Escolar Documentos
Profissional Documentos
Cultura Documentos
AG-Introdução Aos AG PDF
AG-Introdução Aos AG PDF
A s t cnicas d e busca e o tim iz a o , g eralm ente, ap resentam :
Um esp ao d e busca, o nd e est o to d as as p o ssv eis
so lu es d o p ro blem a;
Um a f un o o bjetiv o (alg um as v ez es cham ad a d e
f un o d e ap tid o na literatura d e A Gs), q ue
utiliz ad a p ara av aliar as so lu es p ro d uz id as,
asso ciand o a cad a um a d elas um a no ta.
Em term o s m atem tico s, a o tim iz a o co nsiste e m achar a
so lu o q ue co rresp o nd a ao p o nto d e m xim o o u m nim o d a
f un o o bjetiv o . Co m o exe m p lo , co nsid ere o seg uinte
p ro blem a d e o tim iz a o q ue ser utiliz ad o no d eco rrer d este
cap tulo :
Em bo ra ap arentem e nte sim p les, o Pro blem a 3.1 n o d e f cil
so lu o . Existem v rio s p o nto s d e m xim o s nesta f un o
(p o nto s q ue m axim iz am o v alo r d a f un o ), m as m uito s n o
rep resentam o m aio r v alo r q ue a f un o p o d e ating ir,
co nf o rm e ilustrad o na Fig ura 3.1. T ais p o nto s s o
d eno m inad o s m x im os locais, um a v ez q ue a f un o nestes
p o nto s ating e v alo res m aio res d o q ue na v iz inhana d estes
p o nto s. A m elho r so lu o p ara este p ro blem a est no p o nto
em q ue a f un o p o ssui v alo r m xim o , o m x im o g lob al. N este
p ro blem a, o m xim o g lo bal enco ntra- se no p o nto cujo v alo r
d e x ig ual a 1,85055. N este p o nto , a f un o assum e o v alo r
2,85027.
Co nf o rm e ser m o strad o na Se o 3.2, um a g rand e q uantid ad e
d e t cnicas d e o tim iz a o (p o r exem p lo , o s m to d o s d o
g rad iente) n o cap az d e lo caliz ar o p o nto d e m xim o g lo bal
d e um a f un o co m m ltip lo s p o nto s d e m xim o . Esta se o
m o strar co m o utiliz ar A Gs p ara enco ntrar o m xim o g lo bal
d o Pro blem a 3.1.
Captulo 3 Introduo aos Algoritmos Gen ticos 89
M xi mo gl obal
3, 0
M xi mo l ocal
1, 0
0, 0
-1, 0
-1, 0 -0, 5 0, 0 0, 5 1, 0 1, 5 2, 0
x
A lg oritm o 3.1: A lg o ritm o Gen tico tp ico
Seja S(t) a p o p ula o d e cro m o sso m o s na g era o t.
t0
inicializ ar S(t)
avaliar S(t)
enq u anto o crit rio d e p arad a n o f o r satisf eito f aa
t t+ 1
selecio nar S(t) a p artir d e S(t- 1)
ap licar cr o sso v er so bre S(t)
ap licar m uta o so bre S(t)
avaliar S(t)
fim enq u anto
O p rim eiro p asso d e um A lg o ritm o Gen tico tp ico a g era o
d e um a p op ulao inicial d e crom o sso m os, q ue f o rm ad a
p o r um co njunto aleat rio d e cro m o sso m o s q ue rep resentam
p o ssv eis so lu es d o p ro blem a a ser reso lv id o . Durante o
p rocesso ev o lutiv o, esta p o p ula o av aliad a e cad a
cro m o sso m o recebe um a no ta (d eno m inad a d e ap tid o no
jarg o d a literatura d e A Gs), ref letind o a q ualid ad e d a so lu o
q ue ele rep resenta. Em g eral, o s cro m o sso m o s m ais ap to s s o
selecio nad o s e o s m eno s ap to s s o d escartad o s (Darw inism o ).
Os m em b ros selecio nad o s p o d em so f rer m o d if ica es em suas
caractersticas f und am e ntais atra s d o s op erad ores d e
crossov er e m u tao, g erand o d escend entes p ara a p r xim a
g era o . Este p ro cesso rep etid o at q ue um a so lu o
satisf at ria seja enco ntrad a. O A lg o ritm o 3.1 ilustra este
p ro ced im ento . A s se es seg uintes d escrev em co m m ais
d etalhes cad a etap a d este alg o ritm o .
cad eia d e bits (cad eia
d e bits a estrutura m ais trad icio nal,
p o r m nem sem p re a m elho r), q ue rep resenta um a p o ssv el
so lu o d o p ro blem a a ser o tim iz ad o . Em g eral, um
cro m o sso m o rep resenta um co njunto d e p arm etro s d a f un o
o bjetiv o cuja resp o sta ser m axim iz ad a o u m inim iz ad a. O
co njunto d e to d as as co nf ig ura es q ue o cro m o sso m o p o d e
assum ir f o rm a o seu esp ao d e b usca . Se o cro m o sso m o
rep resenta n p arm etro s d e um a f un o , ent o o esp ao d e
busca um esp ao co m n d im ens es.
O p rim eiro p asso p ara reso lv er o Pro blem a 3.1 utiliz and o A Gs
rep resentar o nico p arm etro d este p ro blem a (a v ari v el x)
na f o rm a d e um cro m o sso m o . Ser ad o tad a um a cad eia d e 22
bits p ara o cro m o sso m o (m aio res cad eias aum entam a
p recis o num rica d a so lu o ). A ssim , um exem p lo d e
cro m o sso m o p o d eria ser:
s1 = 1000101110110101000111
b = (1000101110110101000111) = 2288967
10 2
Co m o b 10 um nm ero no interv alo [0, 2 l- 1] (se nd o l o
tam anho d a cad eia d e bits), necess rio m ap e - lo p ara o
interv alo d o p ro blem a [- 1,0; 2,0]. Isto p o d e ser f eito p ela
f rm ula:
b10
x = min + (max min)
2l 1
assim ,
2.288.967
x 1 = 1 + (2 + 1) = 0,637197
( )
2 22 1
q ue m ed e q u o bo a a so lu o co d if icad a em s i. basead a no
v alo r d a f un o o bjetiv o , e ser d iscutid a na p r xim a se o .
3.1.2 SELEO
Um A lg o ritm o Gen tico co m ea co m um a p op ula
o inicial d e
N cro m o sso m o s. A p o p ula o inicial d o Pro blem a 3.1, co m
N = 30, m o strad a em um a d as co lunas d a T abela 3.1
o rd enad o s p o r o rd em d ecrescente d o v alo r d a f un o o bjetiv o ,
co m o tam b m m o stra- se o v alo r d e x co d if icad o no
cro m o sso m o , o v alo r d a f un o o bjetiv o e a ap tid o p ara este
v alo r. Os cro m o sso m o s f o ram g erad o s aleato riam ente, p o rq ue
neste p ro blem a n o existe nenhum co nhecim ento p r io so bre
a reg i o d o esp ao d e busca o nd e se enco ntra a so lu o d o
p ro blem a. Os p o nto s d a f un o rep resentad o s p elo s
cro m o sso m o s d a p o p ula o inicial s o m o strad o s na Fig ura
3.2.
3, 0
2, 5
f(x) = x sen( 10x) + 1
2, 0
1, 5
1, 0
0, 5
0, 0
-0, 5
-1, 0
-1, 0 -0, 5 0, 0 0, 5 1, 0 1, 5 2, 0
x
ap tid
o. Po rtanto , a p ro babilid ad e d e sele o p i, d e um
cro m o sso m o s i co m ap tid o f i, d ad a p o r:
fi
pi =
N
fi
i =1
A p tid o
Posi Fun o acum ulad
Cro m o sso m o A p tid o
o xi o bjetivo a
si fi
f(x i)
i
i
fk
k =1
11010000000111101 10
1 1,43891 2,35251 2,00000 2,00000
111
11000001101001000 11
2 1,26925 2,04416 1,93103 3,93103
111
10101110010101100 10
3 1,04301 2,01797 1,86207 5,79310
000
10011110000110010 00
4 0,85271 1,84962 1,79310 7,58621
101
10011101101110000 11
5 0,84829 1,84706 1,72414 9,31035
100
00001100111110100 10 -
6 1,84610 1,65517 10,96552
110 0,84792
94 Est fane Lacerda e Andr Carvalho
00110000001001110 10 -
7 1,39248 1,58621 12,55172
010 0,43570
01111001010000011 01
8 0,42098 1,25777 1,51724 14,06897
100
01000000001100111 01 -
9 1,24695 1,44828 15,51724
000 0,24764
01000000100011110 11 -
10 1,23827 1,37931 16,89655
110 0,24343
00001001010000001 11 -
11 1,23364 1,31035 18,20690
010 0,89156
00011010011000101 01 -
12 1,19704 1,24138 19,44828
111 0,69079
10100001100110000 11
13 0,89370 1,17582 1,17241 20,62069
011
01101000010110110 00
14 0,22292 1,14699 1,10345 21,72414
100
10001000111100010 00
15 0,60479 1,09057 1,03448 22,75862
011
11001100110010100 01
16 1,39988 0,99483 0,96552 23,72414
110
01000110010001000 11 -
17 0,88140 0,89655 24,62069
101 0,17655
00110100111101001 01 -
18 0,77149 0,82759 25,44828
000 0,37943
00100011010011001 01 -
19 0,75592 0,75862 26,20690
100 0,58633
11011101011011111 11
20 1,59497 0,74904 0,68966 26,89655
111
00110110110011011 10 -
21 0,65283 0,62069 27,51724
110 0,35777
00100100010011111 00 -
22 0,58721 0,55172 28,06897
111 0,57448
11001011101100111 11
23 1,38714 0,45474 0,48276 28,55172
000
00100110011001101 00 -
24 0,45001 0,41379 28,96552
111 0,54999
11011100100101001 00
25 1,58492 0,27710 0,34483 29,31035
001
11001010110001110 10
26 1,37631 0,06770 0,27586 29,58621
011
27 00000100001001001 10 - 0,04953 0,20690 29,79310
Captulo 3 Introdu o aos Algoritmos Gen ticos 95
001 0,95144
11101000010000000 10 -
28 1,72169 0,13793 29,93103
001 0,08458
11101010001111000 00 -
29 1,74494 0,06897 30,00000
000 0,72289
11111011000000010 10 -
30 1,94147 0,00000 30,00000
111 0,87216
N
to tal f i /* a so m a d as ap tid es d e to d o s o s cro m o sso m o s d a
p o p ula oi =1* /
rand rand m ico (0, to tal)
to tal p arcial 0
i0
rep etir
i i+ 1
to tal p arcial to tal p arcial + f i
at to tal p arcial rand
reto rnar o cro m o sso m o s i
p o p ula o interm ed i ria. O p ro cesso rep ete- se at p reencher a
p o p ula o interm ed i ria. Utiliz a- se, g eralm ente, o v alo r n = 3.
Outra f o rm a d e d ef inir ap tid o p elo ord enam ento d o
cro m o sso m o na p o p ula o , co nf o rm e se o btev e na T abela 3.1.
O p rim eiro cro m o sso m o d o o rd enam ento recebe u um a ap tid o
arbitr ria ig ual a 2,0, e ao ltim o cro m o sso m o d o
o rd enam ento f o i atribud o o v alo r 0,0. A s d em ais f o ram
o btid as interp o land o estes d o is extrem o s p o r um a reta, o u
seja, f i = 2 (N i ) (N 1) , send o N o tam anho d a p o p ula o .
pai1 (0010101011100000111111)
pai2 (0011111010010010101100)
filho1 (0010101011010010101100)
filho2 (0011111010100000111111)
A p s a o p era o d e cr o sso v er , o o p erad o r d e m uta o
ap licad o , co m d ad a p ro babilid ad e, em cad a bit d o s d o is f ilho s.
O o p erad o r d e m uta o inv erte o s v alo res d e bits, o u sej a,
m ud a o v alo r d e um d ad o bit d e 1 p ara 0 o u d e 0 p ara 1. A
Fig ura 3.4 ap resenta um exem p lo em q ue d o is bits d o p rim eiro
f ilho e um bit d o seg und o so f rem m uta o (bits estes q ue
p assaram no teste d e p ro babilid ad e). A m uta o m elho ra a
d iv ersid ad e d o s cro m o sso m o s na p o p ula o , no entanto p o r
o utro lad o , d estr i inf o rm a o co ntid a no cro m o sso m o , lo g o ,
d ev e ser utiliz ad a um a tax a d e m uta
o p eq uena
(no rm alm e nte entre 0,1% a 5%), m as suf iciente p ara asseg urar
a d iv ersid ad e.
Crossover Ponto
ndice Populao Intermediria Primeira Gerao
e de
Original (Mating pool) (o sublinhado indica mutao)
Mutao Corte
1 1101000000011110110111 1101000000011000011100 12
5 1001110110111000011100 1001110110111110110111 12
12 0001101001100010101111 0001101001100010010110 12
6 0000110011111010010110 0010110011110000101111 12
19 0010001101001100101100 0110001101000100011101 9
17 0100011001000100011101 0100011001001100101100 9
15 1000100011110001000011 1000100011110001010010 17
7 0011000000100111010010 0001000000100111000011 17
98 Est fane Lacerda e Andr Carvalho
10 0100000010001111011110 0100000010001111101100 16
8 0111100101000001101100 0111100101000001011110 16
6 0000110011111010010110 0000110011111010010110 21
18 0011010011110100101000 0011010011110100100000 21
9 0100000000110011101000 0100100000010010101111 13
12 0001101001100010101111 0001101001100011101000 13
17 0100011001000100011101 0100011001000100010010 17
7 0011000000100111010010 0011001000100111011101 17
11 0000100101000000111010 0000111001010110010001 3
3 1010111001010110010000 1010100101010000011011 3
3 1010111001010110010000 1010111001010110010111 19
1 1101000000011110110111 1101000100011110110000 19
15 1000100011110001000011 1000100010011001000101 9
4 1001111000011001000101 1001111001110001000011 9
13 1010000110011000011011 1010000110011000011010 20
6 0000110011111010010110 0100111011111010010110 20
15 1000100011110001000011 1000010000100100110001 3
27 0000010000100100110001 0000100011110001000011 3
8 0111100101000001101100 0110000101000011101100 19
19 0010001101001100101100 1010001101001100101000 19
8 0111100101000001101100 0111100101000100111010 5
11 0000100101000000111010 0000100101000011101100 5
3,0
2,5
f(x) = x sen(10x) + 1
2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0
x
3,0
2,5
f(x) = x sen(10x) + 1
2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0
x
Fig ura 3.7 - Cro m o sso m o s d a v ig sim a q uinta g era o
3.1.4 ELITISMO
A Fig ura 3.8 ilustra, p ara cad a g era o , o v alo r d a f un o
o bjetiv o p ara o m elho r cro m o sso m o d a p o p ula o , al m d o
v alo r m d io d a f un o o bjetiv o d e to d a a p o p ula o . V ale
o bserv ar q ue o m elho r cro m o sso m o p o d e ser p erd id o d e um a
g era o p ara o utra d ev id o ao co rte d o cr o sso v er o u
o co rr ncia d e m uta o . Po rtanto , interessante transf erir o
m elho r cro m o sso m o d e um a g era o p ara o utra sem
altera es (p o rq ue p erd er a m elho r so lu o enco ntrad a at
ent o ?). Esta estrat g ia d eno m inad a Elitism o, send o m uito
co m um no s A Gs trad icio nais. O Elitism o f o i p ro p o sto p o r
DeJo ng (1975), um d o s trabalho s p io neiro s so bre A Gs.
A Fig ura 3.9 m o stra o d ese m p enho d o m elho r cro m o sso m o em
cad a g era o , usand o o A G co m e sem Elitism
o , co m o s v alo res
p lo tad o s no g r f ico rep resentand o a m d ia d e 100 execu es
d o A G. Claram ente m o strad o q ue, neste p ro blem a, o A G co m
elitism o enco ntra a so lu o m ais r p id o q ue o A G sem elitism o
(v ale ressaltar q ue, em alg um as execu es, o A G
o casio nalm ente enco ntra m xim o s lo cais, to rnand o a m d ia
d o s m elho res cro m o sso m o s m eno r q ue o m xim o d a f un o ).
100 Est fane Lacerda e Andr Carvalho
3,0 Mdia
Melhor
2,5
Funo objetivo
2,0
1,5
1,0
0,5
0 5 10 15 20 25
Gerao
Fig ura 3.8 - O m aio r v alo r e o v alo r m d io d a f un o o bjetiv o
em cad a g era o
3,0
AG com elitismo
2,8 AG sem elitismo
Funo objetivo
2,6
2,4
2,2
2,0
0 5 10 15 20 25
Gerao
filho1 010001110101011
filho2 001011000001101
Fig ura 3.10 - C r o sso v er d e 2 p o nto s
filho1 1010011100101011001
fillho2 0010100100011001100
O cr o sso v er unif o rm e ap resentad o na Fig ura 3.12. Para cad a
p ar d e p ais g erad a um a m scara d e bits aleat rio s. Se o
p rim eiro bit d a m scara p o ssui o v alo r 1, ent o o p rim eiro bit
d o p ai 1 co p iad o p ara o p rim eiro bit d o filh o 1 . Caso co ntr rio ,
o p rim eiro bit d o p ai 2 co p iad o p ara o p rim eiro bit d o filh o 1 . O
p ro cesso se rep ete p ara o s bits restantes d o filh o 1 . N a g era o
d o filh o 2 o p ro ced im ento inv ertid o , o u seja, se o bit d a
m scara 1, ent o ser co p iad o o bit d o p ai 2. Se o bit f o r ig ual
a 0, ent o ser co p iad o o bit d o p ai 1 . V ale no tar q ue o cr o sso v er
unif o rm e n o a m esm a co isa q ue o cr o sso v er d e (l- 1) p o nto s
(l o n m ero d e bits d o cro m o sso m o ), um a v ez q ue este
sem p re lev a a m etad e d o s bits d e cad a p ai.
102 Est fane Lacerda e Andr Carvalho
Mscara de bits 1 1 0 1 0 1 1 0 1 0
pai1 1 1 1 0 1 1 0 1 1 0
filho1 1 1 1 0 0 1 0 1 1 0
pai2 0 1 1 0 0 0 1 1 0 0
Em Eshelm an et al. (1989), inv estig ad a a d if erena d e
d esem p enho entre v rio s cr o sso v er s d e n p o nto s e unif o rm e. A
co nclus o , co nf o rm e relatad o em Beasley (1993), q ue n o h
g rand es d if erenas d e d ese m p enho entre eles. A li s, seg und o
Gref enstette (1986), o A G ro busto d e tal m o d o q ue, d entro d e
um a f aixa relativ am ente larg a d e v aria o d e p arm etro s (e.g .
taxas d e cr o sso v er e m uta o , tam anho d a p o p ula o , etc.), n o
o co rre altera o sig nif icativ a no d esem p enho .
N o item a seg uir, ser ap resentad a a rela o entre A Gs e a
bio lo g ia, co m o tam b m a exp lica o d o s p rincip ais term o s
utiliz ad o s na literatura d e A Gs.
3.1.6 TERMINOLOGIA
N a bio lo g ia, a teo ria d a ev o lu o d iz q ue o m eio am biente
selecio na, em cad a g era o , o s seres v iv o s m ais ap to s d e um a
p o p ula o p ara so brev iv ncia. Co m o resultad o , so m ente o s
m ais ap to s co nseg uem se rep ro d uz ir, um a v ez q ue o s m eno s
ad ap tad o s g eralm ente s o elim inad o s antes d e g erarem
d escend entes. Durante a rep ro d u o , o co rrem f en m eno s
co m o m uta o e cr o sso v er (reco m bina
o ), entre o utro s, q ue
atuam so bre o m aterial g en tico arm az e nad o no s
cro m o sso m o s. Estes f en m eno s lev am v ariabilid ad e d o s
seres v iv o s na p o p ula o . So bre esta p o p ula o d iv ersif icad a
ag e a sele o natural, p erm itind o a so brev iv ncia ap enas d o s
seres m ais ad ap tad o s.
Um A lg o ritm o Gen tico a m et f o ra d esses f en m eno s, o q ue
exp lica p o rq ue A Gs p o ssue m m uito s term o s o rig inad o s d a
Captulo 3 Introdu o aos Algoritmos Gen ticos 103
3.1.7 ESQUEMAS
O T eo rem a d o s Esq uem as d e Ho lland (1975) p ro cura
f und am entar, teo ricam e nte, o co m p o rtam e nto d o s A Gs. Sua
co m p reens o p o d e auxiliar na co nstru o d e ap lica es
ef icientes d e A Gs. Ho lland co nstato u q ue o s A Gs m anip ulam
d eterm inad o s seg m ento s d a cad eia d e bits. T ais seg m ento s
f o ram p o r ele d eno m inad o s d e esq uem as. Um f o rm ad o p elo s
sm bo lo s 0, 1 e *. A o co rr ncia d o sm bo lo * em um a p o si o
no esq uem a sig nif ica q ue esta p o si o p o d e ser o cup ad a p elo
sm bo lo 1 o u 0. A Fig ura 3.13 m o stra alg uns exem p lo s.
H1 H2 H3
1**** **10* *0*01
11001 X
11011 X
10101 X X X
cro m o sso m o s d a p o p ula o atual q ue co nt m o esq uem a H.
Co nsid ere b a m d ia d as ap tid es d e to d a p o p ula o e a a
m d ia d as ap tid es d o s cro m o sso m o s q ue co nt m o esq uem a
H. A ssim , o n m ero esp erad o d e c p ias m d o esq ue m a H na
p o p ula o interm ed i ria (utiliz and o sele o p ro p o rcio nal
ap tid o ) d ad o p o r:
a
m = m
b
af irm a o co nhecid a co m o a H ip tese d os Bloco s d e
Constru
o .
Os p ro blem as q ue n o o bed ecem Hip tese d o s Blo co s d e
Co nstru o s o co nhecid o s co m o A G- D ecep tiv o s. Po r
exem p lo , p o d e o co rrer q ue, co m binand o d o is tim o s blo co s d e
co nstru o , resulte em um cro m o sso m o ruim , o co rrend o isto
co m g enes q ue t m alta Ep istasia (v er Se o 3.1.6). Fun es
co m esta p ro p ried ad e tend e m a ter um p o nto tim o iso lad o
cercad o p o r p o nto s extre m am e nte ruins. Feliz m ente, tais
f un es s o raras
na p r tica. E, al m d isso , s o f un es d if ceis
p ara q ualq uer t cnica d e o tim iz a o .
Ho lland tam b m no to u q ue ap esar d o A G m anip ular N
cro m o sso m o s, a q uantid ad e d e esq uem as m anip ulad o s
m uito m aio r (na o rd em d e O (N 3 ) esq uem as). T al p ro p ried ad e
f o i d eno m inad a d e Paralelism o Im p lcito. Ou sej a, o A G
m anip ula um a g rand e q uantid ad e d e inf o rm a es em p aralelo
co m ap enas N cro m o sso m o s.
Os bo ns blo co s d e co nstru o , q uand o inco rp o rad o s em um
cro m o sso m o , m elho ram sua ap tid o . Po rtanto , im p o rtante
estruturar a co d if ica o d o s cro m o sso m o s d e m o d o a
estim ular a f o rm a o d e blo co s d e co nstru o .
So b a luz d o s esq uem as, p o ssv el analisar o s d iv erso s tip o s
d e cro sso v ers. Po r exem p lo , o esq uem a 1* * ** ** 0 ser
f atalm ente d estrud o p elo cr o sso v er d e 1 p o nto , seja o nd e f o r
o p o nto d e co rte. O m esm o p ro blem a n o o co rre no cr o sso v er
d e 2 p o nto s, p o r m , o aum ento excessiv o d e p o nto s d e co rte
no rm alm ente n o lev a a bo ns resultad o s, um a v ez q ue d estr i
co m f acilid ad e o s blo co s d e co nstru o .
interessante no tar q ue o cro m o sso m o p o d e ser interp retad o
co m o um anel f o rm ad o p ela uni o d e suas extrem id ad es, co m o
ilustra a Fig ura 3.14. Observ and o o anel, no ta- se q ue o
cr o sso v er d e 1 p o nto um caso p articular d o d e 2 p o nto s
q uand o um d o s p o nto s d e co rte f ixo so bre a jun o d o anel.
Po rtanto , o cr o sso v er d e 2 p o nto s d esem p enha tam b m a
f un o d o d e 1 p o nto . Este um d o s m o tiv o s p elo q ual o
cr o sso v er d e 2 p o nto s co nsid erad o m elho r d o q ue o
cr o sso v er d e 1 p o nto (Beasley, 1993b; Dav is, 1991).
Captulo 3 Introdu o aos Algoritmos Gen ticos 107
Inicio de pai1
1 0
1 1
0 0 1 corte
1 0
0 1
1
2 corte 0 0 0 1
Prob lem a 2
sen x 2 + y 2 0,5
Maxim iz
3.2
ar f ( x, y ) = 0,5
(1,0 + 0,001(x 2
+ y2 ))
2
s1 = 01101001001001101000001000111000100001110010
0110100100100110100000 e 1000111000100001110010
1722784 e 2328690.
1722784
x1 = [100 - (-100)] + 100 = -17,851
2 1
22
2328690
y1 = [100 - (-100)] +100 = 11,041
2 22 1
Operadores Convencionais
Os o p erad o res co nv encio nais s o resultad o s d as
ad ap ta es dos o p erad o res utiliz ad o s p ara
rep resenta o bin ria. Os o p erad o res co nv encio nais
(cr o sso v er d e n p o nto s e unif o rm e) f uncio nam bem na
rep resenta o bin ria, m as na rep resenta o real eles
basicam ente tro cam v alo res d o s g enes e, p o rtanto , n o
criam inf o rm a es no v as (i.e., no v o s n m ero s reais).
Melho r ent o usar o p erad o res aritm tico s.
Operadores Aritmticos
Os o p erad o res aritm tico s realiz am alg um tip o d e
co m bina o linear entre o s cro m o sso m o s p ais.
C rossov er m d ia (Dav is, 1991): d ad o d o is cro m o sso m o s
p 1 e p 2, p ro d uz id o um cro m o sso m o c d a seg uinte
f o rm a:
c = (p 1 + p 2 ) 2
Um v aria o d este cro sso v er o:
C rossov
er m d ia g eom trica, o nd e cad a g ene c i d o f ilho
c d ad o p o r:
ci = p1i p 2i p ar a i= 1...l
O cro sso v er m d ia tend e a lev ar o s g enes p ara o m eio
d o interv alo p erm itid o [a i,b i] causand o p erd a d e
d iv ersid ad e. Isto p o d e ser m elho rad o co m o cro sso v er
BLX- .
C rossov er BLX- o u crossov er m istura (d o ing l s
blen d cr o sso v er ) (Eshelm an e Shaf f er, 1993): d ad o d o is
cro m o sso m o s p 1 e p 2 , p ro d uz id o um cro m o sso m o c
d a seg uinte f o rm a:
Captulo 3 Introdu o aos Algoritmos Gen ticos 111
c = p 1 + (p 2 p 1 )
o nd e U (- ,1+ ).
O BLX- ilustrad o na Fig ura 3.16 na q ual f o i esco lhid o
um nico v alo r d e p ara to d o s o s p ares d e g enes.
Quand o = 0 o f ilho situam - se so bre o interv alo I e ntre
o s d o is p o nto s q ue rep resentam o s p ais. O p arm etro
extend e o interv alo I. Po r exem p lo , se = 0,5, o
interv alo I extend id o I em am bo s o s lad o s. O BLX-
0,5 balanceia a tend ncia d e g erar f ilho s p r xim o s ao
centro d o interv alo I ev itand o a p erd a d e d iv ersid ad e.
Este tend ncia aind a p o d e ser red uz id a co m a m uta o
lim ite m o strad a m ais tard e. O BLX- tem sid o usad o
co m sucesso em m uito s trabalho e talv ez o o p erad o r o
m ais utiliz ad o p ara rep resenta o real.
Ex em p lo: Co nsid ere d o is p o ssv eis cro m o sso m o s
p ara o Pro blem a 2.1:
p 1 = (30,173; 85,342)
p 2 = (75,989; 10,162)
c = (87,993; - 9,535)
p 2 = (p 21 , p 22 ,..., p 2k , p 2, k+ 1
,...,p 2i)
c = (p 1 1, p 12 ,...c k, c k+ 1,...,c l)
Um a alternativ a p ara o cr o sso v er BLX- o:
C rossov er linear (W rig ht, 1991): d ad o s d o is p ais p 1 e p 2
o bt m - se tr s f ilho s c 1 , c 2 e c 3 d a seg uinte f o rm a:
c1 = 0,5p 1 + 0,5p 2
c 2 = 1,5p 1 0,5p 2
c 3 = 0,5p 1 + 1,5p 2
Desses tr s f ilho s, ap enas o m elho r esco lhid o , o s
o utro s d o is s o d escartad o s.
I pai
I possvel filho
Parmetro 2
Parmetro 1
pai
Parmetro 2
possvel filho
Parmetro 1
Outro estud o q ue v ale m encio nar o d e Michalew icz
(1994), q ue inv ento u v rio s o p erad o res p ara
rep resenta o real. A co m bina o d estes o p erad o res no
m esm o A G ap resento u m elho r d esem p enho q ue o A G
bin rio trad icio nal. Ele uso u: cr o sso v er aritm tico ,
cr o sso v er heurstico , cr o sso v er sim p les, m uta o
unif o rm e, m uta o lim ite, m uta o n o unif o rm e e a
m uta o n o - unif o rm e m ltip la. A seg uir ser o
ap resentad o s o s cr o sso v er s, e na p r xim a se o , as
m uta es.
C rossov er aritm tico (Michalew
icz , 1994): d ad o d o is
cro m o sso m o s p 1 e p 2 , p ro d uz id o d o is cro m o sso m o s
c 1 e c 2 d a seg uinte f o rm a
c1 = p1 + (1 )p 2
c 2 = (1 )p1 + p 2
Outros Operadores
p o ssiv el enco ntrar na literatura o p erad o res g en tico s
co m binad o s co m t cnicas m ais co m p licad as, co m o p o r
exem p lo o p erad o res q ue lev am em co nsid era o a
d ire o ap ro xim ad a d o g rad iente (Gen e Cheng , 1997)
o u o p erad o res co m o o cro sso v er q uad r tico (A d ew uya,
1996) q ue usa tr s p ais p ara f az er um ajuste d e curv as
q uad r tico co m base no v alo r d a ap tid o .
U (ai , bi ), se i = j
ci =
pi caso contrrio
Ou seja, d ad o um cro m o sso m o p co m o j - sim o g ene
selecio nad o p ara m uta o , p ro d uz id o um cro m o sso m o c d a
seg uinte f o rm a:
N ( pi , ), se i = j
ci =
pi caso contrrio
o nd e N (p i,) um a d istribui o no rm al co m m d ia p i e d esv io
p ad r o . A lternativ am ente, p o d e- se d im inuir o v alo r d e ,
m ed id a q ue aum enta a n m ero d e g era es.
M uta
o creep: ad icio na ao g ene um p eq ueno n m ero
aleat rio o btid o d e um a d istribui o no rm al (co m m d ia z ero
e d esv io p ad r o p eq ueno ) o u d e um a d istribui o unif o rm e.
A lternativ am e nte, a m uta o cr eep p o d e ser realiz ad a,
m ultip licand o o g ene p o r um n m ero aleat rio p r xim o d e
um . O n m ero aleat rio d ev e ser p eq ueno o suf iciente p ara
q ue cause ap enas p eq uena p erturba o no cro m o sso m o ,
p o rq ue estand o p erto d o p o nto m xim o , tal p erturba o p o d e
m o - lo rap id am ente ao to p o . A taxa d e m uta o cr eep p o d e
ser relativ am ente alta, v isto q ue ele usad a ap enas p ara
exp lo rar lo calm ente o esp ao d e busca (a m uta o cr eep n o
m uito d estrutiv a).
M uta
o lim ite (Michalew icz , 1994): a substitui o d o g ene
p o r um d o s lim ites d o interv alo p erm itid o [a i,b i].
Ou seja, d ad o um cro m o sso m o p co m o j - sim o g ene
selecio nad o p ara m uta o , p ro d uz id o um cro m o sso m o c d a
seg uinte f o rm a:
ai se r < 0,5 e i = j
ci = bi se r 0,5 e i = j
p
i caso contrrio
M uta
o n
o- uniform e (Michalew icz , 1994): a sim p les
substitui o d e um g ene p o r um n m ero extrad o d e um a
d istribui o n o - unif o rm e.
Ou seja, d ad o um cro m o sso m o p co m o j - sim o g ene
selecio nad o p ara m uta o , p ro d uz id o um cro m o sso m o c d a
seg uinte f o rm a:
b
G
f (G ) = r2 1
Gmax
Ond e r 1 e r 2 U (0,1), G o n m ero d a g era o co rrente, G m ax
o n m ero m xim o d e g era es e b um p arm etro d o sistem a
q ue d eterm ina a f o rm a d a f un o (o auto r uso u b= 6).
M uta
o n
o- uniform e m ltip la (Michalew icz , 1994): a
sim p les ap lica o d o o p erad o r m uta o n o - unif o rm e em
to d o s o s g enes d o cro m o sso m o p .
Minimo local
Minimo global
x0 x1
o u na f o rm a d e ineq ua es:
Minim iz a f ( x, y )
r
Sujeito a x2 + 2y2 5
Quand o o s p arm etro s s o irrestrito s, eles p o d e m assum ir
q ualq uer v alo r. Po r exem p lo :
Minim iz a f (x)
r
Sujeito a x n
V rio s m to d o s d e o tim iz a o trabalham m elho r co m
p arm etro s irrestrito s. Em m uito s caso s, p o ssv el co nv erter
um p arm etro restrito e m um p arm etro irrestrito . Po r
exem p lo , co nsid ere m inim iz ar f(x) sujeita restri o
M in x M ax. O p arm etro restrito x p o d e ser co nv ertid o no
p arm etro irrestrito u f az end o x = M in + (M ax- M in )se n 2 (u ) e
m inim iz and o f p ara q ualq uer v alo r d e u . Quand o a f un o
o bjetiv o e as restri es s o f un es lineares d o s p arm etro s, o
p ro blem a d e o tim iz a o co nhecid o co m o p ro blem a d e
Prog ram a
o Linear . Quand o a f un o o bjetiv o o u as
restri es s o f un es n o lineares d o s p arm etro s, o
p ro blem a co nhecid o co m o p ro blem a d e Prog ram a
o N
o-
Linear.
Os p arm etro s d a f un o o bjetiv o p o d em ser contnuo s o u
d iscretos. Otim iz a o co m p arm etro s co ntnuo s tem um
n m ero inf inito d e so lu es. Otim iz a o d e p arm etro s
d iscreto s, em g eral, tem so m ente um n m ero f inito d e
p o ssv eis so lu es, resultante
d e um a certa co m bina o d o s
p arm etro s. Um exem p lo a d ecis o so bre a m elho r o rd em
co m q ue um co njunto d e a es o u taref as d ev e m ser
Captulo 3 Introdu o aos Algoritmos Gen ticos 119
realiz ad as. Este tip o d e o tim iz a o co nhecid o co m o
O tim iz a
o Com b inat ria .
V isand o situar A lg o ritm o s Gen tico s no co ntexto d e
o tim iz a o em
g eral, co nsid erem - se alg uns d as p rincip ais
classes d e m to d o s d e o tim iz a o :
Gerar- e- T estar: O alg o ritm o Gerar- e - testar (tam b m
co nhecid o co m o m to d o d a busca exaustiv a o u aleat ria)
um a abo rd ag em d a f o ra bruta. Em p reg a d o is m d ulo s: o
m d ulo d e g era o , q ue enum era p o ssv eis so lu es
sistem aticam ente o u aleato riam ente, e o m d ulo d e teste, q ue
av alia cad a p o ssv el so lu o , p o d end o aceitar o u rejeit - la. O
m d ulo g erad o r p o d e p ro d uz ir to d as as p o ssv eis so lu es
antes d o m d ulo d e teste co m ear a ag ir. O m ais co m um o
uso intercalad o d estes d o is m d ulo s. O m to d o p o d e encerrar
sua execu o q uand o um a so lu o satisf at ria f o r enco ntrad a,
ntrar um n m ero d e so lu es satisf at rias o u
d ep o is d e enco
co ntinuar at q ue to d as as p o ssv eis so lu es sejam achad as.
M tod os A nalticos: Os m to d o s analtico s utiliz am
t cnicas d o C lculo Dif erencial p ara d eterm inar o s p o nto s
extrem o s d e um a f un o e ap resentam v rias d esv antag ens:
n o inf o rm am se o p o nto enco ntrad o um p o nto d e m nim o
lo cal o u g lo bal; req uere m f un es co m d eriv ad as e, al m d isso ,
q uand o existe g rand e n m ero d e p arm etro s to rna- se d if cil
enco ntrar, analiticam ente, to d o s o s p o nto s d e m nim o e
m xim o . Isto to rna estes m to d o s im p ratic v eis p ara o tim iz ar
d iv erso s p ro blem as d o m und o real.
Sub id a d e Encosta: Os m to d o s d e Subid a d e Enco sta
(h ill clim bin g ) inv estig am o s p o nto s ad jacentes d o esp ao d e
busca e m o v em - se na d ire o q ue m elho ra o v alo r d a f un o
o bjetiv o . Po d e ser o bserv ad o , p o rtanto , q ue p ara f un es co m
m uito s tim o s lo cais, um m to d o d e Subid a d e Enco sta ter
d if iculd ad es em lo caliz ar q ual enco sta lev a ao tim o g lo bal.
M to d o s d e Subid a d e Enco sta tam b m t m d if iculd ad es
q uand o existem p lancies o u p lat s na sup erf cie d e busca.
Co ntud o , m to d o s d e Subid a d e Enco sta s o g eralm ente
r p id o s. Um g rand e n m ero d e t cnicas im p o rtantes d e
o tim iz a o seg ue o s p rincp io s d a Subid a d e Enco sta. Um
exem p lo o m to d o d o g rad iente.
120 Est fane Lacerda e Andr Carvalho
Os A lg o ritm o s Gen tico s t m sid o em p reg ad o s em p ro blem as
co m p licad o s d e o tim iz a o , em q ue, m uitas v ez es, o s m to d o s
acim a f alham . A lg um as v antag ens d o s A Gs s o :
Funcio nam tanto co m p arm etro s co ntnuo s co m o
d iscreto s o u um a co m bina o d eles.
Realiz am buscas sim ultneas em v rias reg i es d o
esp ao d e busca, p o is trabalham co m um a
p o p ula o e n o co m um nico p o nto .
Utiliz am inf o rm a es d e custo o u reco m p e nsa e n o
d eriv ad as o u o utro co nhecim ento auxiliar.
N o necess rio co nhecim ento m atem tico
ap ro f und ad o d o p ro ble m a co nsid erad o .
Otim iz am um n m ero g rand e d e v ari v eis.
Otim iz am p arm etro s d e f un es o bjetiv o s co m
sup erf cies co m p lexas e co m p licad as, red uz ind o a
incid ncia d e m nim o s lo cais.
A d ap tam - se bem a co m p utad o res p aralelo s.
T rabalham co m um a co d if ica o d o co njunto d e
p arm etro s e n o co m o s p r p rio s p arm etro s.
Fo rnecem um a lista d e p arm etro s tim o s e n o
um a sim p les so lu o .
T rabalham co m d ad o s g erad o s exp erim entalm ente e
s o to lerantes a rud o s e d ad o s inco m p leto s.
S o f ceis de serem im p le m entad o s em
co m p utad o res.
S o m o d ulares e p o rt teis, no sentid o q ue o
m ecanism o d e ev o lu o sep arad o d a rep resenta o
p articular d o p ro blem a co nsid erad o . A ssim , eles
p o d em ser transf erid o s d e um p ro blem a p ara o utro .
S o f lexv eis p ara trabalhar co m restri es
arbitr rias e o tim iz ar m ltip las f un es co m
o bjetiv o s co nf litantes.
Captulo 3 Introdu o aos Algoritmos Gen ticos 121
S o tam b m f acilm ente hibrid iz ad o s co m o utras
t cnicas e heursticas.
A p esar d essas v antag ens, o s A Gs n o s o ef icie ntes p ara
m uito s p ro blem as. S o bastante lento s e n o raro aind a est o
av aliand o a p o p ula o inicial enq uanto m uito s m to d o s d e
Subid a d e Enco sta j t m enco ntrad o a so lu o . O p rincip al
cam p o d e ap lica o d o s A G em p ro blem as co m p lexo s, co m
m ltip lo s m nim o s/m xim o s e p ara o s q uais n o existe um
alg o ritm o d e o tim iz a o ef iciente co nhecid o p ara reso l - lo s.
A seg uir, ser o co m p arad o s asp ecto s d o m ecanism o d e busca
d o s A G s co m o s m to d o s co nv encio nais.
Os m to d o s Gerar- e- T estar p o ssuem a caracterstica d e
exp lo rar p o nto s inteiram ente no v o s d o esp ao d e busca. Os
m to d o s d e Subid a d e Enco sta, p o r o utro lad o , caracteriz am -
se p o r utiliz ar a inf o rm a o o riund a d e p o nto s anterio rm ente
v isitad o s p ara enco ntrar o s m elho res. Um alg o ritm o de
o tim iz a o ef iciente d ev e usar estas d uas t cnicas
(d eno m inad as d e Exp lo r atio n e Exp lo itatio n , resp ectiv am e nte)
p ara enco ntrar o tim o g lo bal d a f un o o bjetiv o (Beasley et al,
1993a). A m bas as t cnicas t m a m esm a trad u o p ara o
p o rtug u s, exp lo ra o . Entretanto , Exp lo itatio n sig nif ica
exp lo ra o no sentid o d e tirar d e inf o rm a es p resentes nas
so lu es enco ntrad as e Exp lo r atio n d iz resp eito exp lo ra o
no sentid o d e v isitar p o nto s d esco nhecid o s no esp ao d e
busca p ro cura p o r no v as so lu es.
O cr o sso v er e a m uta o s o d o is m ecanism o s d e busca d o s
A Gs q ue lev am exp lo ra o d e p o nto s inteiram ente no v o s d o
esp ao d e busca ( explo r atio n ). Enq uanto a sele o d irig e a
busca em d ire o ao s m elho res p o nto s d o esp ao d e busca
(explo itatio n ), a p ress
o d a sele
o , d ad a p ela raz o entre
ap tid o m xim a d a p o p ula o e a ap tid o m d ia, inf luencia a
q uantid ad e d e Exp lo itatio n e Exp lo r atio n . Quand o a p ress o d e
sele o m uito baixa (i.e., a ap tid o p raticam e nte a m esm a
p ara to d a a p o p ula o ), o A G assum e um co m p o rtam ento
aleat rio , p o is n o h sele o . Isto to rna o A G sem elhante
busca aleat ria d o s m to d o s Gerar- e- T estar (m uito
explo r atio n ). Quand o a p ress o d e sele o m uito alta, o A G
assum e o co m p o rtam ento d o s m to d o s d e Subid a d e Enco sta
122 Est fane Lacerda e Andr Carvalho
(m uito exp lo itatio n ). N a p r tica, d if cil co nhecer q ual a
p ress o d e sele o q ue f o rnece o eq uilbrio id e al.
O cr o sso v er o p rincip al m ecanism o d e busca d o A G. Ele
cap az d e co m binar as bo as p o r es d o s cro m o sso m o s p ais,
isto , o s bo ns blo co s d e co nstru o . Co m o resultad o ,
cro m o sso m o s f ilho s co m ap tid es m ais elev ad as q ue as d o s
p ais p o d em ser p ro d uz id o s. A m uta o tam b m d esem p enha
im p o rtante p ap el no A lg o ritm o Gen tico , um a v ez q ue p erm ite
q ue q ualq uer p o nto d o esp ao d e busca seja alcanad o . A f ase
d e sele o d escarta o s cro m o sso m o s co m baixa ap tid o e co m
eles m uito s g enes tam b m s o elim inad o s. N a aus ncia d e
m uta o , g enes p resentes ap enas no s cro m o sso m o s
d escartad o s n o ser o m ais recup erad o s, p o is o cr o sso v er n o
g era no v o s g enes, ap enas co m bina o s q ue j existem .
O d esap arecim ento d e d eterm inad o s g enes d a p o p ula o no
d eco rrer d as g era es (f en m eno d eno m inad o na bio lo g ia d e
G en etic dr ift) im p o ssibilita um A lg o ritm o Gen tico d e exp lo rar
co m p letam e nte o esp ao d e busca. Co m o resultad o , o A G p o d e
co nv erg ir p ara um m nim o o u m xim o lo cal. Este p ro blem a
co nhecid o co m o Conv erg ncia Prem atura, q ue tem co m o um a
d e suas p rincip ais causas o G en etic dr if t. Co m taxas ad eq uad as
d e m uta o , p o ssv el m anter um a bo a d iv ersid ad e d e g enes
d a p o p ula o a f im d e co ntrabalanar estas p erd as d e g enes.
A l m d o s A lg o ritm o s Gen tico s, existem o utro s m to d o s d e
o tim iz a o g lo bal (i.e. m to d o s q ue lev am ao tim o g lo bal),
send o a m aio ria d eles recentes. Os m to d o s antig o s d e
o tim iz a o s o q uase to d o s m to d o s d e Subid a d e Enco sta.
A lg uns exem p lo s s o Reco z im ento Sim ulad o , Busca T abu e
Br an ch an d Bo u n d co m binad o co m o utras t cnicas (e.g . A n lise
Interv alar) (Sto lf i e Fig ueired o , 1997).
cro m o sso m o , necess ria um a sim ula o co m p leta d o
p ro cesso , o q ue p o d e cheg ar a co nsum ir ho ras. Haup t e Haup t
(1998) sug erem , p ara lid ar co m tais f un es o bjetiv o , alg um as
d icas q ue p ro p em cuid ad o s a serem to m ad o s p ara n o av aliar
cro m o sso m o s id ntico s m ais d e um a v ez , reutiliz and o d este
m o d o a av alia o f eita anterio rm ente.
Isto p o d e f eito d e v rias m aneiras: 1. ev itand o g erar
cro m o sso m o s id ntico s na p o p ula o inicial; 2. v erif icand o se
f o i ap licad o cr o sso v er o u m uta o no s p ais, p o is, caso n o
tenham sid o ap licad o s, o s f ilho s ser o ig uais ao p ais; 3.
o bserv and o se o f ilho ig ual a um d o s p ais; 4. m antend o a
o co m to d o s o s cro m o sso m o s d istinto s entre si, o q ue
p o p ula
tam b m ajud a na m anuten o d a d iv ersid ad e (no A G d o tip o
Steady State isto f eito ev itand o inser o d e cro m o sso m o s
d up licatas na p o p ula o ); 5. antes d e av aliar um f ilho ,
v erif icand o se j existe um cro m o sso m o ig ual a este f ilho na
p o p ula o . Em situa es m ais extrem as, d ev er- se - o
arm az enar to d o s o s cro m o sso m o s d as g era es atual e
p assad a, v erif icand o se alg um d eles ig ual ao no v o f ilho
g erad o . claro q ue tais abo rd ag ens tam b m inco rp o ram um
custo co m p utacio nal extra ao A G. Dev e- se analisar se este
custo extra co m p ensa o tem p o eco no m iz ad o na av alia o d a
f un o o bjetiv o .
Um a o utra abo rd ag em p ro curar um a m aneira d e sim p lif icar a
f un o o bjetiv o . A v ers o sim p lif icad a d a f un o o bjetiv o seria
utiliz ad a nas g era es iniciais p ara acelerar a busca p o r
reg i es p ro m isso ras d o esp ao d e busca. N as g era es f inais, a
v ers o o rig inal d a f un o o bjetiv o seria utiliz ad a p ara
m elho rar a p recis o d a so lu o .
Outro m to d o usar o A G p ara lo caliz ar a enco sta d o m xim o
g lo bal, e p o sterio rm ente, substituir o A G p o r um M to d o d e
Subid a d e Enco sta q ue rap id am e nte enco ntre a so lu o (o s A G
v elo z m ente, reg i es p ro m isso ras d o
s o bo ns p ara lo caliz ar,
esp ao d e busca, p o r m d ep o is s o lento s p ara ref inar as
so lu es).
Captulo 3 Introdu o aos Algoritmos Gen ticos 125
tend o ap resentad o bo ns resultad o s (Dav is, 1991). Po r m , g era
um custo co m p utacio nal extra, p o r exem p lo , p ara cad a f ilho
criad o necess rio recalcular estatsticas, a ap tid o m d ia,
reo rd enar a p o p ula o , etc. Co ntud o , em m uito s p ro blem as
p r tico s, este custo extra n o sig nif icativ o , p o is o custo
co m p utacio nal est q uase to d o co ncentrad o no c lculo d a
ap tid o . N esta t cnica, interessante ev itar inserir f ilho s
d up licad o s na p o p ula o , p o is a m esm a g era, naturalm ente,
um g rand e n m ero d e f ilho s d up licad o s (Dav is, 1991).
to rna- se tam b m aleat ria. O alg o ritm o tem d if iculd ad e d e
m elho rar a so lu o e co nv erg e lentam ente. Este p ro blem a
reso lv id o exp and ind o o interv alo d a f un o o bjetiv o atra s d e
o rd enam ento o u o utra f o rm a d e m ap e am e nto .
Ordenamento
N o m to d o ord enam ento linear, a ap tid o d ad a p o r
(Baker, 1987; W hitle, 1989):
N i
f i = Min + ( Max Min)
N 1
em q ue i o nd ice d o cro m o sso m o na p o p ula o em
o rd em d ecrescente
d e v alo r d a f un o o bjetiv o .
N o rm alm ente utiliz ad o 1 M ax 2 e M ax+ M in = 2.
V ale no tar q ue d este m o d o a ap tid o rep resenta o
n m ero d e f ilho s esp erad o s d o cro m o sso m o e M a x- M in
rep resenta a p ress o d e sele o (raz o entre a m aio r
ap tid o e a ap tid o m d ia, f max / f ). Um exem p lo
m o strad o na T abela 3.4, q ue exp and e o interv alo d o s
v alo res d a f un o o bjetiv o q ue est o m uito s p r xim o s
(reso lv end o assim o p ro blem a m o strad o na T abela 3.3).
2.000,99958
A 1 2,0 40%
8
2.000,82687
B 2 1,5 30%
7
2.000,65553
C 3 1,0 20%
3
2.000,40014
D 4 0,5 10%
8
2.000,10200
E 5 0,0 0%
2
N o m to d o ord enam ento ex p onencial, a ap tid o
d ad a p o r (Michalew icz , 1994):
f i = q(1 q ) i 1
130 Est fane Lacerda e Andr Carvalho
em q ue q [0, 1] e i o nd ice d o cro m o sso m o na
p o p ula o em o rd em d e crescente d e v alo r d a f un o
o bjetiv o . A lternativ am ente, a ap tid o p o d e ser
no rm aliz ad a d iv id ind o a Eq .(4.3) p elo f ato r 1- (1- q ) N . O
o rd enam ento exp o nencial p erm ite m aio r p ress o d e
sele o d o q ue o o rd enam ento linear.
Escalonamento Linear
N o m to d o escalonam ento linear, a ap tid o o btid a
p ela eq ua o :
f = ag + b
em q ue g o v alo r d a f un o o bjetiv o (v er Fig ura 3.21).
Os co ef icientes a e b s o d eterm inad o s, lim itand o o
n m ero esp erad o d e f ilho s d o s cro m o sso m o s (f ilho s em
excesso causam p erd a d e d iv ersid ad e). O escalo nam ento
linear d e Go ld berg (1989) transf o rm a as ap tid es d e tal
m o d o q ue a ap tid o m d ia to rna- se ig ual ao v alo r
m d io d a f un o o bjetiv o (i.e. f = g ), e a ap tid o m xim a
ig ual a C v ez es a ap tid o m d ia (i.e. f max = Cg ).
T ip icam ente, o v alo r d e C e st entre 1,2 e 2,0. Quand o o
escalo nam ento g era ap tid es neg ativ as, o s co ef icientes
a e b s o calculad o s d e o utro m o d o (im p o nd o f min = 0 ).
Os resultad o s s o resum id o s na A lg o ritm o 3.3 (o teste
g min > (Cg g max ) (C 1) , v erif icand o se o co rre ap tid o
neg ativ a).
f max
f min
gmin g gmax
o d e sele o , isto , cro m o sso m o s co m ap tid o acim a
a p ress
d a m d ia ter o m ais chances d e serem selecio nad o s.
e Pais selecionados
d aa b c d
a
c
b
n
F = wi f i
i =1
em q ue w i um p eso (q ue p o d e ser usad o p elo usu rio p ara
d ar m ais relev ncia a um a f un o d o q ue s o utras). A
m inim iz a o d e F m inim iz a to d as as f un es f i. N o entanto , as
f un es o bjetiv o p o d em ser co nf litantes, no se ntid o d e q ue
o tim iz ar um a f un o d eg rad a a o tim iz a o d a o utra f un o
(e.g . m inim iz ar custo s d e um p ro d uto e m axim iz ar sua
q ualid ad e tem , em g eral, o bjetiv o s co nf litantes).
Um a m elho r abo rd ag em seria usar o co nceito d e Pareto - tim o
(Fo nseca e Flem ing , 1995, 1997) (d ev id o a V ilf red o Pareto , um
d o s p rim eiro s a usar tal co nceito ). Este co nceito intro d uz a
id ia d e d o m ina
o e n
o d om ina
o . Um a so lu o x 1 d ita
n o d o m inad a p o r um a so lu o x 2 , q uand o ela, em to d as as
f un es, no m nim o t o bo a q uanto a so lu o x 2 , e em p elo
m eno s em um a d as f un es, x 1 m elho r q ue x 2 , o u sej a:
( i : f i (x 1 ) f i (x 2 ) ) E ( j : f j (x1 ) > f j (x 2 ) )
A m eta d o A G enco ntrar o co njunto Pareto - tim o (tam b m
d eno m inad o d e fronteira Pareto- tim o ), q ue o co njunto d e
to d as as so lu es n o - d o m inad as d o esp ao d e busca. Seja S o
esp ao d e busca, o co njunto Pareto - tim o P d ad o p o r:
P = {x i S | /x j S : x i dominado por x j }
x f 1 (x) f 2 (x)
2 80 30
4 20 100
8 30 50
10 30 40
12 20 80
3.4.10 RESTRI ES
V rio s p ro blem as d e o tim iz a o d o m und o real co nt m
restri es. Em g eral, um p ro blem a d e o tim iz a o restrita p o d e
ser d eclarad o co m o seg ue:
Minim iz e f(x)
Sujeito a g1(x) 0
g2(x) 0
...
gm (x) 0
xn
Captulo 3 Introdu o aos Algoritmos Gen ticos 135
Um a abo rd ag em p ara lid ar co m restri es em A G
sim p lesm ente atribuir ap tid o z ero ao s cro m o sso m o s
inf actv eis (i.e. aq ueles q ue n o satisf az em as restri es).
Po r m , o s cro m o sso m o s inf activ eis p r xim o s d as reg i es
f actv eis p o d em co nter inf o rm a es im p o rtantes p ara g erar
f ilho s f actv eis. Po rtanto , ao in s d e z erar a ap tid o d e tais
cro m o sso m o s, p o d e- se ap enas p enaliz ar a ap tid o . Para isto ,
usa- se um a f un o d e p nalti j (x) , q ue d ef ine o q u o a
so lu o x v io la a restri o j . (i.e. o q u o d istante o
cro m o sso m o inf actv el est d a reg i o f actv el).
A s f un es d e p nalti p o d e m ser d ef inid as co m o seg ue:
q uand o a restri o j um a ineq ua o , a f un o d e p nalti
d ad a p o r:
j ( x) = g j ( x)
m
Minim iz e h( x) = f ( x) + r 2j (x)
j =1
Sujeito a xn
o nd e r a co nstante d e p nalti (serv e p ara co ntro lar o
tam anho d a p enalid ad e).
Um a o utra abo rd ag em f az er d e cad a restri o um a f un o
o bjetiv o d if erente e reso lv er o p ro blem a co m o um p ro blem a
d e o tim iz a o m ultio bjetiv o (Cam p o no g ara e T alukd ar, 1997).
Mais d etalhes so bre restri es v er (Michalew icz , 1997a, 1997b).
co m p ara es entre o s v rio s A Gs, im p o rtante test - lo s so b o
m esm o co njunto d e f un es. A literatura d e A Gs rep leta
d estas f un es.
DeJo ng (1975), na sua tese d e d o uto rad o , p ro p s e utiliz o u um
co njunto d e f un es p ara testar v rio s A Gs. T al co njunto f o i
em p reg ad o p o r m uito s p esq uisad o res e aind a ho j e,
f req entem ente, utiliz ad o na literatura p ara testes e
co m p ara es. O co njunto f o rm ad o p o r 5 f un es sim p les
co m v rio s tip o s d e sup erf cies: co ntnua/d esco ntnua,
co nv exa/n o - co nv exa, unim o d al/m ultim o d al,
d eterm instica/esto c stica e d e baixa/alta d im ensio nalid ad e. A
T abela 3.6 ap resenta as 5 f un es p ro p o stas.
Co m m inim o
em
f(1,1) = 0
5 Desco ntinua
F3 inteiro( xi ) -5,12 xi 5,12 Minim o em
i =1
f(0,0,0,0,0) = 0
A lta
d im ensio nalid a
d e, esto c stica
30
F4 ixi4 + gaussiana(0,1) -1,28 xi 1,28
Co m m inim o
i =1
em
f(0,...,0) = 0
Captulo 3 Introdu o aos Algoritmos Gen ticos 137
Extrem am ente
25
0,002 +
1 m ultim o d al,
F5
( )6 -65,536 xi 65,536 co m p ico s
2
j =1
j + xi aij
i =1 ag ud o s.
O o bjetiv o d este p ro ble m a enco ntrar o cam inho m ais curto
q ue o v end ed o r d ev e seg uir, co m eand o em um a cid ad e e
term inand o na m esm a (tal cid ad e p o d e ser q ualq uer um a d a
lista).
A alternativ a m ais sim p les p ara enco ntrar o cam inho m ais
curto seria a realiz a o d e um a busca exaustiv a, isto , a
v erif ica o d e to d o s o s cam inho s p o ssv eis. Esta alternativ a
f uncio na q uand o existe m p o ucas cid ad es, no e ntanto , co m o
aum ento d o n m ero d e cid ad es, esta abo rd ag e m to rna- se
p ro ibitiv a.
Para N cid ad es, o n m ero to tal d e cam inho s p o ssv eis ig ual a
(N - 1)!. O tem p o p ara checar cad a cam inho p ro p o rcio nal a N .
Co m o resultad o , o tem p o to tal d e busca p ro p o rcio nal a
N x(N - 1)!= N !. Para um a lista d e ap enas 30 cid ad es, a busca
exaustiv a im p lica na v erif ica o d e 30! cam inho s (q ue um
n m ero d e m ag nitud e astro n m ica), to rnand o a busca
im p ratic v el.
A f un o o bjetiv o natural p ara este p ro blem a o co m p rim e nto
to tal d o cam inho (q ue co m ea em um a cid ad e e reto rna a
m esm a), q ue d ad o p o r:
N
f ( x, y ) =
i =1
(xi xi +1 )2 + (yi yi +1 )2
Um a m aneira d e reso lv er o PCV v ia A Gs rep resentar cad a
cro m o sso m o p o r um a lista d e cid ad es.
Po r exem p lo , co nsid ere as cid ad es rep resentad as p elas letras
A ,B,..., G na Fig ura 3.18, co m um p o ssv el cam inho a ser
seg uid o p elo v end ed o r:
Captulo 3 Introdu o aos Algoritmos Gen ticos 139
A B
C
G
D
E
C r o m o sso m o
A B C D F E G
=
C r o m o sso m o : A B C D F E G
Cro m o sso m o : A B C D F E G
A p s a m uta o : A B F C D E G
Crossover OBX
O cr o sso v er OBX co m ea selecio nand o um co njunto d e
p o si es aleato riam ente (cad a p o si o tem um a
p ro babilid ad e ig ual a 0,5 d e ser selecio nad a). Dep o is,
im p o sto ao s elem ento s d e p ai 1 , nas p o si es
selecio nad as, o m esm o o rd enam ento q ue estes m esm o s
elem ento s ap resentam em p ai 2 . Em seg uid a, o no v o
o rd enam ento nas p o si es selecio nad as d e p ai 1
Captulo 3 Introdu o aos Algoritmos Gen ticos 141
Pai 1 : A B C D F E G
Pai 2 : C E G A D F B
* * *
Filh o 1 : A D C F B E G
Filh o 2 : C A G D E F B
Crossover PBX
O cr o sso v er PBX tam b m co m ea selecio nand o um
co njunto d e p o si es aleat rias. Po r m , ao in s d e
im p o r a o rd em , im p e a p o si o . im p o sto , nas
p o si es selecio nad as, q ue filh o 1 tenha o s m esm o s
elem ento s d e p ai 2 . Os d em ais elem ento s d e filh o 1
p ro v m d e p ai 1 m antend o o m esm o o rd enam ento
p resente em p ai 1 (j q ue m anter um elem ento e m m ais
d e um a p o si o n o p o ssv el). Filh o 2 o btid o atrav s
d e p ro cesso sim ilar. Po r exem p lo :
Pai 1 : A B C D F E G
Pai 2 : C E G A D F B
* * *
Filh o 1 : B E C A D F G
Filh o 2 : C B E D F G A
Crossover PMX
O cr o sso v er PMX inicia co m d o is p o nto s d e co rte
esco lhid o s aleato riam ente, q ue d ef inem um a sublista.
Em seg uid a, este o p erad o r realiz a tro cas no sentid o d e
p ai 1 p ara p ai 2 e d ep o is no sentid o inv erso , isto , d e pa i 2
p ara p ai 1 , p ara ev itar cro m o sso m o s inv lid o s. O
142 Est fane Lacerda e Andr Carvalho
Pai 1 : A B C D F E G
Pai 2 : C E G A D F B
Pai 1 : A B G D F E C
Pai 2 : G E C A D F B
Pai 1 : D B G A F E C
Pai 2 : G E C D A F B
Seg uind o o m esm o p ro cesso , F d e p ai 1 tro cad o co m A
d e p ai 2 . Sim ultaneam ente A d e p ai 2 tro cad o co m F d e
p ai 1 . O resultad o f inal d ad o p o r:
Filh o 1 : D B G F A E C
Filh o 2 : G E C D F A B
Crossover CX
O cr o sso v er CX co m ea co p iand o o p rim eiro ele m ento
d e p ai 1 p ara filh o 1 (alternativ am ente, p o d e- se co m ear
co p iand o um elem ento q ualq uer d a lista):
Captulo 3 Introdu o aos Algoritmos Gen ticos 143
Pai 1 : A B C D F E G
Pai 2 : C E G B D F A
Filh o 1 : A _ _ _ _ _ _
Para ev itar a d up lica o d e C no filh o 2 req uerid o q ue C
d e p ai 1 seja co p iad o p ara f ilh o 1 .
Filh o 1 : A _ C _ _ _ _
Do m esm o m o d o , G d e p ai 1 co p iad o p ara filh o 1 :
Filh o 1 : A _ C _ _ _ G
Filh o 1 : A E C B D F G
Filh o 2 : C B G D F E A
Crossover OX
O cr o sso v er OX inicia co m d o is co rtes esco lhid o s
aleato riam ente.
Pai 1 : A B C D F E G
Pai 2 : C E G B D F A
144 Est fane Lacerda e Andr Carvalho
Seu f uncio nam ento m elho r ilustrad o interp retand o o
cro m o sso m o co m o um crculo , o nd e o p rim eiro e o
ltim o elem ento s se juntam .
G A A C
B F E
E
D G
F C
B
D
Pai1 : A B C D F E G Pai2 : C E G B D F A
- A
E -
F C
-
Pai 1 : A - C - F E -
A C
E F
- -
-
Pai 1 : C F - - - E A
Filh o 1 : C F G B D E A
Po r p ro cesso sim ilar o btid o f ilh o 2 :
Filh o 2 : G B C D F A E
V ale no tar q ue no cr o sso v er OX o q ue co nta a o rd em
d o s elem ento s e n o sua p o si o , send o v lid o no caso
d o PCV , p o is o q ue im p o rta so m ente a o rd em d as
cid ad es v isitad as.
REFERNCIAS BIBLIOGRFICAS
Bck, T .; Fo g el, D.B. e Michalew icz , Z. (1997). (ed s), Hand bo o k
o f Ev o lutio nary Co m p utatio n. Institute o f Physics Publishing
and Oxf o rd Univ ersity Press, Bristo l, N ew Y o rk.
Baker, J. (1987). Red ucing bias and inef f iciency in the selectio n
alg o rithm . In: GREFEN ST ET T E, J. ed ., Pr o c. o f th e Seco n d
In ter n atio n al C o n f er en ce o n G en etic A lg o r ith m s an d T h eir
A p p licatio n s, p .14- 21. Hillsd ale, N ew Jersey: Law rence
Erlbaum A sso ciates.
Beasley, D.; Bull, D. R.; Martin, R. R. (1993a) A n O v er v iew o f
G en etic A lg o r ith m s: Par t 1, Fu n dam en tals. U n iv er sity
C o m p u tin g , v .15, n.2, p .58-69. (Disp o nv el p o r f tp no
EN CORE no arq uiv o : GA /p ap ers/o v er92.p s.g z )
Beasley, D.; Bull, D. R.; Martin, R. R. (1993b). A n O v er v iew o f
G en etic A lg o r tih m s: Par t 2, R esear ch T o pics, U n iv er sity
C o m p u tin g , 15(4) 170-181. (Disp o nv el p o r f tp no EN CORE
no arq uiv o : GA /p ap ers/o v er93-3.p s.g z )
Darw in, C. A o r ig em das esp cies e a sele atu r al . Hem us
ed ito ra.
Dav is, L. (1991). H an dbo o k of G en etic A lg o r ith m s. V an
N o strand Reinho ld .
Dejo ng , K. (1975). T he analysis and behav io ur o f a class o f
g enetic ad ap tiv e system s. PhD thesis, Univ ersity o f
Michig an.
Captulo 3 Introdu o aos Algoritmos Gen ticos 147