Escolar Documentos
Profissional Documentos
Cultura Documentos
OTIMIZACAO
MULTI-OBJETIVO
Aula 02 - Meta-heursticas Populacionais
20 de setembro de 2016
1 / 59
Meta-heursticas Populacionais
2 / 59
Meta-heursticas Populacionais
Algoritmos Geneticos (AGs)
Particle Swarms Optimization (PSO)
3 / 59
Algoritmos de Inspiracao Biologica
4 / 59
Otimizacao com algoritmos geneticos
I Funcionamento
I Propriedades
I Exemplos
I Extensoes ao algoritmo basico
5 / 59
Algoritmos Geneticos (AGs)
6 / 59
Modo de Funcionamento
7 / 59
Terminologia
I Populacao:
I Conjunto de solucoes processadas pelo algoritmo
I Geracao:
I Iteracao do algoritmo
I Indivduos (cromossomas):
I Solucao que faz parte de uma populacao
I Genes:
I Constituintes basicos de uma solucao
8 / 59
Terminologia
I Populacao:
I Conjunto de solucoes processadas pelo algoritmo
I Geracao:
I Iteracao do algoritmo
I Indivduos (cromossomas):
I Solucao que faz parte de uma populacao
I Genes:
I Constituintes basicos de uma solucao
8 / 59
Terminologia
I Populacao:
I Conjunto de solucoes processadas pelo algoritmo
I Geracao:
I Iteracao do algoritmo
I Indivduos (cromossomas):
I Solucao que faz parte de uma populacao
I Genes:
I Constituintes basicos de uma solucao
8 / 59
Terminologia
I Populacao:
I Conjunto de solucoes processadas pelo algoritmo
I Geracao:
I Iteracao do algoritmo
I Indivduos (cromossomas):
I Solucao que faz parte de uma populacao
I Genes:
I Constituintes basicos de uma solucao
8 / 59
Aplicacao de AGs
9 / 59
Aplicacao de AGs
9 / 59
Aplicacao de AGs
9 / 59
Aplicacao de AGs
9 / 59
Aplicacao de AGs
9 / 59
Aplicacao de AGs
9 / 59
Representacao
I Binaria
I Real
I Lista
I Regras
I Caracteres
10 / 59
Representacao
I Binaria
I Real
I Lista
I Regras
I Caracteres
10 / 59
O Problema da Mochila
11 / 59
O Problema da Mochila
11 / 59
O Problema da Mochila
11 / 59
O Problema da Mochila
11 / 59
O Problema da Mochila
objeto(j) 1 2 3 4 5 6 7 8
valor (cj ) 5 8 7 6 9 5 4 3
peso(wj ) 10 18 12 14 13 11 8 6
Capacidade da mochila b = 35
N
X
Funcao Objetivo: xi ci
i=1
N
X
Restricao: xi wi b
i=1
12 / 59
O Problema da Mochila
objeto(j) 1 2 3 4 5 6 7 8
valor (cj ) 5 8 7 6 9 5 4 3
peso(wj ) 10 18 12 14 13 11 8 6
Capacidade da mochila b = 35
N
X
Funcao Objetivo: xi ci
i=1
N
X
Restricao: xi wi b
i=1
12 / 59
O Problema da Mochila
I Representar solucoes:
I Identificar objetos selecionados para entrar na mochila
I Problema com N objetos Sequencia binaria com N posicoes
I Exemplos de solucoes para o problema com 8 objetos:
I {11000101}
I {00100111}
13 / 59
O Problema da Mochila
I Representar solucoes:
I Identificar objetos selecionados para entrar na mochila
I Problema com N objetos Sequencia binaria com N posicoes
I Exemplos de solucoes para o problema com 8 objetos:
I {11000101}
I {00100111}
13 / 59
O Problema da Mochila
I Representar solucoes:
I Identificar objetos selecionados para entrar na mochila
I Problema com N objetos Sequencia binaria com N posicoes
I Exemplos de solucoes para o problema com 8 objetos:
I {11000101}
I {00100111}
13 / 59
O Problema da Mochila
I Representar solucoes:
I Identificar objetos selecionados para entrar na mochila
I Problema com N objetos Sequencia binaria com N posicoes
I Exemplos de solucoes para o problema com 8 objetos:
I {11000101}
I {00100111}
13 / 59
O Problema da Mochila
I Representar solucoes:
I Identificar objetos selecionados para entrar na mochila
I Problema com N objetos Sequencia binaria com N posicoes
I Exemplos de solucoes para o problema com 8 objetos:
I {11000101}
I {00100111}
13 / 59
Solucoes invalidas no espaco de procura
I O que fazer?
14 / 59
Avaliacao com Penalizacao
XN
xi ci se solucao for valida
Qualidade(S) = i=1
0 caso contrario
15 / 59
Avaliacao com Penalizacao
N
X
Qualidade(S) = xi ci Pen(S)
i=1
0
se solucao for valida
N
!
Pen(S) = X
xi wi b caso contrario
i=1
16 / 59
AG: Simulacao de uma iteracao
Tamanho da populacao
17 / 59
Selecao
18 / 59
Selecao
19 / 59
Transformar Solucoes: Cruzamento
20 / 59
Transformar Solucoes: Cruzamento
20 / 59
Operador de Recombinacao: Exemplo
21 / 59
Cruzamento
22 / 59
Diversificar Solucoes: Mutacao
23 / 59
Diversificar Solucoes: Mutacao
23 / 59
Operador de Mutacao: Exemplo
24 / 59
Mutacao
25 / 59
Avaliacao dos Descendentes
26 / 59
AG: Estrutura Generica
27 / 59
Resumo
I E necessario definir:
I Representacao
I Funcao de avaliacao
I Metodo de selecao
I Operadores geneticos (cruzamento + mutacao)
I Parametros:
I Tamanho da populacao
I Criterio de paragem
I Tamanho do torneio
I Probabilidade de cruzamento e de mutacao
28 / 59
AG: Caractersticas
I Vantagens:
I Pesquisa competitiva
I Equilbrio conservacao / exploracao Selecao vs. Transformacao
I Robustez
I Limitacoes:
I Convergencia prematura
I Fine-tuning pouco eficiente
29 / 59
Reparar Solucoes Invalidas
30 / 59
Problema da Mochila: Algoritmo de Reparacao
I Ideia:
I Retirar objetos enquanto a capacidade da mochila for excedida
31 / 59
Problema da Mochila: Representacao Alternativa
32 / 59
Problema da Mochila: Representacao Alternativa
33 / 59
Problema da Mochila: Representacao Alternativa
34 / 59
Problema da Mochila: Representacao Alternativa
34 / 59
Operadores Geneticos para Permutacoes: Cruzamento
35 / 59
Operadores Geneticos para Permutacoes: Cruzamento
36 / 59
Operadores Geneticos para Permutacoes: Cruzamento
37 / 59
Operadores Geneticos para Permutacoes: Mutacao
38 / 59
Arquiteturas alternativas
I Modelos steady-state
39 / 59
Arquiteturas alternativas
I Abordagens Hbridas
40 / 59
Meta-heursticas Populacionais
Algoritmos Geneticos (AGs)
Particle Swarms Optimization (PSO)
41 / 59
Particle Swarms Optimization (PSO)
42 / 59
Particle Swarms Optimization (PSO)
42 / 59
Particle Swarms Optimization (PSO)
43 / 59
Elementos do algoritmo PSO:
44 / 59
Elementos do algoritmo PSO:
45 / 59
Ideia basica: comportamento cognitivo
46 / 59
Ideia basica: comportamento social
47 / 59
PSO: Fluxograma
48 / 59
Atualizacao de velocidade e posicao
49 / 59
PSO: Algoritmo
50 / 59
PSO: Exemplo
51 / 59
PSO: Exemplo
52 / 59
PSO: Exemplo
53 / 59
PSO: Exemplo
54 / 59
PSO: Interpretacao Geometrica
55 / 59
PSO: Melhoramentos
56 / 59
PSO: Dificuldades
57 / 59
PSO: Dificuldades
58 / 59
Referencias:
59 / 59