SISEE Genetic Algorithms PL

SISEE
Genetic Algorithms MEE
Thursday, May 19, 2011
SISEE
Algoritmos Genticos
Os Algoritmos Genticos trabalham com populaes de solues que so combinadas para obter novas solues, e assim sucessivamente at obter uma soluo satisfatria.
ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva
SISEE
Analogia entre a evoluo natural e os algoritmos genticos
Analogia com a Natureza Evoluo Natural Indivduo Gentipo (cromossomas) Reproduo Sexual Mutao Populao Geraes
Algoritmos Genticos Soluo Representao da Soluo Operador de Recombinao (p.ex. cruzamento) Operador Mutao Conjunto de Solues Ciclos
45
SISEE
Algoritmos Genticos
SISEE
Parmetros dos AG
Tamanho da populao Taxa de cruzamento Taxa de mutao Taxa de substituio Critrios de paragem
SISEE
Parmetros dos AG
Tamanho da Populao
Determina
a
qualidade da soluo o tempo de processamento

Considera-se geralmente o tamanho
da populao estvel
SISEE
Parmetros dos AG
Taxa de Cruzamento
Dene a probabilidade de dois
indivduos serem cruzados para gerar descendncia Controla a renovao da populao

Valor tpico: 20 - 30%
SISEE
Parmetros dos AG
Taxa de Mutao
Mutao permite gerar indivduos
com melhores caractersticas

Permite fugir de mximos/mnimos
locais do problema
Valor tpico: 1%
SISEE
Parmetros dos AG
Taxa de Substituio
Dene percentagem da populao a
substituir entre geraes

Valores elevados -> excessiva
renovao
Valores baixos -> estagnao
SISEE
Parmetros dos AG
Critrios de Paragem
Encontrar uma soluo com um valor
de aptido (tness) pr-denido

Atingir um determinado limite
temporal
Atingir um determinado nmero de
geraes
10
SISEE
Avaliao e Aptido
A aptido (tness) dum indivduo
calculada usando uma funo de avaliao.

Esta funo especca de cada problema. Retorna um valor numrico que traduz o
mrito da soluo.
O seu clculo deve ser simples j que se
aplica a todos os elementos da populao para cada gerao.
11
SISEE
Seleco
Escolha de N indivduos para posterior
reproduo
Mtodos determinsticos seleccionam com
base na aptido dos indivduos

Arriscam-se a convergir em mnimos locais Processo custoso em populaes grandes
Mtodos estocsticos introduzem grau de
aleatoriedade.
Garantem que um certo nmero de solues menos aptas so escolhidas

12
SISEE
Operadores
Operadores de Cruzamento Operadores de Mutao
13
SISEE
Operadores de Cruzamento
Principal operador dos AG Combina material gentico de dois
progenitores previamente seleccionados

Cromossomas representados por sequncias
operador

escolhe aleatoriamente 1 ou 2 pontos de corte aplica uma mscara das posies a trocar mistura partes resultantes dos 2 progenitores
Nem sempre os descendentes so viveis
14
SISEE
Dois Exemplos do operador de cruzamento
Operaes de Cruzamento
47
SISEE
Operadores de Mutao
Trazem de volta populao genes
perdidos na seleco
Fornecem
novos genes que pertenciam populao original
no
A mutao pode ocorrer em 1 ou mais
genes, trocando o gene existente por outro gene vivel.
16
SISEE
Operador de Mutao
Exemplo de Mutao
48
SISEE
Esqueleto tpico de um algoritmo gentico
Populao inicial Gerar P0 Populao de t0 solues iterao potenciais Avalia Pt enquanto ! Condio final Pt faz Avaliar e seleccionar os mais aptos Pt Selecciona Pt Pt Aplica operadores de re-combinao Pt Pt Aplica operadores de mutao Pt Avaliar a sua aptido Avalia Pt Pt+1 Selecciona Sobreviventes de Pt e de Pt nova iterao tt+1 Fim retorna Melhor Soluo Global
46
Gerar novos indivduos
SISEE
Problema - Exemplo
Considere o problema de sequenciamento de
5 tarefas numa nica mquina.
Para cada tarefa j (j=1, , 5), seja pj o tempo
de processamento, dj a data de entrega e wj a penalizao (por unidade de tempo) no caso da tarefa j se atrasar. atrasos wjTj. (T - atrasos)
O objectivo minimizar a soma pesada dos
Tempos de processamento: p1=2 p2=4 p3=1 p4=3 p5=3

Datas de entrega d1=5 d2=7 d3=11 d4=9 d5=8

49
SISEE
Problema Exemplo (cont)
Para visualizar uma sequncia muitas vezes utilizado um diagrama de Gantt, onde as linhas esto associadas s tarefas e as colunas aos perodos de tempo. Para a sequncia de tarefas [3,1,2,5,4] Durao obtm-se o calendrio representado a p1=2 seguir.
p2=4 p3=1 p4=3 p5=3
Datas d1=5 d2=7 d3=11 d4=9 d5=8
50
SISEE
Problema - Exemplo (cont)

Mtodo de Recombinao usado
1. Supondo o seguinte par de indivduos, so seleccionados 2 pontos de cruzamento (4 e 7). 2. Os genes situados entre os dois pontos de cruzamento, inclusive, so copiados para os seus descendentes, sendo as restantes posies preenchidas por um caracter H.
A=123456789 B=452187693
A=HHH4567HH B=HHH1876HH
51
SISEE
Mtodo de Recombinao usado (cont.)

3. De seguida, e comeando no segundo ponto de cruzamento do progenitor B define-se uma nova ordem para os genes: B era 452187693 [9 3 4 5 2 1 8 7 6] 4. Depois de remover os genes 4, 5, 6 e 7 j definidos no filho A, ficamos com os genes [9 3 2 1 8]. As posies em A com H sero preenchidas pela sequncia anterior comeando pelo segundo ponto de cruzamento:
A=218456793
22
SISEE
Mtodo de Recombinao usado (cont.)

5. Da mesma forma para gerar o segundo descendente B, define-se uma nova sequncia a partir de A: [8 9 1 2 3 4 5 6 7].
A era 123456789
6. Eliminando os genes j definidos em B, obtm-se a sequncia: [9 2 3 4 5]. A seguir substitui-se nas lacunas (H) de B a sequncia obtida, comeando no 2 ponto de cruzamento obtendo-se o descendente B.
B=345187692
23
SISEE

A=123456789 -> B=452187693 B=345187692 A=218456793
No operador de cruzamento com manuteno
de ordem (Order Crossover) os genes a substituir de um dos progenitores aparecero na ordem em que esto no outro progenitor. podero produzir sequncias no viveis quando aplicados a este tipo de problemas (tarefas repetidas por exemplo)
24
Os outros operadores com pontos de corte
SISEE
Operador de Cruzamento Uniforme
Permite usar mais pontos de corte Gera aleatoriamente as posies dos genes a
trocar, usando uma mscara binria com a dimenso dos cromossomas Na mscara, 1 implica a troca do gene nessa posio e 0 o contrrio.
Progenitores Mscara aleatria Descendentes

P1 = 10110010 P2 = 11010110 M = 01110110 D1 = 11010110 D2 = 10110010

25
SISEE
Local & global minima
Genetic Algorithms use a set of starting points (the population) and iteratively generates better points from the population. As long as the initial population covers several basins, G.A. can examine several basins.
26
SISEE
Exemplos de Aplicao
Mximo de uma funo

Considerar a funo f(x)= x2 (x inteiro e no intervalo [0,63]. O objectivo ser maximizar o valor da funo. Codicao das solues por uma string com 6 dgitos
binrios.
Quadro que nos d os elementos da populao e o valor
da funo de avaliao (igual a f(x)):
Factor de avaliao mdio da populao = 488.75

27
SISEE
Exemplo - Mximo de uma funo
Admita-se que:
o cruzamento se d sempre entre os elementos 1
e 2, originando os elementos 5 e 6, e entre os elementos 3 e 4, originado os elementos 7 e 8. usado um cruzamento uniforme, com mscara 101010. a seleco feita com elitismo puro - os 4 elementos com maiores valores de f(x) so seleccionados e sero os novos elementos 1, 2, 3 e 4 da gerao seguinte. se aparecerem elementos repetidos sero eliminados.
28
SISEE

Resultado aps o 1 cruzamento:
f(x)
Elemento n Populao ps Soluo x Cruzamento
5 6 7 8
1 2 3 4 (cr. 1-2) (cr. 1-2) (cr. 3-4) (cr. 3-4)

Mscara
100101 001001 010011 001100 001101 100001 011001 000110
37 9 19 12 13 33 25 6
1369 81 361 144 169 1089 625 36

Seleco
29
101010
SISEE
Foram seleccionados os elementos 1, 3, 6 e 7 que passam a constituir a nova gerao:
30
SISEE

f(x)
Repetindo o ciclo de cruzamento, obtem-se:

Elemento n Populao ps Soluo x Cruzamento
5 6 7 8
1 2 3 4 (cr. 1-2) (cr. 1-2) (cr. 3-4) (cr. 3-4)
100101 010011 100001 011001 000111 110001 011001 110001
37 19 33 25 7 49 9 49
Repetidos
1369 361 1089 625 49 2401 81 2401

Seleco
31
Mscara 101010
SISEE
Foram seleccionados os elementos 1, 3, 4 e 6 que passam a consituir a nova gerao:
32
SISEE
Concluses:
Aps 2 ciclos de cruzamento o factor de avaliao mdio da populao subiu de 488,75 para 1371. o melhor elemento passou de um factor de aptido de 1369 para 2401 Ser que convergiremos rapidamente para a
soluo ptima? Podemos j garantir que esta no ser encontrada por cruzamento de genes. Porqu?
33
SISEE
Concluses:
Bit 5
Por muitas recombinaes que se faam, nunca o bit 5 poder ter o valor 1. A soluo ptima (111111) inatingvel apenas por cruzamento. Mutaes!
34
SISEE
Concluses:
Pouca
diversidade estagnao
pode
levar
Os elementos 1 e 2 tm 5 genes idnticos Os elementos 3 e 4 tm 4 genes idnticos
Os seus descendentes acabaro por ter
cromossomas progenitores
iguais
aos
seus
Sem uma mutao favorvel no ser
possvel melhorar a soluo.

35
SISEE
Exemplo - Sequenciamento de tarefas
Considere-se
o sequenciamento de 9 tarefas {1,2,3,4,5,6,7,8,9} numa mquina. uma ferramenta e as tarefas pares so executadas com uma ferramenta fp.
As tarefas impares so executadas por
O objectivo minimizar o nmero de
trocas de ferramentas.
36
SISEE
A codicao ser feita por uma sequncia de
9 dgitos A funo de avaliao procurar minimizar o nmero de trocas de ferramentas (o n de passagens de par para mpar e vice-versa), Escolher-se-o os elementos da populao com menor valor dessa funo. Aconselha-se a utilizao de um operador de cruzamento com manuteno de ordem, pois os outros operadores originariam solues no viveis (com tarefas repetidas e com tarefas ausentes).
37
SISEE
Suponhamos a seguinte populao inicial:
Aplique-se o operador de cruzamento com manuteno de ordem e 2 pontos de corte (entre o 2 e 3 genes e entre o 6 e 7 genes).
38
SISEE

Aps o cruzamento obteremos:
39
SISEE

Por seleco elitista, obteremos:
Obtivemos um elemento melhor que o
melhor da gerao anterior (n3) A mdia das funes de avaliao diminuiu Nunca chegaremos soluo ptima s por cruzamento. Porqu?
40
SISEE
MATLAB - A funo ga
Chamar a funo ga a partir da linha de comando:

Sintaxe: [x fval] = ga(@tnessfun, nvars, options) em que tnessfun - funo objectivo ou de tness nvars - n das suas variveis independentes options - estrutura especicando as opes (opcional) Resultados: x - ponto em que o resultado atingido fval - valor nal da funo de tness
41
SISEE
A funo ga
Em que situaes usar a funo ga a partir da linha de comando?

Quando se pretende retornar os resultados
directamente na zona (workspace) do MATLAB;
de
trabalho
Quando se quer correr o algoritmo gentico
repetidas vezes com diferentes opes, chamando-o a partir de uma M-le.
42
SISEE
Exemplo:
A funo ga
>> [x fval] = ga(@rastriginsfcn, 2) Resultado: x = 0.0027 -0.0052
fval = 0.0068
43
SISEE
A funo ga a partir duma M-le
possvel usar a linha de comando para correr vrias vezes um AG com diferentes opes, usando uma M-le.
options = gaoptimset('Generations',300); strm = RandStream('mt19937ar','Seed',6525); RandStream.setDefaultStream(strm); record=[]; for n=0:.05:1 options = gaoptimset(options,'CrossoverFraction', n); [x fval]=ga(@rastriginsfcn, 10,[],[],[],[],[],[],[],options); record = [record; fval]; end
A taxa de Crossover (Crossover fraction / Reproduction options) especica a % da populao, exceptuando os descendentes de elite, que composta por descendentes de crossover.
44
SISEE
A funo ga a partir duma M-le

plot(0:.05:1, record); xlabel('Crossover Fraction'); ylabel('fval')
45
SISEE
Matlab - Optimization Tool
46
SISEE
Matlab - Optimization Tool
47
SISEE
Escrita de funes a optimizar
Criar uma M-le que calcule a funo
a optimizar
A M-le deve aceitar um vector, cujo
comprimento o n de variveis independentes
48
SISEE
Exemplo
Funo a minimizar:
A M-le dever aceitar um vector x de comprimento 2, correspondendo s variveis x1 e x2.
Passos:
1. Seleccionar File/New 2. Seleccionar M-File 3. Introduzir na M-le o seguinte cdigo:
function z = my_fun(x) z = x(1)^2 - 2*x(1)*x(2) + 6*x(1) + x(2)^2 - 6*x(2);
4. Salvar a M-le no directrio do MATLAB

49
SISEE

Exemplo de invocao da funo:
>> my_fun([2 3]) ans = -5
50
SISEE
Maximizao e minimizao
As funes de optimizao do toolbox
de AG minimizam as funes objectivo ou de tness.

Ou seja, resolvem problemas do tipo Se quisermos operar uma maximizao
basta minimizarmos -f(x).
51
SISEE
Exemplo
Achar o mnimo da funo de Rastringin
Mnimo global
Mximo local Mnimo local
Mnimo global [0,0]

52
SISEE
Exemplo
1. >> optimtool(ga) 2. Na Optimization Tool
No campo Fitness @rastriginsfcn
Function
introduzir:
No campo Number of variables introduzir: 2
3. Clicar em Start na rea Run solver and view results
53
SISEE
Exemplo
Resultados:
Motivo da paragem do algoritmo
Valor nal da funo de tness
Valores das variveis independentes que corrspondem ao valor nal da funo de tness
54
SISEE
Exemplo
Obteno de grcos
55
SISEE
Exerccio 1
1.Criar uma M-le com o seu cdigo 2.Achar o seu mnimo usando AG
56
SISEE
M-le:
Exerccio 1
function y = simple_objective(x) y = (4 - 2.1*x(1)^2 + x(1)^4/3)*x(1)^2 + x(1)*x(2) + ... (-4 + 4*x(2)^2)*x(2)^2
Resultado:
57
SISEE
No Help do MATLAB abrir as seces
Exerccio 2
> Global Optimization Toolbox > Demos > Genetic Algorithm e > Global Optimization Toolbox > Users Guide > Using the Genetic Algorithm > GA examples
Estudem e experimentem com os exemplos:

Example - Global versus local minima Selection Population diversity Reproduction options Mutation and Crossover ...
58
SISEE
Exemplo - mnimos globais e locais

Objectivo: encontrar o mnimo global da funo
Em Global Optimization toolbox User Manual, pags. 5.72-76

59

SISEE Genetic Algorithms PL

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

SISEE Genetic Algorithms PL

Enviado por

Direitos autorais:

Formatos disponíveis

SISEE

Genetic Algorithms MEE

Thursday, May 19, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Analogia entre a evoluo natural e os algoritmos genticos

Thursday, May 19, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

qualidade da soluo o tempo de processamento

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

indivduos serem cruzados para gerar descendncia Controla a renovao da populao

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

com melhores caractersticas

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

substituir entre geraes

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

de aptido (tness) pr-denido

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

A aptido (tness) dum indivduo

calculada usando uma funo de avaliao.

aplica a todos os elementos da populao para cada gerao.

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Escolha de N indivduos para posterior

base na aptido dos indivduos

Arriscam-se a convergir em mnimos locais Processo custoso em populaes grandes

Mtodos estocsticos introduzem grau de

Garantem que um certo nmero de solues menos aptas so escolhidas

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Operadores de Cruzamento Operadores de Mutao

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Principal operador dos AG Combina material gentico de dois

progenitores previamente seleccionados

Nem sempre os descendentes so viveis

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Trazem de volta populao genes

novos genes que pertenciam populao original

A mutao pode ocorrer em 1 ou mais

genes, trocando o gene existente por outro gene vivel.

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Esqueleto tpico de um algoritmo gentico

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, May 19, 2011

Gerar novos indivduos

Considere o problema de sequenciamento de

5 tarefas numa nica mquina.

Para cada tarefa j (j=1, , 5), seja pj o tempo

O objectivo minimizar a soma pesada dos