Escolar Documentos
Profissional Documentos
Cultura Documentos
evoluo darwiniana tm sido o melhor mtodo de passar a informao contida no DNA para frente. !! O ser humano vem aproveitando as leis da evoluo gentica desde milnios para o prprio beneficio.
!! Exemplo:
Domesticao de animais e seleo de plantas para a agricultura. os chamados algoritmos genticos: tcnicas computacionais para otimizao de processos.
!! Estudaremos
! Exemplo: Desenvolvimento do milho a partir do teosinto (4,000 a.C.) ! Alguns dos princpios presentes no desenvolvimento do milho aparecem nos algoritmos genticos que veremos em seguida.
Avaliao
Populao Inicial
Fim
Incio
No
Seleo
Recombinao Mutao
Processos naturais
EXEMPLO 2: CACHORROS
!! Selecionados
PARTE 1
de otimizao baseada nos processos de seleo natural !! Os melhores indivduos (segundo determinados critrios) so selecionados a partir de populao inicial. !! Esses indivduos so re-combinados (cruzados). !! Uma nova gerao produzida. !! feita uma nova avaliao para encontrar os melhores indivduos segundo os critrios especificados.
Melhores indivduos
Fim
Incio
No
CODIFICAO
!! O
primeiro passo para utilizar um algoritmo gentico realizar a sua codificao em um DNA simulado.
!! !!
Poderamos utilizar as 4 bases presentes no DNA Mas normalmente utilizamos outras codificaes, como a binria ou alguma que se adapte bem ao problema a ser resolvido
!! Exemplo:
No caso do caixeiro viajante, podemos codificar a ordem com que as cidades so visitadas: [ 2 5 3 1 4 6 8 7 ]
O ALGORITMO
1.! 2.!
3.!
4.!
Gerar uma populao de indivduos aleatrios Para cada indivduo, aplicar uma funo F que define a adequao do indivduo Gerar uma nova populao, escolhendo os melhores indivduos para se reproduzir (com recombinaes e mutaes) Finaliza algoritmo ou retorna ao passo 2
CROSSOVER (CRUZAMENTOS)
!! Neste
caso, pregamos 2 indivduos e realizamos o seu cruzamento: 15236784 25314687 " " 15234687 25316784
!! A
idia misturar as caractersticas de 2 indivduos de modo a tentar encontrar um novo indivduo mais adaptado
MUTAES
!! Cada
descendente pode ter seu DNA alterado por mutaes. Neste caso, cada um de seus elementos possui uma probabilidade p de ter seu valor alterado: 15234687 25316784 " " 15734682 25317684
!! A
idia que novas solues possam aparecer para o sistema medida que adicionamos realizamos alteraes pontuais
EVOLUO
!! Em
cada itearao da evoluo, os indivduos mais adaptados so selecionados para se reproduzir, garantindo a manuteno de seus genes disso, atravs dos processos de cruzamento e mutao, novos indivduos aparecem !! Os que forem mais adaptados continuaro, enquanto os que forem poucos adaptados morrero
!! Alm
do caixeiro viajante. !! Desenho de hardware ( evolvable hardware ) !! Otimizao de redes eltricas ou hidrulicas !! Enovelamento de protenas !! Escalonamento !! Projeto de robs, etc.
EXEMPLO
!! Vejamos
viajante:
PARTE 2
vida como processo computacional. !! Se a mquina de Turing pode realizar qualquer computao (operao) e a vida tambm for um tipo de operao, a mquina de Turing permitiria a criao de vida num ambiente virtual ou computacional.
dinmico que evolui a partir de condies iniciais definidas. !! discreto espacial e temporalmente. !! A regra de transio, que governa como atualizar o sistema, est localizada espacialmente (depende da prpria vizinhana) !! Esto definidas as condies de contorno.
clula pode estar somente em dois estados (branco e preto). !! Nos seguintes exemplos decidimos arbitrariamente que preto significa bit=1 e branco bit=0. !! O estado de cada clula no tempo t+1 depende do prprio estado no tempo t e dos estado dos vizinhos da direita e esquerda no tempo t.
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
t t+1
Regra 110:
01101110= 110
quatro tipos de comportamento dependem do valor do parmetro lambda. !! O parmetro Lambda (Langton, 1986) calculado como o nmero de clulas output em preto dividido pelo numero de situaes (8). !! Este parmetro permite quantificar o comportamento catico do automato celular.
O fator lamda representa a probabilidade de que uma vizinhana seja mapeada a um dos sete estados ativos (oito estados menos um estado zero ou repouso) 1. At lamda =0,2 qualquer atividade termina morrendo em poucos ciclos ( mapeada ao estado de repouso) 2. Para valores de lamda entre 0,2 e 0,3 os estados so persistentes ou se propagam em alguma direo sem decair 3. Entre 0,3 e 0,5 aparecem impredeciveis interaes entre estruturas como os gliders ou planadores de Conway 4. Para valores de lamda entre 0,5 e 1 reina o caos e nenhuma estrutura sobrevive.
!!
DE
LANGTON
1.!
2.! 3.!
4.!
N(t) W(t) C(t) E(t) S(t) C(t+1)=f[N(t), E(t), S(t), W(t), C(t)]
C(t+1)
!! Representao de apenas 6 das 243 regras de transio (243 = 35, em que se tm 3 estados e 5 vizinhos)
Nmero dos diferentes estados em que pode estar uma clula. !! Vizinhana: Como as clulas so conectadas a outras clulas. A prpria clula includa normalmente na prpria vizinhana. !! Regra de transio: define como uma clula deve mudar em funo do estado da vizinhana.
um tipo de jogo baseado em autmatos celulares, onde so definidas regras para determinar como as clulas iro se reproduzir ou morrer:
!! !! !! !!
Qualquer clula viva com menos de dois vizinhos vivos morre de solido. Qualquer clula viva com mais de trs vizinhos vivos morre de superpopulao. Qualquer clula com exatamente trs vizinhos vivos se torna uma clula viva. Qualquer clula com dois vizinhos vivos continua no mesmo estado para a prxima gerao.
GLIDERS
!!
!! Este
tipo de comportamento emergente ser estudado com mais detalhes na disciplina de Comunicao e Redes