Geneticoshandout PDF

Algoritmos Genticos
Adriano Joaquim de Oliveira Cruz
Universidade Federal do Rio de Janeiro
Maio 2013
Adriano Cruz (DCC-UFRJ) AGs Maio 2013 1 / 155
Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
10 Island Genetic Algorithms
11 Separao de Geraes
12 Um exemplo simples
13 Elitismo
14 Exemplo simples com Matlab
15 Outro exemplo
16 Ambientes Dinmicos
17 O FIM
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Sorte!
Nas minhas investigaes debaixo do sol, vi ainda que a

corrida no para os geis, nem a batalha para os bravos, nem o
po para os prudentes, nem a riqueza para os inteligentes, nem o
favor para os sbios: todos esto merc das circunstncias e da
sorte.
Eclesiastes 9,12

Bibliography
Adriano Joaquim de Oliveira Cruz.

Apresentao Algoritmos Genticos.
Andries P. Engelbrecht.
Computational Intelligence: An Introduction.
John Wiley & Sons, Ltd, West Sussex, England, 2008.
O Problema
Existem problemas para os quais algoritmos

rpidos no so conhecidos.
Encontrar a soluo buscar em um espao
onde vivem potenciais solues a que melhor
resolve o nosso problema.
Quando este espao muito grande, encontrar
a melhor soluo pode levar tempo demais
possvel obter solues aproximadamente
timas usando algoritmos probabilsticos.

O que so?
Tcnica prtica e robusta de busca e

otimizao.
Baseados nos conceitos da seleo natural.
um mtodo estocstico de busca.
Exemplos de Problemas
Encontrar o mximo (mnimo) de uma funo.

Encontrar um bom conjunto de regras para um sistema nebuloso.
Encontrar o melhor agente para atuar como jogador digital.

A Metfora
A metfora que est por trs dos AGs a da seleo natural.

Na natureza, o problema de cada espcie o de encontrar as melhores
adaptaes que a faam sobreviver em um ambiente complicado,
muitas vezes hostil e que est sempre mudando.
Evoluo
H na natureza evoluo no sentido de melhoria?

Evoluo pressupe caminhar em direo a um indivduo ideal.

Adaptao
No seria mais apropriado falar

em melhor adaptao ao
ambiente?
Na natureza sobrevivem no os
mais evoludos e sim os mais
adaptados a um determinado
ambiente.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Adaptao
O conjunto de caractersticas de um
indivduo, que o distingue dos demais,
determina sua capacidade de
sobrevivncia.
Estas caractersticas so determinadas
pelo seu material gentico.
Mecanismos
Na natureza a competio por recursos escassos em ambientes hostis

ou que se alteram faz com que os mais aptos sobrevivam e consigam
se reproduzir.
Atravs da reproduo com parceiros os genes destes indivduos so
ento transmitidos aos seus descendentes.
Este processo contnuo de seleo e reproduo dos mais aptos pode
conduzir a indivduos cada vez mais adaptados.
Este processo denominado seleo natural.

Seres Vivos - Cromossomos
Cadeias organizadas de ADN (DNA) e protenas encontrados nas

clulas
Contm informaes que permitem a gerao de um novo ser.
uma pea de ADN contendo diversos genes, elementos reguladores e
outras sequncias de nucleotdeos.
A palavra cromossomo vem do grego chroma (cor) e soma (corpo)
devido a propriedade de poder ser tingido facilmente. (fonte wikipedia)
O conjunto de cromossomos que descrevem um organismo o seu
genoma.
Cromossomos vm em pares.
Seres humanos tm 23 pares de cromossomos.
Burros tm 31 pares e carpas 51
Cada gene corresponde a uma regio do DNA que possui uma posio
especfica no cromossomo.

A T G C G
A T G C G
Seres Vivos - Protenas
Protenas so a base de funcionamento das clulas.

So compostas por cadeias de aminocidos.
Responsveis por praticamente todo o trabalho realizado dentro das
clulas.
Exemplos de protenas: enzimas, hemoglobina, certos hormnios.

Seres Vivos - Genes
Responsveis por caractersticas especficas de cada ser.

Podem assumir diferentes valores (alelos).
Diferentes combinaes de valores (gentipos) levam a diferenas em
caractersticas do ser (fentipos).
Por exemplo, dois genes para olhos castanhos (fentipo castanho), dois
genes para olhos verdes (fentipo verde), um gene para olhos verdes e
outro para olhos castanhos (depende de como eles trabalham juntos).
Aproximao do funcionamento
DNA armazena informao gentica nos indivduos.

Protenas so as trabalhadoras celulares.
Uma sequncia de DNA contm toda a informao necessria para se
autoreplicar.
Esta sequncia transcrita em RNA e posteriormente transcrita em
uma protena.

Seres Vivos - Reproduo
Cromossomos so encontrados em pares.

Indivduos possuem duas cpias de seus genes (reproduo sexuada).
Gametas produzidos durante a fertilizao possuem um representante
de cada par.
Gametas de dois indivduos se unem para formar um novo indivduo.
Durante a produo dos gametas:
Recombinao: troca de parte das cadeias de um par
Mutao: alterao em uma ou mais posies dos cromossomos.
A taxa de mutao muito baixa devido aos mecanismos de correo
embutidos no processo.
Gentica e Seleo
Operadores de recombinao e mutao no garantem que os

cromossomos dos filhos sejam exatamente iguais aos dos pais, mas sim
uma combinao com possveis alteraes.
Estas alteraes podem ser benficas ou no.
Indivduos que forem mais bem adaptados podero mais facilmente
repassar suas caractersticas.
Deste modo a evoluo gera maior adaptabilidade. protena.

Seres Vivos - Recombinao
A G C C G M
G A T T A F
A G T T A C1
G A C C G C2
Variaes de Estratgias
Algoritmos Genticos: baseados na evoluo (adaptao) gentica.

Programao Gentica: baseados em algoritmos genticos, mas os
indivduos so programas.
Programao Evolucionria: deriva da simulao do comportamento
adaptativo em evoluo (evoluo fentica).
Co-evoluo: Evoluo em que indivduos evoluem atravs de cooperao,
ou competio entre si.

Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Cromossomo
Indivduos representam solues potenciais em uma populao.

Em AG um indivduo representado por um nico cromossomo.
Usualmente, cada possvel soluo codificada como uma cadeia de
bits, o cromossomo ou gentipo.
Cada parmetro codificado na soluo chamado de um gene.
F (x, y , z)
11010001 11010001 11010001
Gene X Gene Y Gene Z

Populao
AGs mantm um conjunto de indivduos formando populaes de

solues.
Indivduos devem ser avaliados segundo uma funo de aptido.
Indivduos mais aptos tero mais chances de propagar sua informao
gentica.
Geraes
A cada gerao o AG cria uma nova populao.

Esta criao de indivduos baseada em operadores genticos.
A evoluo de uma gerao para outra feita em trs fases: avaliao
da aptido, seleo dos mais aptos e reproduo.

O Algoritmo Bsico
incio
Gera populao inicial P
i =0
enquanto condio de parada no satisfeita faa
Avalie cada indivduo da populao
Cria espao para nova populao NP =
enquanto |NP| 6= |P| faa
Seleciona pais a partir de P
Recombine pais e gere filhos
Aplique mutao nos filhos
Insira filhos em NP
fim enqto
P NP
i =i +1
fim enqto
Retorne melhor indivduo de P como soluo
fim
Componentes de um AG
Uma representao das solues potenciais.

Uma forma de criar a populao inicial.
Uma funo de avaliao que faz o papel do ambiente e ordena as
solues por um critrio de qualidade.
Operadores genticos que geram e alteram a composio dos filhos
gerados.
Valores para os vrios parmetros: tamanho da populao,
probabilidades de aplicao dos operadores, nmero de geraes etc.

Por que AG
Paralelo: mantm uma populao de solues que podem ser avaliadas

simultaneamente.
Global: AGs no usam somente informaes locais, logo no
necessariamente ficam presos em mximos locais.
No totalmente aleatrio: usam informaes da populao atual para
determinar o prximo estado de busca.
No afetados por descontinuidades: no usam informaes de derivadas
nem necessitam informaes de seu entorno.
Funes: Lidam com funes discretas e contnuas.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Codificaes de uma Soluo
A codificao pode, por exemplo, mapear pontos no espao de

solues em cadeias de bits.
Codificaes so maneiras de traduzir o conhecimento sobre o
problema para o ambiente dos AGs.
Considere f (x0 , x1 , x2 ) e que x0 = 3, x1 = 1, x2 = 0
O cromossomo de 12 bits com genes de 4 bits poderia ser
0011-0001-0000
Codificao Binria de uma Soluo
Considere uma funo f (x) de v variveis, ou seja

x = (x0 , x1 , x2 , . . . , xv 1 ) onde xi .
Considere uma codificao binria que usa n bits para representar um
valor real.
Este esquema converte o indivduo x = (x0 , x1 , x2 , . . . , xv 1 ) em
b = (b0 , b1 , b2 , . . . , bv 1 ) onde bi = (b0 b1 . . . bn1 ) e bi {0, 1}.

Acurcia da Codificao Binria
Considere que uma varivel x codificada em 16 bits.

Considere que esta varivel pode assumir valores entre xmin = 0 e
xmax = 2 inclusive.
A codificao divide o intervalo [0, 2] em 216 1 pedaos.
20
Neste caso a mxima acurcia 216 1
.
De maneira geral a acurcia mxima neste tipo de codificao
|xmax,d xmin,d |
2nd 1
d uma das dimenses do espao do problema.
nd nmero de bits usado para codificar a dimenso d
Quantos Bits?
Suponha que precisamos de D casas decimais.

Seja T o tamanho do intervalo.
Seja uma representao binria com n bits.
Portanto: 2(n1) < T 10D < 2n
Exemplo: D = 6 e T = 3 2097152 = 221 < 3000000 < 222 = 4194304
Neste caso o nmero de bits deve ser 22.

Converso para Real
Considere uma varivel x.

Intervalo: [xmin . . . xmax ].
Representao com n bits: b = [b0 b1 . . . bn1 ]
x= b convertido para inteiro.
n1
X
x= bi 2n1i
i =0
x = (b)
(xmax xmin )
x = xmin + x
(2n 1)
Exemplo
Duas variveis x1 , x2 .
Intervalo: x1 [2, 2] e x2 [0, 1].
Representao usa 6 bits.
Cromossomo = 000011110011.
bx1 = 000011 e bx2 = 110011.

x1 = 3 e x2 = 51
2(2)
x1 = 2 + 3 26 1
= 1.809
10
x2 = 0 + 51 26 1
= 0.809

Problemas com Binrios
Representao binria pode introduzir problemas quando testamos

solues.
Considere por exemplo as representaes de 7 e 8 com 4 bits: 0111 e
1000.
A distncia de Hamming entre os dois nmeros 4.
Uma pequena mudana na varivel deveria deveria resultar em
pequena mudana na representao.
Neste caso quatro bits devem ser modificados para uma pequena
modificao na representao.
Cdigo Gray I
No cdigo Gray somente um bit alterado entre dois nmeros

sucessivos.
Converso de binrio para gray simples.
b0 . . . bn2 bn1 = g0 g1 . . . gn1
g0 = b0
gi = (bi 1 bi ) (bi 1 bi ) = bi bi 1

Cdigo Gray II
Binrio Gray
0 000 000
1 001 001
2 010 011
3 011 010
4 100 110
5 101 111
6 110 101
7 111 100
Converso Gray para Binrio
g0 g1 . . . gn1 = b0 b1 . . . bn1
b0 = g0
bi = (bi 1 gi ) (bi 1 gi ) = bi 1 gi

Outras Representaes
Reais.
Inteiros.
Permutaes.
Estados Finitos.
rvores.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Populao Inicial
Uma estratgia simples gerar a populao inicial aleatoriamente.

O tamanho da populao deve ser grande o suficiente para permitir
variabilidade gentica sem atrapalhar o desempenho.
Em algumas solues vrias populaes so criadas.
Estas populaes podem evoluir paralelamente de forma cooperativa
ou no.
Populao: Observaes
Grande nmero de individuos aumenta a diversidade, portanto permite

explorar melhor as habilidades da populao.
Grandes populaes exigem maior poder computacional.
O maior tempo gasto em cada gerao pode ser compensado pelo
menor nmero de geraes para atingir o objetivo.
Populaes menores representam um pedao menor do espao de
solues.
Em populaes menores pode ser necessrio aumentar a taxa de
mutao para permitir a explorao de um espao maior.

Avaliao da Aptido
O primeiro passo aps gerar uma populao de solues e calcular a

aptido de cada soluo.
Ela deve procurar abarcar todo o conhecimento que se possui sobre o
problema, j que a nica ligao com a realidade.
A funo de aptido f mapeia um cromossomo em um valor escalar.
f : C n , onde C n representa os dados contidos em um
cromossomo com n dimenses.
Esta funo representa a funo objetivo , que descreve o problema
de otimizao a ser resolvido.
No caso de uma representao binria isto feito em etapas.
Temos:

f : {0, 1}n n +
Funo de Aptido
A funo de aptido fornece uma avaliao absoluta de cada um dos

indivduos da soluo.
Em alguns problemas uma funo que permita a avaliao absoluta
no existe, por exemplo aprendizado em jogos.
Neste caso so usadas funes que permitem avaliaes relativas dos
indivduos.

Tipos de Problemas de Otimizao
Otimizao sem Restries: A funo de aptido simplesmente a funo

objetivo.
Otimizao com Restries: A funo de aptido contm duas funes.
Uma a funo objetivo original e a outra uma funo de
restrio.
Multi-Objetivo: Podem ser resolvidos usando-se uma funo de agregao
ponderada dos resultados das vrias sub-funes objetivo.
Problemas Dinmicos e Ruidosos: Problemas em que os valores da funo
variam com o tempo ou apresentam rudo adicionado.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Seleo
Aps a avaliao deve-se gerar uma nova populao a partir da atual.

A seleo escolhe que indivduos participaro deste processo.
Na seleo proporcional a probabilidade de um indivduo ser
selecionado funo direta da sua aptido.
No entanto, mesmo os menos aptos devem ter a possibilidade de
passarem para a prxima gerao suas caractersticas.
Existem diversos mtodos de seleo.
Presso Seletiva
Presso seletiva est relacionado com o tempo necessrio para que

uma populao uniforme seja gerada.
definida pela velocidade com que os genes da melhor soluo levam
para se espalhar por toda a populao quando somente o operador de
seleo aplicado.
Um operador com alta presso seletiva diminui com rapidez a
diversidade gentica da populao.
Portanto, limita a capacidade do algoritmo explorar o espao de
solues.
Isto pode levar a convergncia para mnimos locais.

Exemplo
Considere a funo y = x 2 no intervalo [0,15].

Considere uma representao com 4 bits.
Sabemos que o mximo est em 15 ou b = 1111.
Considere a populao:
b0 = 0001 com y =1
b1 = 0011 com y =9
b2 = 0100 com y = 16
b3 = 0110 com y = 36
Os dois melhores indivduos b2 , b3 no contm uma boa caracterstica
que o bit mais direita igual a 1.
Se somente os dois melhores fossem escolhidos para reproduo no
chegaramos a soluo.
Seleo Aleatria
o mtodo mais simples.

Cada indivduo xi (t) tem a mesma probabilidade de ser escolhido
s (xi (t)) = n1 , onde n o tamanho da populao e xi (t) o indivduo
i na iterao t.
Nenhuma informao sobre a avaliao de cada indivduo usada.
Este mtodo o que tem a menor presso seletiva.

Seleo Proporcional a Avaliao
Proposta por Holland.

Cria uma distribuio de probabilidades proporcional a avaliao de
cada indivduo.
Indivduos so escolhidos com base na distribuio.
f (xi (t))
s (xi (t)) = Pn1
l=0 f (xl (t))
s (xi (t)) a probabilidade de xi (t) ser escolhido.

f (xi (t)) uma funo de avaliao para o indivduo xi (t) escalada
para produzir um valor real positivo.
O tempo t refere-se a iterao, ou gerao, t do algoritmo gentico.
Funes de Distribuio Proporcional I
Em problemas de minimizao uma funo possvel seria
f (xi (t)) = fmax f (xi (t))
onde f (xi (t)) = (xi (t)) a prpria funo de avaliao.

No entanto, nem sempre o valor fmax conhecido.
Uma alternativa usar fmax (t), que o mximo valor de f at a
gerao t.
Outra funo possvel :
1
f (xi (t)) =
1 + f (xi (t)) fmin
Neste caso f (xi (t)) (0, 1]

Funes de Distribuio Proporcional II
No caso de maximizao as funes seriam:
f (xi (t)) = f (xi (t)) fmin

A funo escalvel entre (0, 1]
1
f (xi (t)) =
1 + fmax f (xi (t))
Funes de Distribuio Proporcional III
Uma funo bastante usada :
f (xi (t)) = f (xi (t))
onde f (xi (t)) = (xi (t)) a prpria funo de avaliao.

Roleta na Seleo Proporcional
A roleta um mtodo de seleo proporcional.

Cada cromossomo recebe uma fatia proporcional sua avaliao.
Ao girar a roleta o selecionado ser o indivduo sobre o qual bolinha da
roleta parar.
Indivduos com fatias maiores tm mais probabilidade de serem
escolhidos.
Indivduos selecionados continuam no sorteio.
Portanto, indivduos podem ser escolhidos mais de uma vez.
Criando a Roleta
Calcular a avaliao de cada indivduo,
f (xi (t))
Calcular a avaliao total da populao,
n1
X
S= f (xl (t))
l=0
Calcular a probabilidade da seleo de cada indivduo

f (xi (t))
s (xi (t)) = Pn1
l=0 f (xl (t))
Calcular a probabilidade cumulativa para cada indivduo
n1
X
s (xi (t)) = s (xl (t))
l=0

Exemplo de Roleta
x f (xi (t)) f (xi (t)) fmin s (xi (t)) s (xi (t))

0.0 5.00 5.5 0.149 0.149
0.5 5.75 6.25 0.169 0.318
1.0 6.00 6.50 0.176 0.493
1.5 5.75 6.25 0.169 0.662
2.0 5.00 5.50 0.149 0.811
2.5 3.75 4.25 0.115 0.926
3.0 2.00 2.50 0.068 0.993
3.5 -0.25 0.25 0.007 1.000
37.00
Obs. Considere que fmin = 0.5
A Roleta
x s (xi (t))
0.0 0.149
0.5 0.169
1.0 0.176
1.5 0.169
2.0 0.149
2.5 0.115
3.0 0.068
3.5 0.007

Rodando a Roleta
Entrada: s (xi (t)) para i = 0 . . . n 1

Sada: ndice i do indivduo escolhido
incio
i =0
soma = s (xi (t))
r = rand()
enquanto soma < r faa
i =i +1
soma = soma + s (xi (t))
fim enqto
Selecione indivduo i
fim
Exemplo de Seleo atravs da Roleta
Considere que o valor r sorteado foi 0.795.

Ento o valor selecionado foi 2.0.
x f (xi (t)) f (xi (t)) fmin s (xi (t)) s (xi (t))

0.0 5.00 5.5 0.149 0.149
0.5 5.75 6.25 0.169 0.318
1.0 6.00 6.50 0.176 0.493
1.5 5.75 6.25 0.169 0.662
2.0 5.00 5.50 0.149 0.811
2.5 3.75 4.25 0.115 0.926
3.0 2.00 2.50 0.068 0.993
3.5 -0.25 0.25 0.007 1.000
37.00

Problemas com Roletas
Pode acontecer do melhor indivduo da populao no ser escolhido

para gerar filhos.
Como a seleo baseada na aptido de cada indivduo, pode ocorrer
que indivduos fortes dominem a produo de filhos.
Portanto, a seleo proporcional tem uma grande presso seletiva.
Seleo por Amostragem Estocstica
Para evitar estes problemas Baker props um algoritmo de

amostragem estocstico.
Este algoritmo determina o nmero de filhos que cada indivduo ir
gerar.
J. E. Baker. Reducing Bias and Inefficiency in The Selection
Algorithm. In J. Grefenstette, editor, Proceedings of the Second
International Conference of Genetic Algorithms, pages 14-21, Hillsdale,
N. J. 1987, Erlbaum.

Algoritmo Estocstico de Seleo Universal
Entrada: s (xi (t)), total filhos a serem gerados

Sada: i nmero de filhos que cada indivduo pode gerar
incio
para i = 0, . . . , n 1 faa
i (t) = 0
fim para
r = rand(0, 1 )
soma = 0.0
para i = 0, . . . , n 1 faa
soma = soma + s (xi )
enquanto r < soma faa
i + +
r = r + 1
fim enqto
fim para
Retorne = (0 , . . . , n1 )
fim
Seleo por Torneio
Selecionar aleatoriamente um subconjunto dos indivduos da

populao.
Competio entre estes indivduos para ver quem ganha o direito de
gerar filhos.
Tamanho do torneio (k) o nmero de indivduos que iro competir.
Dentre os selecionados o que tiver a melhor avaliao o selecionado.
Para cruzamento entre dois pais, este processo deve ser repetido duas
vezes.
Este processo de torneio, seleo e cruzamento repetido at
completar a populao.

Presso Seletiva no Torneio
Os k indivduos em um torneio podem ser todos iguais.

Este mtodo diminui o favorecimento para os melhores indivduos
devido ao sorteio para entrar no torneio.
Se k no muito grande ento o melhor indivduo no ir dominar.
Se k muito pequeno ento as chances de indivduos ruins serem
selecionados aumenta.
Se k = 1 temos a seleo randmica.
Se k = n o melhor indivduo ser sempre selecionado.
Um problema que o pior indivduo somente ser selecionado se ele
for o nico no torneio (k iguais).
1
Se h n indivduos a probabilidade disto ocorrer nk
.
Comparando Probabilidades de Escolha I
Vamos considerar o exemplo abaixo.
Indivduo f (xi (t)) s (xi (t)) (em %)

x1 180 0.9
x2 120 0.6
x3 8000 43.1
x4 120 0.6
x5 80 0.4
x6 10000 53.1
x7 10 0.05
x8 60 0.3
total 18750

Comparando Probabilidades de Escolha II
Considere K = 2 para n = 8.
Existem 64 combinaes possveis.
Com o x6 (o melhor) e outro indivduo ele ganhar em 14
possibilidades (x6 , 7 outros) + (7 outros, x6 )
Com o par (x6 , x6 ) ele ganhar uma vez.
15
Portanto, temos a probabilidade de 64 = 23.48%
Valor menor que na roleta, que igual a 53.1%.
Seleo Baseada na Classificao
Indivduos so colocados em ordem de acordo com sua funo de

aptido.
A probabilidade de seleo baseada nesta ordem e no nos valores
absolutos das aptides.
Uma possvel vantagem que o mais apto no domina o processo de
seleo.

Seleo no Determinstica Baseada na Classificao
Indivduos so colocados em ordem de acordo com sua funo de

aptido.
O indivduo xi selecionado de acordo com a funo
i rand(0, rand(0, n 1))
O melhor indivduo assume a classificao 0 e o pior a n 1.
Seleo Baseada em Classificao Linear
Os n indivduos so colocados em ordem de acordo com sua funo de

aptido.
Na seleao por classificao linear assumido que a presso seletiva
pode variar entre [1.0 . . . 2.0].
Para calcular a probabilidade de cada indivduo ser selecionado
podemos usar a frmula
2 + 2( 1) fc (xi (t))
n1
((x)i (t)) =
n
onde fc (xi (t)) a classificao de xi (t)
o melhor classificado tem classificao n 1 e o pior 0.

Probabilidade de Seleo na Classificao Linear
Cada uma das curvas foi gerada com uma presso seletiva.
Para presso seletiva 1 a probabilidade igual para todos.
Elitismo
Modificao no algoritmo de gerao da populao.

Os n melhores indivduos de cada gerao so levados para a prxima
gerao.
Por exemplo, em uma populao de p indivduos com elitismo n
somente p n indivduos precisam ser gerados por cruzamentos.
Quanto mais indivduos sobrevivem para a prxima gerao menor ser
a diversidade gentica na prxima gerao.

Galeria da Fama
Guarda os melhores jogadores de cada gerao.

A galeria da fama pode ser usada como fonte de bons cromossomos
durante o processo de cruzamento.
Na ltima gerao o melhor indivduo na galeria da fama corresponde
a melhor soluo.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Cruzamento
Cruzamento o operador
gentico aplicado aos pais
selecionados para gerar os filhos.
Deste cruzamento espera-se que
as boas caractersticas de prvias
geraes sejam passadas as
prximas.
Tipos de Cruzamento
Assexuada: o filho gerado a partir

de um pai.
Sexuada: dois pais so usados
para produzir o filho.
Multi-recombinao: o filho gerado
a partir de mais de dois
pais.

Seleo dos Pais
Pais so selecionados usando um dos esquemas existentes.

Cruzamento aplicado com um critrio probabilstico.
Cada par de pais tem uma probabilidade pc de gerar filhos.
Usualmente a probabilidade de cruzamento alta.
Ponto de Corte em Representaes Binrias
Vamos considerar cromossomos binrios.

Pais so selecionados para gerar os filhos.
Ponto de corte uma posio no cromossomo onde este ser separado
para ser ligado no cromossomo do outro pai.
Cromossomos podem ser cortados de diversas maneiras.
Cruzamentos com um ponto de corte nico o modo mais comum.

Exemplo de Cruzamento em um Ponto
Considere os dois indivduos abaixo, cada um com 8 bits (7 at 0).

Considere um ponto de corte no bit 5.
Pais Filhos
10110111 10100010
X X
01100010 01110111
Algoritmo de Cruzamento
Entrada: Cromossomos pais b1 e b2

Sada: Cromossomos filhos ~ b1 e ~
b2
incio
/* somos como nossos pais */
~
b1 = b1
~
b2 = b2
se rand() < pc ento
m = GerarMascaraBinaria()
para i = 0 at i < n faa
se m(i) = 1 ento
/* Troca bits */
~b1 (i) = b2 (i)
~b2 (i) = b1 (i)
fim se
fim para
fim se
fim

Gerao de Mscara em Cruzamentos com um Ponto
Sada: Mscara m para cruzamento

incio
// Seleciona ponto de cruzamento entre 0 e n 1
c = rand(0, n 1)
// Zera n bits da mscara
m(i) = 0, i = 0 . . . n 1
para i = c + 1 at i < n faa
m(i) = 1
fim para
fim
Cruzamento em dois pontos I
Existem alguns esquemas interessantes que o cruzamento em um

ponto no consegue preservar.
Considere que a soluo de um problema, codificada em 8 bits tem o
seguinte esquema:
1******1
Um operador de cruzamento em um ponto ir separar estes bits.

Cruzamento em dois pontos II
Pais Filhos
10|0010 |11 10|0100 |11

X X
11|0100 |01 11|0010 |01
Neste exemplo podemos preservar os esquemas 10|****|11 e

11|****|01.
Gerao de Mscara em Cruzamentos com dois Pontos
Sada: Mscara m para cruzamento

incio
// Seleciona primeiro ponto de cruzamento entre 0 e n 1
c1 = rand(0, n 1)
// Seleciona segundo ponto de cruzamento entre 0 e n 1
c2 = rand(0, n 1)
// Zera n bits da mscara
m(i) = 0, i = 0 . . . n 1
para i = c1 + 1 at c2 faa
m(i) = 1
fim para
fim

Cruzamento Uniforme
Uma mscara com n bits criada aleatoriamente.

pc a probabilidade de troca dos bits.
Se pc = 0.5 tem cada bit tem uma chance igual de ser trocado.
Algoritmo para gerar a mscara no cruzamento uniforme.
incio
//Zera os n bits da mscara
m(i) = 0, i = 0 . . . n 1
para i = 0 at i < n faa
se rand() pc ento
m(i) = 1
fim se
fim para
fim
Exemplo de Cruzamento Uniforme
Pais Mscara Filhos
10110111 10110110
00101011
01100010 01100011

Representao em Ponto Flutuante
Nmeros em ponto flutuante so usados para representar os indivduos.

Esta forma pode ser mais rpida e mais precisa.
Operador de Cruzamento I
Considerar dois pais x1 e x2 .

Gerar trs candidatos:
x1 + x2 .
1.5x1 0.5x2 .
0.5x1 + 1.5x2 .
Escolher os dois melhores candidatos.

Operador de Cruzamento II
Considerar dois pais x1 e x2 .

x2 deve ser melhor que x1 , ou seja f (x2 ) > f (x1 ) se for para achar
mximo de f .
xi = rand()(x2 x1 ) + x2
~
Operador direcional, sempre ~
xi > x2 .
Operador de Cruzamento III - Cruzamento Aritmtico
Este um operador que combina vrios pais. Vamos considerar l pais.
l1
X
xi =
~ k x k
k=0
onde
l1
X
k = 1
k=0
No caso de l = 2 temos ~
xi = x1 + (1 )x2 .
Se = 0.5 ento o filho a mdia aritmtica dos dois valores.

Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Por que?
Filhos podem ultrapassar seus pais caso herdem as melhores

caractersticas de cada pai.
E se os indivduos atuais no contm os genes da soluo?
Ser que temos os genes para telepatia?
A ideia aumentar a diversidade gentica da populao.
Evita que a populao entre em estagnao.
O valor da probabilidade da mutao deve ser muito baixo para evitar
que boas solues sejam muito distorcidas.
Cuidado deve ser tomado para evitar que a mutao gere um
cromossomo invlido.

Problemas
Mutao capaz de alterar os cromossomos gerados por cruzamento.

Para representaes binrias a troca faz com que o valor passe de 0(1)
para 1(0).
A maneira mais comum trocar o valor do gene com uma
probabilidade baixa (taxa de mutao) pm .
Cada gene do cromossomo deve ser testado para verificar se pode
ocorrer uma mutao.
O valor da probabilidade da mutao deve ser muito baixa para evitar
que boas solues sejam muito distorcidas.
A probabilidade que um indivduo xi de n genes sofra mutao igual
P(xi ) = 1 (1 pm )n
Mutaes em binrios
Uniforme: posies de bits so escolhidas e estes bits so

complementados ou no com um probabilidade pm .
Ordenadamente: dois pontos do cromossomo sao escolhidos aleatoriamente
e somente os bits entre estes dois limites podem sofrem
mutao.

Algoritmo para Mutao Uniforme
Entrada: Novo indivduo ~ bi

Sada: Novo indivduo b i aps sofrer mutao uniforme
incio
para j = 0 at n 1 faa
se rand() pm ento
// complementa bit
i (j)
bi (j) = b
fim se
fim para
fim
Algoritmo para Mutao Ordenada
Entrada: Novo indivduo ~ bi

Sada: Novo indivduo b i aps sofrer mutao uniforme
incio
// Seleciona primeiro ponto de mutao entre 0 e n 1
t1 = rand(0, n 1)
// Seleciona segundo ponto de mutao entre 0 e n 1
t2 = rand(0, n 1)
para j = t1 at t2 faa
se rand() pm ento
// complementa bit
i (j)
bi (j) = b
fim se
fim para
fim

Mutao Uniforme em Representaes Ponto Flutuante
xi + rand(0, xmax,i xi ) if rand() 0.5

xi =
xi rand(0, xi xmin,i ) if rand() > 0.5
Entrada: Novo indivduo xi

Sada: Novo indivduo xi aps sofrer mutao uniforme
incio
// Gera um nmero randmico entre 0 e 1.
t = rand()
se t 0.5 ento
xi = xi + rand(0, xmax,i xi )
seno
xi = xi rand(0, xi xmin,i )
fim se
fim
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Condies de Parada I
Limite de Geraes: o algoritmo para quando um nmero de geraes

predefinido atingido.
Limite de Tempo: o algoritmo para quando um tempo mximo predefinido
foi ultrapassado.
Limite de Aptido: o algoritmo para quando uma soluo aceitvel for
encontrada. Considere que x (t) representa um valor
aceitvel de soluo, se f (xi (t)) kf (x (t)) k o algoritmo
pode parar. Se o valor de for muito pequeno ento o
algoritmo pode no terminar.
Condies de Parada II
Sem melhor: Se durante um nmero determinado de geraes nenhum

indivduo supera o melhor atual ento o algoritmo pode ser
interrompido.
Sem mudanas: Se durante um nmero determinado de geraes no h
mudanas na informao contida nos gentipos o algoritmo
pode parar.
Soluo no satisfatria: Se o melhor indivduo encontrado no agrada
ento alternativas podem ser procuradas.
Aumentar a taxa de mutao para expandir o espao de
explorao do algoritmo e tentar sair do possve mnimo
local.
Aplicar a tcnica do dilvio e destruir a populao atual
comeando do zero.

Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Paralelismo
Algoritmos genticos so facilmente paralelizveis.

Trs categorias principais podem ser identificadas:
Populaes nicas com avaliao de aptido sendo distribuda entre
vrios processadores.
Populaes nicas com cada indivduo avaliado por um processador.
Multipopulaes ou algoritmos genticos em ilhas.

Ilhas
Ilhas

Ilhas
Mltiplas populaes so usadas, cada uma podendo ser resolvida em

paralelo.
Informao trocada entre populaes com uma poltica de migrao
definida.
Este mtodo tambm pode ser executado serialmente.
Seleo, cruzamento e mutao ocorrem independentemente nas
populaes das ilhas.
Polticas de Migrao
Topologia da comunicao entre as ilhas.

Populaes isoladas dificultam troca de informaes
Permitem aparecimento de mltiplas solues.
Comunicao facilitada pode levar a convergncia prematura.

Topologias
Exemplo simples: um anel.

Trocas entre vizinhos.
Trocas dinmicas
Origem e destino so encontrados probabilisticamente (por exemplo,
torneios).
Polticas de aceitao de migrantes so possveis.
Taxa de migrao
Determina a frequncia da migrao.

Tambm necessrio determinar quando a migrao ir ocorrer.
Migrao usualmente ocorre quando cada populao convergiu.
Aps a troca de indivduos todas as populaes so reiniciadas.

Seleo e Substituio
Quem ir migrar?
Quem ser substitudo?
Um bom migrante substitui um indivduo ruim.
Um bom migrante substitui um indivduo qualquer.
Um migrante qualquer substitui um indivduo ruim.
Um migrante qualquer substitui um indivduo qualquer.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Algoritmos Genticos Geracionais
Nos algoritmos mostrados at agora toda uma gerao de indivduos

substituda na fase de reproduo.
Este tipo de estratgia para reposio de indivduos chamada
geracional.
Algoritmos Genticos que empregam esta estratgia so chamados
Algoritmos Genticos Geracionais (AGG).
Isto no o que normalmente ocorre na natureza.
Algoritmos Genticos de Estado Estacionrio
Nos algoritmos genticos de estado estacionrio (AGEE) h

cohabitao entre indivduos de geraes diversas.
Uma vez que um indivduo gerado e sofre mutao ocorre uma
deciso sobre entre a sobrevivncia do novo indivduo e algum da
populao atual.
O grau de cohabitao chamado de diferena entre geraes.
Isto no o que normalmente ocorre na natureza.

Estratgias de Substituio
Pior: o novo indivduo substitui o pior indivduo da populao.

Aleatrio: o novo indivduo substitui um indivduo escolhido
aleatoriamente da populao atual.
Torneio da Morte: um grupo de indivduos selecionado aleatoriamente e
o pior indivduo deste grupo substitudo.
Torneio com Dupla: dois indivduos so selecionados e o pior indivduo
substitudo com probabilidade, 0.5 ps 1.
Substitui o mais Antigo: Substituir o indivduo mais antigo da populao.
Esta estratgia tem o inconveniente de ter alta probabilidade
de substituir um dos melhores.
Estratgias de Substituio
Seleo Conservadora: Combina a substituio do mais antigo com o

torneio com duplas. Nesta estratgia ocorre um torneio entre
dois indivduos em que um deles sempre o mais antigo e o
pior substitudo pelo novo indivduo. Isto garante que o
mais antigo no ser substitudo se for o melhor de todos.
Pai-Filho: Uma estratgia de seleo qualquer usada para decidir se o
filho substitui um dos pais.
Elitismo: As estratgias acima podem usar elitismo para evitar que os
melhores indivduos so excludos do processo de substituio.

O Algoritmo Estado Estacionrio
incio
Gera populao inicial P
Avalie cada indivduo da populao
t=0
enquanto condio de parada no satisfeita faa
Seleciona pais a partir de P
Recombine pais e gere filho
Aplique mutao no filho
Selecione indivduo a ser substitudo
Insira filho em P
t =t+1
fim enqto
Retorne melhor indivduo de P como soluo
fim
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Exemplo
Considere o problema de achar o mximo da funo

y = sin(10 x) sin(x).
Parmetros:
Populao = 20
Geraes = 30
Probabilidade de cruzamento=0.85
Probabilidade de mutao = 0.01
Bits para codificao = 8
Ex: ./ex1/roda.m
Representao
Usaremos um vetor binrio de 8 bits para representar os valores reais

da varivel x.
O domnio da varivel x = [0 . . . 3] tem comprimento 3 e escolhemos
uma representao com 8 bits.
8 bits dividem o domnio em 281 fatias
A converso de vetor binrio para real se faz em dois passos:
Converte o vetor binrio da base 2 para 10 (valor x).
Acha o valor de x:
x = 0 + x (3/(28 1))

Representao: exemplo
Considere x= 00010001.
Portanto: x= 17.
Logo: x = 0 + 17 (3/255) = 0.2
Populao inicial
Considere o tamanho da populao igual a 20.

Gerar aleatoriamente 20 nmeros binrios com 8 bits.

Exemplo de populao inicial
Geracao: 1 Melhor: 01111111 > 0.69179 Media: 0.10544

1
y = sin(10x) * sin(x)
0.8
2 1
0.6
3
0.4 4
5 6
8 7
0.2
11 9 13 10
12
0
14 15
y
0.2
0.4 16 18 17
19
0.6
0.8
20
1
0 0.5 1 1.5 2 2.5 3 3.5
x
Figura: Exemplo de populao inicial.
Exemplo de final ruim

1
y = sin(10x) * sin(x)
0.8 3
2
1
0.6 10
9
8
7
6
5
4
15
14
13
12
11
16
0.4 17
0.2
18
0
y
0.2 19
0.4 20
0.6
0.8
1
0 0.5 1 1.5 2 2.5 3 3.5
x
Figura: Exemplo de final ruim.

Evoluo at final ruim
0.8
0.6
0.4
0.2
Fitness
0.2
0.4
0.6 Best
Average
0.8
Poorest
1
0 5 10 15 20 25 30
Generations
Figura: Evoluo at final ruim.
Exemplo de final bom

1
13
2 y = sin(10x) * sin(x)
0.8 8
7 4
6
5
0.6
10
9
12
11
0.4
15
14
13
0.2 16
0
17 18
y
0.2
20
19
0.4
0.6
0.8
1
0 0.5 1 1.5 2 2.5 3 3.5
x
Figura: Exemplo de final bom.

Evoluo at final bom
0.8
0.6
0.4
0.2
Fitness
0
Best
0.2
Average
0.4 Poorest
0.6
0.8
1
0 5 10 15 20 25 30
Generations
Figura: Evoluo at final bom.
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Elitismo
Modificao no algoritmo de gerao da populao.

Os n melhores indivduos de cada gerao so levados para a prxima
gerao.
Por exemplo, em uma populao de p indivduos com elitismo n
somente p n indivduos precisam ser gerados por cruzamentos.
Tabela de elitismo
Elitismo = 2.
Indivduo Ao
1 Mantido
2 Mantido
3 Livre para cruzamento

Exemplo com elitismo
Populao = 20, Elitismo = 2.

1
11
9
8
7
6
5
4
3
2
1
16
15
14
13
12
170
0.8
20
19
18 y = sin(10x) * sin(x)
0.6
0.4
0.2
0
y
0.2
0.4
0.6
0.8
1
0 0.5 1 1.5 2 2.5 3 3.5
x
Figura: Exemplo com elitismo.
Evoluo com elitismo
0.8
0.6
0.4
0.2
Fitness
0
Best
0.2
Average
0.4 Poorest
0.6
0.8
1
0 5 10 15 20 25 30
Generations
Figura: Evoluo com elitismo.

Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Funo ga
Encontra o mnimo de uma funo usando algoritmos genticos.

Sintaxe bsica:
x = ga(fitnessfcn, nvars)
Encontra um mnimo x local sem restries, sujeito a funo
fitnessfcn.
nvars o nmero de variveis da funo.
A funo objetivo, fitnessfcn, aceita um vetor x de tamanho 1 por
nvars e retorna um escalar avaliado no ponto x.

Funo ga completa
x = ga(fitnessfcn, nvars, A, b, Aeq, neq, LB, UB, nonlcon, options)

Restries: A x b, A tem tamanho m nvars e b vetor de
comprimento m.
Igualdades lineares: Aeq x = beq Aeq tem tamanho r nvars e beq
vetor de comprimento r .
Limites: LB e UB limites superiores e inferiores das variveis x.
Restries no lineares definidas em nonlincon
Opes: estrutura options com diversos parmetros que definem como
o algoritmo ser executado. Esta estrutura pode ser criada com a
funo gaoptimset.
Rodar ex1cMatlab.m
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Aprendendo estratgia
O dilema dos prisioneiros.

Dois prisioneiros em celas diferentes.
Impossvel se comunicarem.
Cada um deles pode acusar o outro (A) ou ficar calado/cooperar (C).
Resultados em Michalewicz apud Axelrod
Punies Prmios
Jogador 1 Jogador 2 Pontos J1 Pontos J2 Comentrio

Acusa Acusa 1 1 Punio
Acusa Coopera 5 0 Tentao
Coopera Acusa 0 5 Tentao
Coopera Coopera 3 3 Prmio

O dilema
Cada um dos prisioneiros deve decidir se deve cooperar com o outro

prisioneiro ou trair e procurar uma pena menor.
Como jogar?
Jogo entre dois jogadores.

Em cada jogada os jogadores decidem o que fazer.
Pontos so atribudos de acordo com a tabela.
Aps um certo nmero de jogadas, o jogador com mais pontos vence.

Representando as estratgias I
Considerar estratgias determinsticas.

Considerar os resultados das trs ltimas jogadas para decidir o que
fazer.
Desde que h 4 possibilidades temos 4x4x4=64 histrias diferentes.
Representando as estratgias II
64 bits indicam o que fazer para cada uma histria possvel (acusar ou
cooperar)
Podemos usar seis bits para representar as trs jogadas iniciais
(imaginrias) para a primeira jogada.
Total de 70 bits.

Representando as estratgias III
Possvel cromossomo: AACCA...ACC

Considerando o bit mais direita como a estratgia 1 (= C cooperar)
e o mais esquerda como estratgia 70 (=A acusar).
A estratgia 3 tem como prxima jogada A=acusar
Esta estratgia pode estar representando a histria: CC; AC; CA
Algoritmo I
Escolha uma populao inicial. Cada jogador recebe uma cadeia

aleatria de bits (As e Cs), representando uma estratgia.
Teste cada jogador para testar sua eficcia. O resultado de cada
jogador a mdia de todos os jogos.
Selecione os jogadores que iro reproduzir.
Um jogador mediano recebe um parceiro; um jogador acima de um
desvio padro acima da mdia recebe dois; um ruim nada.
Os jogadores so casados e usa-se mutao.
Assim temos uma nova gerao.

Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
Ambientes Dinmicos
Otimizao de uma funo que varia com o tempo.

Aptido varia com tempo.
Considerar variaes suaves.
Reavaliaes dos indivduos no so desejveis pois so caras.
Soluo Proposta (Vinicius Santos): Algoritmos Genticos Estado
Estacionrio Adaptativo.

Jogos como Ambientes Dinmicos
Considere a criao de um NPC (Non Player Character) para jogar

contra um humano.
Aptido do humano varia com tempo.
Considerar variaes suaves.
O NPC dever se adaptar a evoluo do jogador.
Reavaliaes dos indivduos no so desejveis pois so caras.
Soluo Proposta (Vinicius Santos): Algoritmo Gentico de Estado
Estacionrio Adaptativo.
Modificaes
Alterao da funo de aptido.

Componente do tempo passa influenciar a soluo.
A avaliao de cada indivduo vai variar com o tempo.
Comentrio sobre notao.
Funo de avaliao antes: s (xi (t)), a funo de avaliao depende
somente do indivduo xi (t). O t apenas denota a gerao.
Funo de avaliao adaptativa dependente do tempo: sa (xi (t), t), a
funo de avaliao depende do indivduo xi (t) e do tempo t.

Modificaes
sa (xi (t), t) = s (xi (t))h(ti , t)

O valor da avaliao vai ser alterado de acordo com uma funo do
tempo.
Uma possibilidade h(ti , t) = btti onde ti o tempo em que o
indivduo foi inserido na populao.
Objetivos
Reduzir a chance de um indivduo ruim se reproduzir.

Reutilizar no novo contexto, a informao gerada anteriormente sobre
os indivduos da populao.

Modelagem do Jogador Humano
r (t) = 1 (1 ri )e t
onde ri habilidade inicial do jogador e modela a velocidade com que o
jogador aprende.
Figura: Aprendizado Jogador
Section Summary
1 Introduo
2 Termos e Definies
3 Algoritmo Gentico
4 Codificao
5 Populao
6 Seleo
7 Cruzamento
8 Mutao
9 Condies de Parada
13 Elitismo
15 Outro exemplo
17 O FIM
The End

Geneticoshandout 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

Geneticoshandout PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Algoritmos Genticos

Adriano Joaquim de Oliveira Cruz

Universidade Federal do Rio de Janeiro

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 1 / 155

Nas minhas investigaes debaixo do sol, vi ainda que a

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 4 / 155

Adriano Joaquim de Oliveira Cruz.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 5 / 155

Existem problemas para os quais algoritmos

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 6 / 155

Tcnica prtica e robusta de busca e

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 7 / 155

Encontrar o mximo (mnimo) de uma funo.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 8 / 155

A metfora que est por trs dos AGs a da seleo natural.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 9 / 155

H na natureza evoluo no sentido de melhoria?

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 10 / 155

No seria mais apropriado falar

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 11 / 155

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 13 / 155

Na natureza a competio por recursos escassos em ambientes hostis

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 14 / 155

Cadeias organizadas de ADN (DNA) e protenas encontrados nas

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 15 / 155

Seres Vivos - Cromossomos

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 16 / 155

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 17 / 155

Seres Vivos - Protenas

Protenas so a base de funcionamento das clulas.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 18 / 155

Responsveis por caractersticas especficas de cada ser.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 19 / 155

DNA armazena informao gentica nos indivduos.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 20 / 155

Cromossomos so encontrados em pares.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 21 / 155

Operadores de recombinao e mutao no garantem que os

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 22 / 155

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 23 / 155

Algoritmos Genticos: baseados na evoluo (adaptao) gentica.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 24 / 155

Indivduos representam solues potenciais em uma populao.

Gene X Gene Y Gene Z

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 26 / 155

AGs mantm um conjunto de indivduos formando populaes de

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 27 / 155

A cada gerao o AG cria uma nova populao.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 28 / 155

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 29 / 155

Uma representao das solues potenciais.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 30 / 155

Paralelo: mantm uma populao de solues que podem ser avaliadas

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 31 / 155

A codificao pode, por exemplo, mapear pontos no espao de

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 33 / 155

Codificao Binria de uma Soluo

Considere uma funo f (x) de v variveis, ou seja

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 34 / 155

Considere que uma varivel x codificada em 16 bits.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 35 / 155

Suponha que precisamos de D casas decimais.

Adriano Cruz (DCC-UFRJ) AGs Maio 2013 36 / 155