AG-Introdução Aos AG PDF

CAPTULO 3
INTRODUO AOS A LGORITMOS

GENTICOS
Estfane G. M. de Lacerda
Andr Carlos P. L. F. de Carvalho
3.1 UM A LGORITMO GENTICO SIMPLES

A lg o ritm o s Gen tico s, A Gs, so m to d o s d e o tim iz ao e
busca insp irad o s no s m ecanism o s d e ev o luo d e p o p ula es
d e seres v iv o s. Fo ram intro d uz id o s p o r Jo hn Ho lland (Ho lland ,
1975) e p o p ulariz ad o s p o r um d o s seus aluno s, Dav id
Go ld berg (Go ld berg , 1989). Estes alg o ritm o s seg ue m o
p rincp io d a seleo natural e so brev iv ncia d o m ais ap to ,
d eclarad o em 1859 p elo naturalista e f isio lo g ista ing l s
Charles Darw in em seu liv ro A O rig em d as Esp cies. De
aco rd o co m Charles Darw in, Quanto m elho r um ind iv d uo se
ad ap tar ao seu m eio am biente, m aio r ser sua chance d e
so brev iv er e g erar d escend entes .
Otim iz ao a busca d a m elho r so luo p ara um d ad o
p ro blem a. Co nsiste em tentar v rias so lu es e utiliz ar a
inf o rm ao o btid a neste p ro cesso d e f o rm a a enco ntrar
so lu es cad a v ez m elho res. Um exem p lo sim p les d e
o tim iz ao a m elho ria d a im ag e m d as telev is es co m antena
aco p lad a no p r p rio ap arelho . A trav s d o ajuste m anual d a
antena, v rias so lu es so testad as, g uiad as p ela q ualid ad e d e
im ag em o btid a na T V, at a o bteno d e um a resp o sta tim a,
o u seja, um a bo a im ag e m .
88 Est fane Lacerda e Andr Carvalho

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 :
Prob lem a 3.1 A char o p o nto m xim o d a f un o

f ( x) = x sen(10x) + 1 d entro d o interv alo 1 x 2 .

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
f(x) = x sen( 10x) + 1

2, 0
1, 0
0, 0
-1, 0
-1, 0 -0, 5 0, 0 0, 5 1, 0 1, 5 2, 0
x
Fig ura 3.1 - Gr f ico d a f un o d a f (x) = x sen(10 x) + 1


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 .
3.1.1 REPRESENTAO DOS PARMETROS

Um A G p ro cessa p o p ula es d e crom o sso m os. Um

cro m o sso m o um a estrutura d e d ad o s, g eralm e nte v eto r o u

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
Para d eco d if icar o cro m o sso m o s 1 , co nv erte- se s 1 d a base 2

p ara a base 10:
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
V ale o bserv ar q ue f un es o bjetiv o co m m ltip lo s p arm etro s

t m seus p arm etro s rep resentad o s na m esm a cad eia d e bit,
co m cad a um o cup and o um a p arte d a cad eia. A cad a
cro m o sso m o s i atribud a um a ap tid o f i. A p tid o um a no ta

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
Fig ura 3.2 - Cro m o sso m o s d a Po p ula o Inicial
Insp irad o no p ro cesso d e sele o natural d e seres v iv o s, o

A lg o ritm o Gen tico selecio na o s m elho res cro m o sso m o s d a
p o p ula o inicial (aq ueles d e alta ap tid o ) p ara g erar

crom osso m os filho s (q ue s o v ariantes d o s p ais) atra s d o s
o p erad o res d e cr o sso v er e m uta o . Um a p op u la
o
interm ed i ria (tam b m cham ad a d e m atin g p o o l) utiliz ad a
p ara alo car o s cro m o sso m o s p ais selecio nad o s. Geralm ente, o s
p ais s o selecio nad o s co m p ro babilid ad e p rop orcional sua
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 sele o p o d e ser f eita p elo seg uinte p ro ced im ento p r tico :

calcula- se um a co luna d e ap tid es acum ulad as. Em seg uid a,
g era- se um n m ero aleat rio r (tirad o d e um a d istribui o

unif o rm e) no interv alo [0, SOMA T OT A L], o nd e SOMA T OT A L a
so m a d e to d as as ap tid es. Po r f im , o cro m o sso m o

selecio nad o o p rim eiro (seg uind o a tabela d e cim a p ara
baixo ) q ue p o ssui ap tid o acum ulad a m aio r q ue r . Po r
exem p lo , se r = 28,131, ent o o cro m o sso m o d a linha 23 d a

T abela 3.1 selecio nad o , e sua c p ia alo cad a na p o p ula o

interm ed i ria. Os m esm o s p asso s s o rep etid o s at p reencher
a p o p ula o interm ed i ria co m N cro m o sso m o s. Este

p ro ced im ento , co nhecid o co m o Rod a d a Ro leta, ap resentad o
p elo A lg o ritm o 3.2.
T abela 3.1 - Po p ula o Inicial
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
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
A lg oritm o 3.2: Ro d a d a Ro leta
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
V rias alternativ as t m sid o p ro p o stas p ara d ef inir a ap tid o .

A m ais sim p les ig uala a ap tid o ao v alo r d a f un o o bj etiv o .
A ssim , a ap tid o d o cro m o sso m o s 1 seria:
f1 = 0,637197 sen(10 0,637197) + 1 = 1,586345
V ale o bserv ar q ue a ap tid o d ef inid a d esta f o rm a p o d e

assum ir v alo res neg ativ o s e o alg o ritm o Ro d a d a Ro leta n o

f uncio na co m ap tid es neg ativ as. A l m d isso , p o d e g erar
tam b m p ro blem as co m o co nv erg ncia p rem atura (co nf o rm e
ser m o strad o na Se o 3.3). p o ssv el, no entanto , d isp ensar
o A lg o ritm o Ro d a d a Ro leta e utiliz ar Sele
o p or T orneio .
N este caso , s o esco lhid o s, aleato riam e nte, (co m
p ro babilid ad es ig uais) n cro m o sso m o s d a p o p ula o , e o

cro m o sso m o co m m aio r ap tid o selecio nad o p ara a

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 .
3.1.3 C ROSSOVER E MUTAO

Os o p erad o res d e cr o sso v er e a m uta o s o o s p rincip ais
m ecanism o s d e busca d o s A Gs p ara exp lo rar reg i es
d esco nhecid as d o esp ao d e busca. O o p erad o r cr o sso v er
ap licad o a um p ar d e cro m o sso m o s retirad o s d a p o p ula o
interm ed i ria, g erand o d o is cro m o sso m o s f ilho s. Cad a um d o s
cro m o sso m o s p ais tem sua cad eia d e bits co rtad a e m um a
p o si o aleat ria, p ro d uz ind o d uas cabeas e d uas caud as. A s
caud as s o tro cad as, g erand o d o is no v o s cro m o sso m o s. A
Fig ura 3.3 ilustra o co m p o rtam ento d este o p erad o r.
pai1 (0010101011100000111111)
pai2 (0011111010010010101100)
filho1 (0010101011010010101100)
filho2 (0011111010100000111111)
Fig ura 3.3 - C r o sso v er

O cr o sso v er ap licad o co m um a d ad a p ro babilid ad e a cad a p ar
d e cro m o sso m o s selecio nad o s. N a p r tica, esta p ro babilid ad e,
d eno m inad a d e tax a d e crossov er, v aria entre 60% e 90%. N o
o co rrend o o cr o sso v er , o s f ilho s ser o ig uais ao s p ais (isto
p erm ite q ue alg um as so lu es sejam p reserv ad as). Isto p o d e
ser im p lem entad o , g erand o n m ero s p seud o - ale at rio s no
interv alo [0,1]. A ssim , o cr o sso v er s ap licad o se o n m ero
g erad o f o r m eno r q ue a taxa d e cr o sso v er .


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.
Antes filho1 (0010101010010010101100)

filho2 (0011111011100000111111)
Depois filho1 (0010001010010010111100)

filho2 (0011111011000000111111)
Fig ura 3.4 - Muta o

A Fig ura 3.5 ilustra a ap lica o d o o p erad o r d e cr o sso v er a
cad a p ar d e cro m o sso m o s d a p o p ula o interm ed i ria e o s bits
q ue so f reram m uta o na no v a p o p ula o . Os p o nto s
rep resentad o s p ela p rim eira g era o d e cro m o sso m o s s o
m o strad o s na Fig ura 3.6. A ind a n o ho uv e m elho ra
sig nif icativ a co m rela o p o p ula o inicial, o u sej a, o s
cro m o sso m o s aind a est o d istantes d o m xim o g lo bal d a
f un o .
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
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
Fig ura 3.5 - Gerand o um a no v a p o p ula o
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 3.6 - Po nto s d a p rim eira g era o d e cro m o sso m o s
A p s a d ef ini o d a p rim eira p o p ula o , o p ro ce d im ento se

rep ete p o r um d ad o n m ero d e g era es. Quand o se co nhece a
resp o sta m xim a d a f un o o bjetiv o , p o d e- se utiliz ar este

v alo r co m o crit rio d e p arad a d o A lg o ritm o Ge n tico . N a
Fig ura 3.7, ilustrad a a ltim a g era o , a v ig sim a q uinta, em

q ue bo a p arte d o s cro m o sso m o s rep

resenta p o nto s no p ico d o
m xim o g lo bal. N o h um crit rio exato p ara term inar a

execu o d o A G. Po r m , co m 95% d o s cro m o sso m o s

rep resentand o o m esm o v alo r, p o ssv el d iz er q ue o alg o ritm o
co nv erg iu.
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 ).
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
Fig ura 3.9 - Desem p enho d o A G co m Elitism o
3.1.5 C ROSSOVERS DE N PONTOS E UNIFORME

Os tip o s d e o p erad o res cr o sso v er m ais co nhecid o s p ara
cad eias d e bits s o o d e n p o nto s e o unif o rm e. O cr o sso v er d e

1 p o nto o m esm o ap resentad o na Se o 3.3. O d e 2 p o nto s
ap resentad o na Fig ura 3.10. Os d o is p o nto s d e co rte s o
esco lhid o s aleato riam ente, e as se es entre o s d o is p o nto s

s o tro cad as entre o s p ais. O cr o sso v er d e 4 p o nto s m o strad o
na Fig ura 3.11. O cr o sso v er d e n p o nto s m ais usad o tem sid o o
d e 2 p o nto s p o r alg um as raz es m o strad as na Se o 3.7.

pai1 010 011000101011

pai2 001 001110 001101
filho1 010001110101011
filho2 001011000001101
Fig ura 3.10 - C r o sso v er d e 2 p o nto s
pai1 101 01010 01001

010010
pai2 00100111000110 11100
filho1 1010011100101011001
fillho2 0010100100011001100
Fig ura 3.11 - C r o sso v er d e 4 p o nto s

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.
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
Fig ura 3.12 - C r osso ver Unif o rm e

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

bio lo g ia. A lista ap resentad a a seg uir d escrev e o s p rincip ais

term o s enco ntrad o s na literatura.

Crom ossom o e Genom a: N a bio lo g ia, g eno m a o
co njunto co m p leto d e g enes d e um o rg anism o . Um
g eno m a p o d e ter v rio s cro m o sso m o s. N o s A Gs, o s
d o is rep resentam a estrutura d e d ad o s q ue co d if ica
um a so lu o p ara um p ro blem a, o u sej a, um
cro m o sso m o o u g eno m a rep resenta um sim p les
p o nto no esp ao d e busca.

Gene: N a bio lo g ia, a unid ad e d e hered itaried ad e
q ue transm itid a p elo cro m o sso m o e q ue co ntro la

as caractersticas d o o rg anism o . N o s A Gs, um
p arm etro co d if icad o no cro m o sso m o , o u seja, um
elem ento d o v eto r q ue rep resenta o cro m o sso m o .
Ind iv d uo: Um sim p les m e m bro d a p o p ula o . N o s

A Gs, um ind iv d uo f o rm ad o p elo cro m o sso m o e
sua ap tid o .
Gen tip o: N a bio lo g ia, rep resenta a co m p o si o

g en tica co ntid a no Geno m a. N o s A Gs, rep resenta a
inf o rm a o co ntid a no cro m o sso m o o u g eno m a.

Fen tip o: N o s A lg o ritm o s Gen tico s, rep resenta o
o bjeto , estrutura o u o rg anism o co nstrud o a p artir
d as inf o rm a es d o g en tip o . o cro m o sso m o
d eco d if icad o . Po r exem p lo , co nsid ere q ue o
cro m o sso m o co d if ica p arm etro s co m o as
d im ens es d as v ig as em um p ro jeto d e co nstru o
d e um ed if cio , o u as co nex es e p eso s d e um a Red e
N eural. O f en tip o seria o ed if cio co nstrud o o u a
Red e N eural.
A lelo: N a bio lo g ia, rep resenta um a d as f o rm as
alternativ as d e um g ene. N o s A Gs, rep resenta o s
v alo res q ue o g ene p o d e assum ir. Po r exem p lo , um
g ene q ue rep resenta o p arm etro co r d e um o bjeto
p o d eria ter o alelo az ul, p reto , v erd e, etc.
Ep istasia: Intera o entre g enes d o cro m o sso m o ,

isto , q uand o um v alo r d e g ene inf lu ncia o v alo r d e
o utro g ene. Pro blem as co m alta Ep istasia s o d e

d if ceis so lu o p o r A Gs.
A se o seg uinte abo rd a alg uns asp ecto s te rico s d e A Gs.
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
Comprimento (H1) = 0 Ordem O(H1) = 1

Fig ura 3.13 Esq uem as
Co nf o rm e m o strad o na Fig ura 3.13, o s esq uem as H 1 = 1* * * *,

H 2 = * * 10* e H 3 = * 0* 01 est o co ntid o s no m esm o cro m o sso m o
10101, q ue ao to d o p o d e ter 2 5 = 32 esq uem as. Os
cro m o sso m o s 11001,11011 e 10101 p o ssuem o esq uem a

1** **. O co m p rim ento d e um esq ue m a (H) a d if erena entre

a ltim a p o si
o q ue o cup ad a p o r 1 o u 0 e a p rim eira
p o si o q ue o cup ad a p o r 1 e 0. A o rd em O (H) d e um

esq uem a o n m ero d e sm bo lo s 1 e 0 q ue o esq ue m a co nt m .
Para p rev er a v aria o d o n m ero d e esq uem as H e ntre d uas
g era es co nsecutiv as, co nsid ere m o n m ero de


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
Pela eq ua o , co nclui- se q ue o n m ero d e esq ue m as H

aum entar na p o p ula o interm ed i ria se a> b, o u sej a, se o
esq uem a H estiv er co ntid o em cro m o sso m o s d e ap tid o acim a

d a ap tid o m d ia d a p o p ula o (bo ns cro m o sso m o s). N o
entanto , ao p assar p ara a p r xim a p o p ula o , o esq uem a H
p o d e ser d estrud o p elo s o p erad o res d e cr o sso v er e d e
m uta o . Po r exem p lo :
Esq uem a co ntid o em p ai 1 (01* |** 10)
Esq uem a co ntid o em p ai 2 (* ** |* 101)
Esq uem a co ntid o em filh o 1 (01* |* 101)
O esq uem a d o p ai 2 (q ue tem p eq ueno co m p rim ento ) f o i

transm itid o ao f ilh o 1 , m as o esq uem a d o p ai 1 (q ue tem m aio r

co m p rim ento ) f o i d estrud o p elo cr o sso v er . Po r m , m esm o
co nsid erand o estes f ato res, o T eo rem a d o s Esq ue m as af irm a
q ue:
Peq u en o s esq u em as co n tido s em bo n s cr o m o sso m o s (i.e. aq u eles
co m aptid acim a da m dia) au m en tam exp o n en cialm en te n as
g er a es seg u in te, ao passo q u e esq u em as co n tido s em
cr o m o sso m o s r u in s (i.e. aq u eles co m a aptid o abaixo da m dia)
ten dem a desap ar ecer n as g er a es seg u in tes (G o ldber g , 1989).
Os bo ns esq uem as d e p eq ueno tam anho recebe m o no m e
esp ecial d e b locos d e constru
o . A inf o rm a o co ntid a em

um blo co d e co nstru o co m binad a co m as inf o rm a es d e
o utro s blo co s d e co nstru o . N o d eco rrer d as g era es, esta
co m bina o p ro d uz cro m o sso m o s d e alta ap tid o . Esta

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).

Inicio de pai1
1 0
1 1
0 0 1 corte
1 0
0 1
1
2 corte 0 0 0 1
Fig ura 3.14 - C r o sso v er d e 2 p o nto s v isto co m o um anel
O cr o sso v er d e n p o nto s tend e a m anter junto s o s g enes q ue

s o co d if icad o s p r xim o s um d o o utro . Existe um o p erad o r
d eno m inad o Inv ers
o (Ho lland , 1975) q ue busca o
o rd enam ento id eal d o s g enes no cro m o sso m o . Do is p o nto s
aleat rio s s o esco lhid o s no cro m o sso m o e o s g enes entre eles

s o inv ertid o s. V ale f risar q ue a inv ers o n o um tip o d e
m uta o brutal. N a v erd ad e n o o co rre m uta o . A cad a g ene

asso ciad o um n m ero p ara id entif icar q uem q uem d ep o is d a
tro ca d e p o si o . Este o p erad o r, no entanto , te m sid o
raram ente utiliz ad o na p r tica.
Co nsid erand o ag o ra o ef eito d estrutiv o d o s blo co s d e
co nstru o causad a p elo cr o sso v er unif o rm e, Sysw erd a (1989)
arg um enta q ue tal d estrui o co m p ensad a p elo f ato d e ele
p o d er co m binar q ualq uer m aterial d o s cro m o sso m o s p ais,
ind ep end entem e nte d a o rd em d o s g enes.
3.2 REPRESENTAO REAL
3.2.1 REPRESENTAO BINRIA REAL

Para ilustrar esta se o , co nsid ere o Pro blem a 3.2 q ue
m axim iz ar um a f un o (co nhecid a na literatura d e A G co m o
f un o F6 (Dav is, 1991)) co m d o is p arm etro s x e y. N a Fig ura

3.15 m o strad o a rep resenta o bin ria d o cro m o sso m o e sua
d eco m p o si o no s d o is p arm etro s x e y.
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
Sujeito a 100 x 100

100 y 100
Decodificao de Cromossomo em dois parmetros
s1 = 01101001001001101000001000111000100001110010
Passo 1: Diviso da cadeia de bits s1 em duas cadeias de 22 bits:
0110100100100110100000 e 1000111000100001110010
Passo 2: Converso da base 2 para a base 10:
1722784 e 2328690.
Passo 3: Mapear estes resultados para o intervalo [-100, 100]:
1722784
x1 = [100 - (-100)] + 100 = -17,851
2 1
22
2328690
y1 = [100 - (-100)] +100 = 11,041
2 22 1
Fig ura 3.15 - Deco d if ica o d o cro m o sso m o em d o is

p arm etro s (x,y)

A rep resenta o bin ria histo ricam ente im p o rtante, um a v ez
q ue f o i utiliz ad o no s trabalho s p io neiro s d e Ho lland (1975).
a rep resenta o trad icio nal, send o f cil d e utiliz ar e

m anip ular, co m o tam b m sim p les d e analisar teo ricam ente.
Co ntud o , se um p ro blem a tem p arm etro s co ntnuo s e o
usu rio q uer trabalhar co m bo a p recis o num erica, ele
p recisar arm az e nar cro m o sso m o s lo ng o s na m e m ria.

Po is, p ara cad a p o nto d ecim al acrescentad o na p recis o ,
necess rio ad icio nar 3,3 bits na cad eia. Caso 8 casas d ecim ais

sejam necess rias, 83,3 27 bits ser o utiliz ad o s p ara cad a

p arm etro . Quand o h m uito p arm etro s, o bt m - se lo ng as
cad eias d e bits q ue p o d e m f az er o alg o ritm o co nv erg ir

v ag aro sam ente. A l m d isso , n o existe unif o rm id ad e no s
o p erad o res. Po r exem p lo , m uta o no s p rim eiro s bits d o g ene
af eta m ais a ap tid o q ue m uta o no s ltim o s bits d o g ene.
A rep resenta o real (i.e. co m p o nto f lutuante) g era
cro m o sso m o s m eno res e co m p reend id a m ais naturalm ente
p elo ser hum ano d o q ue a cad eia d e bits. N o Pro blem a 3.2, o
cro m o sso m o seria rep resentad o p o r um v eto r d e d o is n m ero s
co m p o nto f lutuante. Po r exem p lo (- 17,851; 1 1,041). Outra

v antag em d a rep resenta o real a f acilid ad e d e criar no v o s
o p erad o res. Existe g rand e n m ero d eles co nf o rm e m o strad o
na p r xim a se o .
V rio s p esq uisad o res t m d iscutid o q ual a m elho r
rep resenta o , a bin ria o u a real, e m uito s d eles t m
m o strad o exp erim ento s f av o r v eis rep resenta o real
(Michalew icz , 1994; Haup t e Haup t, 1998).
3.2.2 CROSSOVERS PARA REPRESENTA O REAL

A seg uir ser ap resentad a um a lista d e o p erad o res p ara
rep resenta o real. Co nsid ere a seg uinte no ta o utiliz ad a
nesta se o . Os cro m o sso m o s p ais ser o rep resentad o s p o r:
p 1 = (p 11 , p 12 ,..., p 1l)
p 2 = (p 21 , p 22 ,..., p 2l)
e o cro m o sso m o f ilho p o r
c = (c 1 , c 2 ,..., c l).
o nd e p ij e c i . Quand o h m ais d e um f ilho , cad a f ilho i
ser rep resentad o p o r c i = (c i1 , c i2 ,..., c il).
Os g enes p o d em ter v ariad o s tip o s d e restri es, m as p o r
sim p licid ad e, co nsid ere q ue o g ene c i d o f ilho c est restrito ao
interv alo [a i,b i]. Se o g ene c i n o satisf az a esta restri o ent o

o f ilho c d eno m inad o d e infactv el. Ser utiliz ad o a no ta o
U (x,y) p ara rep resentar um a d istribui o unif o rm e no interv alo
[x,y] e a no ta o N (,) p ara rep resentar um a d istribui o

no rm al co m m d ia e d esv io p ad r o .
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:

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)
A p licand o o BLX- 0,5 co m = 1,262 (o nd e U (- 0,5;

1,5)), tem - se:
c 1 = 30,173 + 1,262(75,989- 30,173) = 87,993
c 2 = 85,342 + 1,262(10,162- 85,342) = - 9,535

assim o f ilho d ad o p o r:
c = (87,993; - 9,535)
ent o g erar- se o utro f ilho co m

Se o f ilho c f o r inf actv el,
no v o . O p ro cesso rep etid o at o bter um f ilho
f actv el.
N o te q ue neste exem p lo , f o i utiliz ad o ap enas um p ara
to d o s o s g enes. A lternativ am ente, p o d e- se usar um
d if erente p ara cad a p ar d e g ene. N este caso , um
p o ssv el f ilho situa- se em alg um lug ar d e um a rea

lim itad a p o r um retng ulo (v er Fig ura 3.17). N estes

m to d o s, o s g enes p o d em ser co m binad o s d e v rias
m aneiras. Po r exem p lo , co m binar to d o s o s g enes o u
esco lher (co m o no cr o sso v er d e 1 p o nto ) um g ene
aleat rio k e co m binar so m ente o g enes ik, o u seja:
p 1 = (p 11 , p 12 ,..., p 1k , p 1,k+ 1,..., p 1l)
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
Fig ura 3.16 - C r o sso v er BLX-

pai
Parmetro 2
possvel filho
Parmetro 1
Fig ura 3.17 - C r o sso v er BLX- co m v riav el

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
o nd e U (0,1). Este o p erad o r d if ere d o cr o sso v er BLX-

. p o r n o extrap o lar o interv alo entre p 1 e p 2
C rossov er heurstico (Michalew icz , 1994): realiz a um a
extrap o la o linear entre o s p ais usand o a inf o rm a o
d a ap tid o .

Dad o d o is cro m o sso m o s p 1 e p 2 em q ue p 1 m elho r d o

q ue p 2 em term o s d e ap tid o . Ent o p ro d uz id o um
cro m o sso m o s c d a seg uinte f o rm a
c = p1 + r (p1 p 2 ), onde f (p1 ) > f (p 2 )
o nd e r U (0,1). Caso o cr o sso v er p ro d uz a um f ilho

inf actv el, g era- se o utro n m ero aleat rio r , e o bt m - se
no v o f ilho . Se em t tentativ as o f ilho co ntinuar
inf actv el, ent o o cr o sso v er p ra sem p ro d uz ir f ilho s.

C rossov er sim p les (Michalew icz , 1994): um a v aria o
d o cr o sso v er co nv encio nal d e 1 p o nto ad ap tad o p ara
rep resenta o real.
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 .
3.2.3 MUTA O PARA REPRESENTA O REAL

M uta
o uniform e : a sim p les substitui o d e um g e ne p o r
um n m ero aleat rio .

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
U (ai , bi ), se i = j
ci =
pi caso contrrio
o nd e a i e b i rep resentam o s lim ites d o interv alo p erm itid o p ara

o g ene c i

M uta
o g aussiana : a substitui o d e um g ene p o r um
n m ero aleat rio d e um a d istribui o no rm al.


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].


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
o nd e r U (0,1). N o te q ue este o p erad o r lev a o s g enes p ara o s

lim ites d o s interv alo s p erm itid o s [a i,b i]. Isto f eito p ara ev itar
a p erd a d e d iv ersid ad e d o s f ilho s g erad o s p elo cro sso v er
aritm tico q ue tend e a traz er o s g enes p ara o centro d o s
interv alo s p erm itid o s.

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.

seg uinte f o rm a:
p i + (bi pi ) f (G ) se r1 < 0,5 e i = j

ci = p i ( p i a i ) f (G ) se r1 0,5 e i = j
p
i caso contrrio
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 .
3.2.4 USANDO V RIOS OPERADORES

Um a so lu o p ara trabalhar co m v rio s o p erad o res p o nd era-
lo s p ara ind icar q uanto s f ilho s cad a o p erad o r p ro d uz ir .. Po r
exem p lo , co nsid ere q ue h d o is o p erad o res cro sso v ers e um
o p erad o r d e m uta o e a necessid ad e d e g erar 10 f ilho s p ara a

p r xim a g era o . Co nsid ere tam b m q ue f o ram atribuid o s
p ara o s tr s o p erad o res o s p eso s w 1 = 40%, w 2 = 40% e w 3 =
20%, resp ectiv am e nte. Ent o , o p rim eiro cro sso v er p ro d uz iria
4 f ilho s, o seg und o cro sso v er 4 f ilho s, e a m uta o 2 f ilho s
(no te q ue aq ui a m uta o um o p erad o r ind ep end ente q ue
p ro d uz seus p r p rio s f ilho s).
Em g eral, o s p eso s p erm anece m co nstante p o r to d as as
g era es. A lternativ am ente, d ep end end o d o o p erad o r e d o
p ro blem a, p o d e- se v ariar o s p eso s em cad a g era o p ara
m elho rar o d esem p enho d o alg o ritm o (Dav is, 1991).

3.3 A LGORITMOS GENTICOS E OTIMIZA O

CONVENCIONAL
Em g eral, um p ro blem a o tim iz a o , co nf o rm e m encio nad o
anterio rm ente, co nsiste em 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 e um a f un o f(x,y,z,u ,...) d e
n p arm etro s, x,y,z,u ,... Um p ro blem a d e m axim iz a o d e um a

f un o num rica p o d e ser transf o rm ad o em um p ro blem a d e
m inim iz a o , e v ice - v ersa. Po r exem p lo , achar o v alo r d e x q ue
m axim iz a a f un o f (x) = 1- x 2 no interv alo - 1 x 1 o
m esm o q ue m inim iz ar a f un o f(x) m ultip licad a p o r 1, o u

seja, o m esm o q ue m inim iz ar g (x) = - f(x) = x 2 - 1 . A ssim , p ara
sim p lif icar a exp o si o d este t p ico , ser o co nsid erad o s a
seg uir ap enas p ro blem as d e m inim iz a o (salv o q uand o
m encio nad o o co ntr rio ).
O g r f ico m o strad o na Fig ura 3.18 ap resenta d o is p o nto s d e

m nim o em x 0 e x 1 . O p o nto x 0 d eno m inad o d e m nim o local,
p o is f (x 0 ) f(x) p ara to d o x suf icientem ente p r xim o d e x 0 . O
p o nto x 1 co nhecid o co m o m nim o g lob al, p o is f(x 1 ) f(x)
p ara to d o s o s v alo res q ue x p o ssa assum ir. Um a f un o q ue

ap resenta ap enas um p o nto d e m nim o /m xim o d eno m inad a
d e fun
o unim od al . Quand o um a f un o p o ssui m ais d e um

p o nto d e m nim o /m xim o , ela d eno m inad a d e fu n
o
m ultim od al. Mais ad iante ser m o strad o q ue, e m f un es
m ultim o d ais co m p licad as, m uitas t cnicas d e o tim iz a o

p o ssuem d if iculd ad es p ara d ecid ir se um d ad o p o nto tim o
lo cal o u g lo bal.
Minimo local
Minimo global
x0 x1
Fig ura 3.18 - Mnim o Lo cal e Glo bal

Os p arm etro s d a f un o o bjetiv o p o d em ser restritos o u

irrestrito s. A s restri es no s p arm etro s restrito s p o d em
ap arecer na f o rm a d e eq ua es, co m o p o r exem p lo :
Minim iz a
f ( x, y )
r
Sujeito a x2 + y2 = 5
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


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.

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.


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

(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).
3.4 A SPECTOS A VAN ADOS

N este item , ser o co m entad o s alg uns asp ecto s p r tico s d e
A lg o ritm o s Gen tico s co nsid erad o s im p o rtantes p elo s auto res.

3.4.1 POPULA O INICIAL

A p o p ula o inicial p o d e ser g erad a d e v rias m aneiras. Se
um a p o p ula o inicial p eq ue na f o r g erad a aleato riam ente,
p ro v av elm ente, alg um as reg i es d o esp ao d e busca n o ser o
rep resentad as.
Este p ro blem a p o d e ser m inim iz ad o g erand o a p o p ula o
inicial d e m aneira unif o rm e (i.e. co m p o nto s ig ualm ente
esp aad o s, co m o se p reenchessem um a g rad e no esp ao d e

busca). Outra alternativ a g erar a p rim eira m etad e d a
p o p ula o aleato riam ente e a seg und a m etad e a p artir d a
p rim eira, inv ertend o o s bits. Isto g arante q ue cad a p o si o d a
cad eia d e bits tenha um rep resentante na p o p ula o co m o s
v alo res 0 e 1, co m o p o d e ser v isto na T abela 3.2.
T abela 3.2 - Gera o d a p o p ula o inicial

1 a m etad e g erad a 2 a m etad e inv erte o s
aleato riam ente bits d a 1 a m etad e
1011010 0100101
0111011 1000100
0001101 1110010
1100110 0011001
Po d e ser interessante usar um a p o p ula o inicial m aio r q ue a

utiliz ad a nas g era es subseq uentes, v isand o a m elho rar a
rep resenta o d o esp ao d e busca.

Um a t cnica d eno m ina seedin g p o d e ser til em m uito s
p ro blem as p r tico s. Co nsiste em co lo car, na p o p ula o inicial,
so lu es enco ntrad as p o r o utro s m to d o s d e o tim iz a o . Isto
g arante q ue a so lu o g erad a p elo A G n o seja p io r q ue as

so lu es g erad as p o r estes m to d o s.
3.4.2 FUN O OBJETIVO

A f un o o bjetiv o em alg uns p ro blem as p o d e ser bastante
co m p licad a, d em and and o um alto custo co m p utacio nal. Po r
exem p lo , existem p ro blem as em q ue, p ara av aliar um

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).

3.4.3 CRITRIOS DE PARADA

A lg uns d o s v rio s crit rio s d e p arad a p ara o s A Gs, s o : 1.
q uand o o A G ating ir um d ad o n m ero d e g era es (o u
av alia es); 2. cheg ad a ao v alo r tim o d a f un o o bjetiv o , se

este co nhecid o ; 3. co nv erg ncia, isto , q uand o n o o co rrer
m elho ram ento sig nif icativ o no cro m o sso m o d e m aio r ap tid o
p o r um d ad o n m ero d e g era es.

Outras alternativ as s o tam b m usad as, p o r exem p lo :
co nsid ere q ue um g ene co nv erg e se 90% d a p o p ula o tem o
m esm o v alo r p ara este g ene. Se entre 90% e 95% d o s g enes
co nv erg iram , o A G co nv erg iu.
3.4.4 SUBSTITUI ES GERACIONAL E STEADY- STATE

Existem d o is tip o s b sico s d e substitui o d e cro m o sso m o s:
substitui o g eracio nal e substitui o steady- state.
N a substitui o g eracio nal (utiliz ad a na Se o 3.1), to d a a

p o p ula o substitud a em cad a g era o , o u seja, s o criad o s
N f ilho s p ara substituir N p ais. A lternativ am ente, p o d em ser
criad o s N f ilho s, e o s N m elho res ind iv d uo s d a uni o d e p ais e
f ilho s substituem a p o p ula o atual. N a substitui o
g eracio nal co m elitism o , o s k m elho res p ais nunca s o
substitud o s p o r f ilho s p io res. Geralm ente utiliz ad o um v alo r
d e k = 1. A um entand o o v alo r d e k, aum enta- se o risco d a
co nv erg ncia p rem atura.
N a substitui o steady- state, s o criad o s ap enas d o is (o u um )
f ilho s em cad a g era o , q ue substituem o s d o is p io res
cro m o sso m o s d a p o p ula o . A lternativ am ente, o s d o is f ilho s
p o d em substituir o s p ais o u o s d o is cro m o sso m o s m ais v elho s
d a p o p ula o , basead o na sup o si o d e q ue o cro m o sso m o
existente na p o p ula o h m uitas g era es, j transm itiu seus
g enes p o p ula o . N a f o rm a g eral d a substitui o
steady- state, s o criad o s n f ilho s q ue substituem o s n p io res

p ais. Em g eral, a taxa d e cr o sso v er m aio r ( 1 ) no A G
steady- state d o q ue no A G g eracio nal.
Esta abo rd ag em ag ressiv a utiliz a o s f ilho s p ara cr o sso v er t o
lo g o eles sejam g erad o s (n o h p o p ula o interm e d i ria), e

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).
3.4.5 PROBLEMAS DE CONVERGNCIA

A co nv erg ncia p rem atura um co nhecid o p ro blem a d o s A Gs.
Oco rre q uand o surg em cro m o sso m o s d e alta ap tid o (m as n o
co m ap tid o tim a), e o s cro m o sso m o s realm ente tim o s
aind a n o est o p resentes na p o p ula o . T ais cro m o sso m o s
(cham ad o s d e sup erind iv d uos) g eram um n m ero excessiv o
d e f ilho s q ue d o m inam a p o p ula o , um a v ez q ue a m esm a
f inita. Estes cro m o sso m o s esp alham seus g enes p o r to d a a
p o p ula o , enq uanto o utro
s g enes d esap arecem (tal
d esap arecim ento d e g enes d eno m inad o d e g en etic dr ift).
Co m o co nseq ncia, o alg o ritm o co nv erg e p ara um m xim o o u
m nim o lo cal, co nf o rm e a Fig ura 3.19 ilustra este p ro cesso .
Co m bate- se a co nv erg ncia p rem atura, lim itand o o n m ero d e
f ilho s p o r cro m o sso m o s. Esta lim ita o p o d e ser realiz ad a

atra
s d o escalo nam ento d a ap tid o , o rd enam ento e o utras
t cnicas a serem d escritas m ais ad iante.

Manter a d iv ersid ad e d o s cro m o sso m o s na p o p ula o tam b m

co m bate a co nv erg ncia p rem atura, v isto q ue tam b m
causad a p ela p erd a d e d iv ersid ad e. O aum ento d a taxa d e

m uta o tam b m m elho ra a d iv ersid ad e (m ais g enes s o

criad o s). Ev itar a inser o d e f ilho s d up licad o s na p o p ula o
um a o utra alternativ a p ara m elho rar a d iv ersid ad e.

Fig ura 3.19 - Co nv erg ncia p rem atura
Um o utro p ro blem a q ue p o d e o co rrer q uand o A Gs s o

utiliz ad o s exp licad o p elo seg uinte exem p lo . Co nsid ere
substituir a f un o o bjetiv o utiliz ad a no Pro blem a 3.2 p ela
no v a f un o o bjetiv o (3.8). T al substitui o to rna o v alo r d a
f un o o bjetiv o p raticam e nte o m esm o p ara to d a a p o p ula o ,
co m o na T abela 3.3.
2
sen x 2 + y 2 0,5
f ( x, y ) = 2000
( (
1 + 0,001 x 2 + y 2 ))
2
T abela 3.3 - Interv alo estreito d e ap tid o
Cro m o sso m Fun o Pro babilid ad e

o o bjetivo d e sele o
A 2.000,999588 20,004%
B 2.000,826877 20,002%
C 2.000,655533 20,001%
D 2.000,400148 19,998%
E 2.000,102002 19,995%
N este caso , d eixar a ap tid o ig ual f un o o bjetiv o to rna a

sele o um p ro cesso aleat rio (q ualq uer cro m o sso m o tem a
m esm a p ro babilid ad e d e sele o ), o co rrend o p ro blem a
sem elhante o co rre nas g era es f inais d o alg o ritm o , m as p o r
o utro m o tiv o . Grand e p arte d a p o p ula o co nv erg iu e o s
cro m o sso m o s t m ap tid es p raticam ente ig uais. A sele o

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 .
3.4.6 MAPEAMENTO DA FUN O OBJETIVO

O v alo r d a f un o o bjetiv o nem sem p re ad eq uad o p ara ser
utiliz ad o co m o v alo r d e ap tid o . Po r exem p lo , a f un o
o bjetiv o p o d e assum ir v alo res neg ativ o s (a ro d a d a ro leta n o
f uncio na), v alo res m uito s p r xim o s (to rna a sele o aleat ria),
alg uns v alo res p o d em ser m uito elev ad o s em rela o ao resto
d a p o p ula o (causa a co nv erg ncia p rem atura), etc. O
m ap eam ento d a f un o o bjetiv o p ara o v alo r d a ap tid o p o d e
ser f eito d e v rio s m o d o s, alg uns d o s q uais ser o d iscutid o s a
seg uir.
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).
T abela 3.4 - Ord enam ento linear
Cro m o sso m Fun o Po si A p tid Pro babilid ad e

o o bjetivo o o d e sele o

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
A Fig ura 3.20 m o stra o co ntro le d a p ress o d e sele o

utiliz and o o rd enam e nto linear. N a Fig ura 3.20(a), a alta
p ress o d e sele o f av o rece f o rtem ente o s m elho res
cro m o sso m o s, d irecio nand o a busca s m elho res

so lu es enco ntrad as at ent o (m uito exp lo itatio n ). N a
Fig ura 3.20(b), a baixa p ress o d e sele o f av o rece um
p o uco m ais o s cro m o sso m o s d e baixa ap tid o ,
d irecio nand o a busca p ara reg i es d esco nhecid as d o
esp ao d e busca (m uito exp lo r atio n ).
max aptido
alta presso
aptido
de seleo baixa presso

de seleo
max
min min
12 3 N N
1 23
posio posio
(a) (b)
Fig ura 3.20 - Po si o d o cro m o sso m o p ress o d a

sele o

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

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
Fig ura 3.21 - Gr f ico d e escalo nam ento d a ap tid o

A lg oritm o 3.3: C lculo dos co ef icientes a e b do

escalo nam ento linear.
1 N
g= gi Elabo rar eq ua o
N i =1
se g min > (Cg g max ) (C 1) ent o /* testa se o co rre ap tid o neg ativ a
*/
g max g
a (C 1) g
b g ( g max Cg )
sen o
= g g min
ag
b = g g min
fim se
reto rne a e b
3.4.7 SELE O POR TORNEIO

N a sele o p o r to rneio , cad a cro m o sso m o selecio nad o p ara a
p o p ula o interm ed i ria d o seg uinte m o d o : s o esco lhid o s
aleato riam ente (co m p ro babilid ad es ig uais) n cro m o sso m o s d a
p o p ula o e o m elho r d e ntre estes cro m o sso m o s

selecio nad o . O v alo r n = 2 usual. A sele o p o r to rneio n o
p recisa d e escalo nam ento d a ap tid o e nem d e o rd enam ento .
Em um a o utra v ers o , a sele o p o r to rneio utiliz a
p ro babilid ad es d if erenciad as. Se o to rneio env o lv e d o is
cro m o sso m o s, o p rim eiro g anha o to rneio co m p ro babilid ad e q
(o nd e 0,5 < q < 1); e o seg und o , co m p ro babilid ad e 1 - q . Para
um to rneio entre n cro m o sso m o s, o p rim eiro cro m o sso m o
g anha o to rneio co m p ro babilid ad e q , o seg und o co m
p ro babilid ad e q (1- q ); o terceiro , co m q (1 - q ) 2 , e assim p o r

d iante... (v ale no tar q ue se n = N , e m q ue N o tam anho d a

p o p ula o , tal sele o eq uiv alente sele o co m
o rd enam ento exp o nencial).
A um e ntand o o n m ero n d e cro m o sso m o s d o to rneio o u a
p ro babilid ad e q d o p rim eiro cro m o sso m o v encer, aum e nta- se

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.
3.4.8 A MOSTRAGEM ESTOCSTICA UNIVERSAL

O alg o ritm o Ro d a d a Ro leta p o ssui o p ro blem a d e ap resentar
um a g rand e v arincia em rela o ao n m ero esp erad o d e
f ilho s d o s cro m o sso m o s p ais. A A m o strag em U niv ersal
Estoc stica o u SU S (d o ing l s, Sto ch astic U n iv er sal Sam p lin g )
(Baker, 1987) so lucio na este p ro blem a d e m aneira sim p les e
t o p erf eita q uanto p o ssv el.

N este m to d o , a p o p ula o em baralhad a e um g r f ico d o

tip o to rta co nstrud o co m um a f atia asso ciad a a cad a

cro m o sso m o d a p o p ula o . A rea d as f atias p ro p o rcio nal
ap tid o d o cro m o sso m o q ue ela rep resenta. Em v o lta d a p arte
externa d a to rta s o co lo cad o s N p o nteiro s ig ualm ente
esp aad o s. Po r f im , o cro m o sso m o ap o ntad o p o r cad a
p o nteiro selecio nad o p ara cr o sso v er e m uta o (v er Fig ura
3.22). N a p r tica, o s cro m o sso m o selecio nad o s p o d em ser
alo cad o s em um a p o p ula o interm ed i ria e ent o a cad a d o is
cro m o sso m o s ap licad o o cr o sso v er
e Pais selecionados
d aa b c d
a
c
b
Fig ura 3.22 - A m o strag em Univ ersal Esto c stica
3.4.9 OTIMIZA O MULTIOBJETIVO

Muito s p ro blem as d o m und o real env o lv em a o tim iz a o d e
m ais d e um a f un o o bjetiv o . Um a abo rd ag e m sim p les p ara
tratar d e um co njunto d e f un es o bjetiv o f 1 , f 2 ,..., f n , f o rm ar

um a no v a f un o o bjetiv o F, o btid a d a so m a p o nd erad a d as

f un es o bjetiv o , o u seja:
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 }
Ex em p lo: Co nsid ere um p ro blem a co m d uas f un es

o bjetiv o , f 1 (x) e f 2 (x), em q ue to d as as so lu es p o ssv eis

s o m o strad as na T abela 3.5. O co njunto Pareto - tim o
d ad o p ela so lu es { 2,4,8} , um a v ez q ue a so lu o x= 10
d o m inad a p o r x= 8, e x= 12 d o m inad o p o r x= 4.
T abela 3.5 - Duas f un es o bjetiv o
x f 1 (x) f 2 (x)
2 80 30
4 20 100
8 30 50
10 30 40
12 20 80
V ale no tar q ue o A G reto rnar ao usu rio um co njunto d e

so lu es tim as ao in s d e um a nica so lu o . A ap tid o
p o d e ser calculad a utiliz and o o rd enam e nto co m base na n o -
d o m ina o d e ind iv d uo s, co nf o rm e sug erid o p elo seg uinte
p ro ced im ento : atribui- se a p o si o 1 a to d o s o s ind iv d uo s
n o d o m inad o s d a p o p ula o . Em seg uid a, tais ind iv d uo s d e
p o si o 1 s o rem o v id o s, tem p o rariam e nte, d a p o p ula o . N a
q ue resto u, atribui- se a p o si o 2 ao s ind iv d uo s n o
d o m inad o s. Em seg uid a, retira- se tem p o rariam ente o s
ind iv d uo s d e p o si o 2 d a p o p ula o . N a restante, rep ete- se o
p ro ced im ento , atribuind o a p o si o 3 ao s ind iv d uo s n o

d o m inad o s, e assim p o r d iante at to rnar- se v az ia.
A o tim iz a o co m o Pareto - tim o tem sid o usad o co m nicho s,
v isand o a estabiliz ar o g rand e n m ero d e subp o p ula es q ue
surg em no co njunto Pareto - tim o (Ho rn e N af p lio tis, 1992).
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


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) = max(0, g j (x))

Quand o a restri o j um a eq ua o , a f un o d e p nalti
d ad a p o r:
j ( x) = g j ( x)
A g o ra o p ro blem a d e o tim iz a o m encio nad o acim a to rna- se

irrestrito co m a so m a d a antig a f un o o bjetiv o co m o term o
d e p nalti, isto :

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).
3.4.11 A S FUN ES DE TESTE DE DEJONG

Existem m uitas v aria es d e A Gs, cad a um a d elas m ais
ind icad a p ara um d eterm inad o tip o d e p ro blem a. Para p erm itir

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.
T abela 3.6 - Fun es d e teste d e DeJo ng
Nome Fun o Lim ites Caractersticas

Unim o d al e
q uad r tica.
3
F1 xi2 -5,12 xi 5,12
Co m m nim o
i =1
em f(0,0,0) = 0
Unim o d al. a
f un o cl ssica
d e Ro senbro ck
F2 (
100 x12 x 2 )
2
+ (1 x1 )2 -2,048 xi 2,048
em
d im ens es.
d uas
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

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.
T o d as estas f un es rep resentam p ro blem as d e m inim iz a o .

N a f un o F3, a f un o inteiro ( x) arred o nd a o v alo r d e x p ara o
inteiro m ais p r xim o . N a f un o F4, a f un o g aussiana (0,1)
g era um 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 1. N a f un o F5, o s
co ef icientes a ij s o co nstantes d eterm inad as p elo usu rio
(sug est o : usar to d o s a ij = 10).
3.5 PROBLEMA DO CAIXEIRO V IAJANTE

O o bjetiv o d este item m o strar co m o ap licar A Gs em
p ro blem as d e naturez a d if erente d aq ueles anterio rm ente
d escrito s (o tim iz a o d e f un es n m ericas). Po r exem p lo ,
p ro blem as q ue d ep end e m d a o rd em co m q ue a es o u taref as
s o executad as. T ais p ro blem as t m sid o exaustiv am ente
estud ad o s na literatura d e A Gs e t m lev ad o a p ro p o sta d e

v rio s o p erad o res g en tico s esp ecf ico s. Para ilustrar seu uso ,
estes o p erad o res s o ap licad o s a um p ro blem a co nhecid o d e
o tim iz a o co m binat ria: o p ro blem a d o caixeiro v iajante
(PCV).

Este p ro blem a N P- Dif cil, o q ue sig nif ica q ue o s alg o ritm o s
co nhecid o s p ara enco ntrar sua so lu o exata s o intrat v eis
p elo co m p utad o r (i.e. req uerem um a q uantid ad e d e tem p o
co m p utacio nal q ue aum e nta exp o nencialm ente co m o
tam anho d o p ro blem a). Pro blem as N P- Dif cil t m sid o
reso lv id o s co m alg o ritm o s heurstico s (p o r exem p lo ,
A lg o ritm o s Gen tico s) q ue n o g arantem achar a so lu o
exata, m as q ue red uz em o tem p o d e p ro cessam ento .

O PCV d escrito co m o seg ue. Existe um a lista d e cid ad es q ue
um v end ed o r p recisa v isitar, d ev end o f az er a v isita em cad a

um a nica v ez . Cad a p ar d e cid ad es lig ad o p o r um a estrad a.

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:

A B
C
G
D
E
Fig ura 3.18 - Um a p o ssv el ro ta d e v iag em p ara o v end ed o r d o

PCV
T al cam inho seria rep resentad o p o r um cro m o sso m o co m o :
C r o m o sso m o
A B C D F E G
=
V ale no tar q ue f az end o p erm uta es na lista d e cid ad es,

p o d em - se o bter d if erentes cam inho s q ue s o so lu es
p o tenciais p ara o PCV. T m sid o p ro p o sto s v rio s o p erad o res

g en tico s p ara realiz ar estas p erm uta es. N a se o , a seg uir,
s o relacio nad o s alg uns d estes o p erad o res.
3.5.1 OPERADORES GENTICOS PARA PERMUTA ES

Um a p erm uta o d e m elem ento s
um a seq ncia d e m
elem ento s em q ue nenhum elem ento rep etid o . Po r exem p lo ,
(A ,B,C ) e (C ,A ,B) s o exem p lo s d e d uas p erm uta es d o s
elem ento s A ,B e C . Um g rand e n m ero d e p ro ble m as d e
o tim iz a o co m binat ria p o d e ter suas so lu es rep resentad o s
p o r p erm uta es, entre o s q uais o PCV e p ro ble m as d e
ag end am ento . Existem v rio s o p erad o res g en tico s q ue
realiz am p erm uta es (Go ld berg , 1989) (Sysw erd a, 1991),
send o alg uns d eles d escrito s a seg uir.
Co nsid ere um cro m o sso m o co m o um a lista d e elem ento s, p o r
exem p lo :
C r o m o sso m o : A B C D F E G
Os o p erad o res d e m uta o p ara p erm uta es s o

relativ am ente sim p les. N a m uta o basead a na p o si o , d o is
elem ento s d o cro m o sso m o s o esco lhid o s, aleato riam ente, e o
seg und o co lo cad o antes d o p rim eiro . N a m uta o basead a na
o rd em , d o is elem ento s d o cro m o sso m o s o esco lhid o s
aleato riam ente, e suas p o si es s o tro cad as. A m uta o p o r
em baralham ento co m ea esco lhend o aleato riam ente d o is
co rtes no cro m o sso m o . Dep o is o s elem ento s na sublista entre
o s co rtes s o em baralhad o s, p o r exem p lo :
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
Existem v rio s o p erad o res d e cr o sso v er p ara p erm uta o .

A lg uns d eles (Go ld berg , 1989) (Sysw erd a, 1991) s o
ap resentad o s a seg uir:
OBX (O r der - Based C r o sso v er );
PBX (Po sitio n - Based C r o sso v er );
PMX (Par tially M atch ed C r o sso v er );
CX (C ycle C r o sso v er );
OX (O r der C r o sso v er ).
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

co p iad o p ara filh o 1 . Os elem ento s nas p o si es n o

selecio nad as d e p ai 1 s o co p iad o s sem altera es p ara

filh o 1 . O cro m o sso m o filh o 2 o btid o atra s d e um
p ro cesso sim ilar, p o r exe m p lo :
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 :
* * *
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
exem p lo seg uinte ilustra este p ro ced im ento . Co nsid ere

o s seg uintes p ais e o s d o is co rtes:
A p rim eira tro ca o co rre no incio d a sublista, no sentid o

d e p ai 1 p ara p ai 2 : C d e p ai 1 tro cad o co m G d e pa i 2 .
Co m o esta tro ca g era elem e nto s d up licad o s, ent o ao
m esm o tem p o C d e p ai 2 tro cad o co m G d e pai 1 .
Pai 1 : A B G D F E C
Pai 2 : G E C A D F B
Um p ro ced im ento sim ilar o co rre na seg und a p o si o d a

sublista: D d e p ai 1 cad o co m A d e p ai 2 .
tro
Sim ultaneam ente D d e p ai 2 tro cad o co m A d e pai 1 .
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):

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
Seg uind o o m esm o p ro cesso , A d e p ai 1 d ev e ser co p iad o

p ara f ilh o 1 . Po r m , co m o A j f o i co p iad o p ara filh o 1 , o
ciclo term ina.
N a etap a f inal, as p o si es q ue f icaram em branco , s o
o btid as p o r sim p les tro ca d e elem ento s entre pa i 1 e pa i 2 ,
resultand o em :
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 2 : C E G B D F A

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
Inicialm ente, o s elem ento s d e p ai 1 q ue co rresp o nd e m

ao s elem ento s d a sublista entre o s d o is co rtes d e pai 2
s o d eletad o s.
- A
E -
F C
-
Pai 1 : A - C - F E -
Em seg uid a, o s situad o s na sublista d e p ai 1 q ue n o

f o ram d eletad o s s o m o v id o s no sentid o anti- ho r rio
d e m o d o q ue to d o s o s elem ento s f iq uem junto s a p artir
d o seg und o co rte, o u seja:

A C
E F
- -
-
Pai 1 : C F - - - E A
Finalm ente, o s esp ao s v az io s s o substitud o s p ela

sublista entre o s d o is co rtes d e p ai 2 , resultand o no
filh o 1 :
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.
3.5.2 PROBLEMAS DE PERMUTA O

A l m d o PCV , v rio s p ro blem as d e o tim iz a o co m binat ria
p o d em ser reso lv id o s usand o o s o p erad o res d e p erm uta o ,
p o is d ep end em d e alg um a f o rm a d e p erm uta o d e taref as o u
a es. Exem p lo s d e p ro blem as reso lv id o s usand o tais
o p erad o res s o o Pro ble m a d e A g end am e nto (Sysw erd a, 1991)
e o Pro blem a Co lo ra o d e Graf o s (Dav is, 1991).
3.6 FONTES A DICIONAIS DE CONSULTA

H v rio s liv ro s d e A G na literatura, d esd e d e cl ssico s co m o
Go ld berg (1989), p assand o p o r bo ns liv ro s texto b sico s tais
co m o Michalew icz (1994), Mitchell (1998), Haup t e Haup t

(1998), at liv ro s av anad o s, co m o Bck et al. (1997). H
tam b m m uito s tuto riais, co m o p o r exem p lo Beasley et al.
(1993a, 1993b), W hitley (1992) e Janiko w e Clair (1995). N a web

um d o s sites m ais co nhecid o s o EN CORE (1998).
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.

EN CORE. T he Ev o lutio N ary CO m p utatio n REp o sito ry netw o rk.

(1998). (http ://alif e.santaf e.ed u/~ jo ke/enco re/)
(http ://w w w .cs.p urd ue.ed u/co ast/archiv e/clif e/W elco m e.ht
m l).
Eshelm an, L. J.; Shaf f er, D. J. (1992). Real- co d ed g enetic
alg o rithm s and interv al- sche m ata. In: W HIT LEY , D. L. (ed ).
Fo u n datio n s o f G en etic A lg o r ith m s 3. San Mateo , CA : Mo rg an
K auf m an, p .187- 203.
Fo nseca. C. M.; Flem ing , P. J. (1995). A n Ov erv iew o f
Ev o lutio nary A lg o rithm s in Multio bjectiv e Op tim iz atio n.
Ev o lu tio n ar y C o m p u tatio n . 3(1):1- 16.
(http ://w w w .lania.m x/~ cco ello /EMOO/EMOObib.htm l).
Fo nseca. C. M.; Flem ing , P. J. (1997). Multio bj ectiv e
o p tim iz atio n. In: B CK, T .; FOGEL, D. B.; MICHA LEW ICZ, Z.,
ed s. Hand bo o k o f Ev o lutio nary Co m p utatio n, p .C4.5:1- 9.
Institute o f Physics Publishing and Oxf o rd Univ ersity Press,
Bristo l, N ew Y o rk.
Gen, M.; Cheng , R. (1997). Genetic A lg o rithm s and Eng ineering
Desig n. W iley Series in Eng ineering Desig n and A uto m atio n,
Jo hn W iley & So ns.
Go ld berg , D. E. (1989). G en etic alg o r ith m s in sear ch ,
o ptim iz atio n , an d m ach in e lear n in g . A d d iso n- We sley.
Gref enstette, J..J. (1986). Op tim iz atio n o f co ntro l p aram eters
f o r g enetic alg o rithm s. IEEE tr an s SM C . v 16, p .122- 128.
Haup t, R. L.; Haup t, S. E. (1998). Pr atical G en etic A lg o r ith m s.
W iley- Intercience.
Ho lland , J. H. (1975). A da p tatio n in N atu r al an d A r tif icial
System s. MIT Press.
Ho rn, J.; N af p lio tis, N . (1992). Multio bjectiv e o p tim iz atio n
using the niched p areto g enetic alg o rithm . T echnical Rep o rt
IllIGA L 93005, Illino is Genetic A lg o rithm s Labo rato ry,
Univ ersity o f Illino is at Urbana- Cham p aig n, Urbana, IL.
(http ://g al4.g e.uiuc.ed u/illig al.ho m e.htm l)
Janiko w , C. Z.; Clair, D. S. (1995). Genetic alg o rithm s

sim ulating nature s m etho d s o f ev o lv ing the best d esig n
so lutio n. IEEE Po ten tials, v 14, p .31- 35.
Lacerd a, E.; Carv alho , A . (1997). C o m bin an do o s A lg o r itm o s
G en tico e K m dia p ar a C o n fig u r ar R edes de Fu n es Base
R adial. A nais d o IV Sim p sio Brasileiro d e Red es N eurais,
p g inas 95- 97, Go inia, Brasil.
Michalew icz , Z. (1994). G en etic A lg o r ith m s + D a ta
Str u ctu r es = Ev o lu tio n Pr o g r am s. 3.ed . Sp ring er- Ve rlag .
Mitchell, M. (1998). A n In tr o du ctio n to G en etic A lg o r ith m s. T he
MIT Press.
Sto lf i, J.; Fig ueired o , L. H. M ! o do s n u m r ico s au to - v alidado s e
aplica es. 21 C lo q uio Brasileiro d e Matem tica, IMPA ,
1997.
Sysw erd a, G. (1989). Unif o rm cro sso v er in g enetic alg o rithm s.
In: J. D. Schaf f er, ed . Pr o ceedin g s o f th e T h ir 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, p .2- 9. Mo rg an
K auf m ann.
Sysw erd a, G. (1991). Sched ule o p tim iz atio n using g enetic
alg o rithm s. In: DA V IS, L. H an dbo o k o f G en etic A lg o r ith m s.
p .332- 349, V an N o strand Reinho ld .
W hitley, D. (1989). T he GEN IT O R alg o rithm and selectio n
p ressure: W hy rank " based allo catio n o f rep ro d uctiv e trials
is best. In: SCHA FFER J., ed . Pr o ceedin g s o f th e T h ir 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, p .116- 121.
San Mateo , Calif .: Mo rg an K auf m ann.
W hitley, D. L. (1992). A g enetic alg o rithm tuto rial. T echnical
Rep o rt CS" 93 " 103, Co lo rad o State Univ ersity. (Disp o nv el
p o r f tp no EN CO RE no arq uiv o : GA /p ap ers/tuto r92.p s).

AG-Introdução Aos AG PDF

Enviado por

Dados do documento

Título original

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

AG-Introdução Aos AG PDF

Enviado por

Direitos autorais:

Formatos disponíveis

CAPTULO 3

INTRODUO AOS A LGORITMOS

3.1 UM A LGORITMO GENTICO SIMPLES

Prob lem a 3.1 A char o p o nto m xim o d a f un o

f(x) = x sen( 10x) + 1

Fig ura 3.1 - Gr  f ico d a f un  o d a f (x) = x sen(10 x) + 1

3.1.1 REPRESENTAO DOS PARMETROS

Para d eco d if icar o cro m o sso m o s 1 , co nv erte- se s 1 d a base 2

V ale o bserv ar q ue f un es o bjetiv o co m m ltip lo s p arm etro s

Fig ura 3.2 - Cro m o sso m o s d a Po p ula o Inicial

Insp irad o no p ro cesso d e sele o natural d e seres v iv o s, o

A sele o p o d e ser f eita p elo seg uinte p ro ced im ento p r tico :

T abela 3.1 - Po p ula o Inicial

A lg oritm o 3.2: Ro d a d a Ro leta

V rias alternativ as t m sid o p ro p o stas p ara d ef inir a ap tid o .

f1 = 0,637197 sen(10 0,637197) + 1 = 1,586345

V ale o bserv ar q ue a ap tid o d ef inid a d esta f o rm a p o d e

3.1.3 C ROSSOVER E MUTAO

Fig ura 3.3 - C r o sso v er

Antes filho1 (0010101010010010101100)

Depois filho1 (0010001010010010111100)

Fig ura 3.4 - Muta o

Fig ura 3.5 - Gerand o um a no v a p o p ula o

Fig ura 3.6 - Po nto s d a p rim eira g era o d e cro m o sso m o s

A p s a d ef ini o d a p rim eira p o p ula o , o p ro ce d im ento se

q ue bo a p arte d o s cro m o sso m o s rep

Fig ura 3.9 - Desem p enho d o A G co m Elitism o

3.1.5 C ROSSOVERS DE N PONTOS E UNIFORME

pai1 010 011000101011

pai1 101 01010 01001

pai2 00100111000110 11100

Fig ura 3.11 - C r o sso v er d e 4 p o nto s

Fig ura 3.12 - C r osso ver Unif o rm e

bio lo g ia. A lista ap resentad a a seg uir d escrev e o s p rincip ais

o utro g ene. Pro blem as co m alta Ep istasia s o d e

Comprimento (H1) = 0 Ordem O(H1) = 1

Fig ura 3.13 Esq uem as

Co nf o rm e m o strad o na Fig ura 3.13, o s esq uem as H 1 = 1* * * *,

Pela eq ua o , co nclui- se q ue o n m ero d e esq ue m as H

Esq uem a co ntid o em filh o 1 (01* |* 101)

O esq uem a d o p ai 2 (q ue tem p eq ueno co m p rim ento ) f o i

Fig ura 3.14 - C r o sso v er d e 2 p o nto s v isto co m o um anel

O cr o sso v er d e n p o nto s tend e a m anter junto s o s g enes q ue

3.2 REPRESENTAO REAL

3.2.1 REPRESENTAO BINRIA REAL

Sujeito a 100 x 100

Decodificao de Cromossomo em dois parmetros

Passo 1: Diviso da cadeia de bits s1 em duas cadeias de 22 bits:

Passo 2: Converso da base 2 para a base 10:

Passo 3: Mapear estes resultados para o intervalo [-100, 100]:

Fig ura 3.15 - Deco d if ica o d o cro m o sso m o em d o is

sejam necess rias, 83,3 27 bits ser o utiliz ad o s p ara cad a

3.2.2 CROSSOVERS PARA REPRESENTA  O REAL

[x,y] e a no ta o N (,) p ara rep resentar um a d istribui o

A p licand o o BLX- 0,5 co m = 1,262 (o nd e U (- 0,5;

c 1 = 30,173 + 1,262(75,989- 30,173) = 87,993

c 2 = 85,342 + 1,262(10,162- 85,342) = - 9,535

ent o g erar- se o utro f ilho co m

p o ssv el f ilho situa- se em alg um lug ar d e um a rea

p 1 = (p 11 , p 12 ,..., p 1k , p 1,k+ 1,..., p 1l)

Fig ura 3.16 - C r o sso v er BLX-

Fig ura 3.17 - C r o sso v er BLX- co m v riav el

o nd e U (0,1). Este o p erad o r d if ere d o cr o sso v er BLX-

Fig ura 3.1 - Gr f ico d a f un o d a f (x) = x sen(10 x) + 1

3.2.2 CROSSOVERS PARA REPRESENTA O REAL

3.2.3 MUTA O PARA REPRESENTA O REAL

3.3 A LGORITMOS GENTICOS E OTIMIZA O

3.4 A SPECTOS A VAN ADOS

3.4.1 POPULA O INICIAL

3.4.2 FUN O OBJETIVO

3.4.4 SUBSTITUI ES GERACIONAL E STEADY- STATE

Fig ura 3.19 - Co nv erg ncia p rem atura

Cro m o sso m Fun o Pro babilid ad e

3.4.6 MAPEAMENTO DA FUN O OBJETIVO

Cro m o sso m Fun o Po si A p tid Pro babilid ad e

3.4.7 SELE O POR TORNEIO

3.4.9 OTIMIZA O MULTIOBJETIVO

3.4.11 A S FUN ES DE TESTE DE DEJONG

3.5.1 OPERADORES GENTICOS PARA PERMUTA ES

3.5.2 PROBLEMAS DE PERMUTA O