Escolar Documentos
Profissional Documentos
Cultura Documentos
Tpicos
Tpicos Avanados em Computao Evolucionria
Computao Natural Gisele L. Pappa Algoritmos Multiobjetivo Algoritmos Paralelos
Otimizao Multi-objetiva
Grande parte dos problemas requer a otimizao de dois ou mais objetivos
Ex: minimizar o custo de um produto e ao mesmo tempo maximizar a qualidade do produto
Otimizao Multi-objetiva
Desvantagens da abordagem convencional
Objetivos diferentes so normalmente nocomensurveis, isto , eles medem aspectos diferentes da qualidade de uma soluo, que no deveriam ser adicionados ou subtrados em uma mesma frmula Ela retorna uma soluo, enquanto em problemas MO pode ser conveniente retornar um conjunto de solues, representando diferentes configuraes (trade-offs) entre os objetivos
(assumindo que os objetivos esto normalizados para retornar valores dentro do mesmo intervalo, como 0..1)
Otimizao Multi-objetiva
Exemplo de dominncia de Pareto
Minimizar o custo de produo e o nmero de bugs encontrados em um programa
X A Y B C
Otimizao Multi-objetiva
Definio de dominncia de Pareto:
Um soluo S1 domina uma soluo S2 se e apenas se:
S1 no pior que S2 em nenhum objetivo S1 obrigatoriamente melhor que S2 com respeito a pelo menos um objetivo
Nmero de bugs
Solues A, B, C so no-dominadas Soluo X ruim, pois dominada por A Soluo Y ruim, pois dominada por B
Custo de Produo
O conjunto de solues no-dominadas chamado fronte de Pareto A cada gerao, o conjunto de indivduos nodominados utilizado como uma estimativa do verdadeiro (e desconhecido) fronte de Pareto O Alg. Evolucionrio deve retornar ao usurio o melhor fronte de Pareto estimado, isto , um conjunto de solues no-dominadas
9/29/2009
Otimizao Multi-objetiva
Frmula combinando objetivos
Usurio escolhe pesos para cada objetivo
MO baseada em Pareto
SPEA
Cada indivduo i no conjunto externo recebe um valor de fora S(i) no intervalo de [0;1), que tambm representa o valor da fitness. S(i) o nmero de indivduos da populao j que so dominados por ou iguais a i em relao aos objetivos, divididos pelo nmero de indivduos da populao +1. A fitness de um indivduo j da populao calculado atravs da soma dos valores S(i) de todos os membros i do conjunto externo que dominam ou so iguais a j mais um
SPEA
Fase de seleo (torneio de tamanho 2)
Selecionados da unio da populao e do conjunto externo
SPEA
Problemas
Fitness se existe apenas um indivduo na populao externa, todos os indivduos da populao tem o mesmo valor de fitness Tamanho mximo da populao externa
Apesar de um mtodo de clusterizao preservar indivduos diferentes, pode perder indivduos significativos
O objetivo aqui minimizar a fitness Indivduos no conjunto externos tem maior chance de ser selecionados do que membros da populao Cruzamento e mutao criam uma nova populao
9/29/2009
SPEA-2
Muda a maneira como a fitness calculada para que essa utilize no apenas os indivduos dominados, mas tambm os indivduos que Cada indivduo i na populao e no conjunto externo recebe um valor S(i), que representa o nmero de indivduos dominados por i tanto na populao quanto no conjunto externo de dados. Raw Fitness
SPEA-2
Fitness
SPEA vs SPEA-2
Algoritmos Paralelos
3 abordagens principais
Paralelizao global Paralelizao em alto nvel de abstrao
Modelo da ilha (island model)
Fig: Valores de fitness do SPEA (esquerda) versus SPEA-2 (direita) em um problema de maximizao de dois objetivos f1 e f2
Paralelizao Global
O algoritmo gentico executado em uma mquina e a fitness distribuda em diversas mquinas. Eficiente apenas quando o custo maior do algoritmo est no clculo da fitness.
9/29/2009
Migrao
Um dos fatores determinantes no sucesso de algoritmos evolucionrios paralelos 3 problemas
Quando migrar Quem migrar Quantos migrar
Migrao normalmente ocorre em intervalos fixos de tempo Maioria dos artigos usa uma taxa de migrao de 5% a 20% da populao
Depende do problema
Outros detalhes
Inicializao com heursticas Crossover e Mutao so mutuamente exclusivos?
No, algoritmos genticos clssicos aplicavam crossover seguidos de mutao (de acordo com as probabilidade definidas pelo usurio)
Leitura Recomendada
SPEA2: Improving the Strength Pareto Evolutionary Algorithm For Multiobjective Optimization, E. Zitzler and K. Giannakoglou and D. Tsahalis and J. Periaux and K. Papailiou and T. Fogarty , 2002.