmo I

Enviado por

Direitos autorais:

Formatos disponíveis

Componentes de um Algoritmo Gentico

GAs so indicados em problemas complexos de

Representao fundamental na modelagem de um GA e deve:

descrever o espao de busca relevante ao problema;

ser compatvel com os operadores (crossover e mutao)

BINRIO CODIFICANDO REAL

Decodificao para Real:

Desenvolvimento de um Algoritmo Gentico

; calcula f(i) p/ cada indivduo

Tcnica Inicializao da Populao:

Tcnica Eliminao da Populao:

Tcnica de Seleo de Genitores:

Crossover 1 ponto & Mutao

F6(x,y) = 0,5 - (sen x2 + y2 )2 - 0,5

Binria codificando real

Ki=22 total de 44 bits

Convertidos para base 10:

Multiplicados por: 200/222-1

Tcnica Inicializao da Populao:

Gerao aleatria de palavras de 44 bits

Tcnica Eliminao da Populao:

Elimina pop_size indivduos da populao anterior

Reproduz pop_size indivduos para a nova populao

Aptido numericamente igual avaliao

Tcnica de Seleo de Genitores:

Seleo pela Roleta

Encontre a soma da aptido de todos os membros da

Use o primeiro operador da lista de operadores

Crossover & Mutao

Valores ideais das taxas so obtidos

Troca cada gene de um cromossoma se o teste de

0 0,801 0,102 0,266 0,373 1

Partes de dois cromossomas genitores so trocadas

ponto de corte aleatrio

timo encontrado ou convergncia prematura (mnimo local)

para continuar a evoluir preciso introduzir mais diversidade

Melhor de um Experimento (valor)

Calcula a mdia dos melhores indivduos por gerao em vrios

Caracterstica da Curva de Desempenho

Curva da Mdia de Experimentos

Curva Mdia de Experimentos para

Usamos o nmero de dgitos 9 aps o ponto

Tcnica Inicializao da Populao:

Tcnica Eliminao da Populao:

Tcnica de Seleo de Genitores:

Crossover 1 ponto & Mutao

Novas Tcnicas e Parmetros

Reproduo Steady State

Tcnica Inicializao da Populao:

Tcnica Eliminao da Populao:

Steady State s/ duplicados

Tcnica de Seleo de Genitores:

Normalizao Linear (100 a 1)

Crossover 1 ponto & Mutao

O que ocorre se alterarmos a F6 para:

O que ocorre se alterarmos a F6 para:

Formato F6 = formato F6 elevada

Todavia, GA 1-1 para F6Elevada no apresenta desempenho algum.

pi = Ai/ AT = fi / fJ : chances de seleo de I

: nmero provvel de sorteios de i, ou

O efeito da seleo quase nulo porque as

Obtenha a avaliao mnima na populao.

Coloque os pop_size cromossomas em ordem

Quanto maior a constante de incremento, maior a