Escolar Documentos
Profissional Documentos
Cultura Documentos
br
Marco Aurélio C.Pacheco
Equação 3
A representação binária, entretanto, nem
sempre pode ser empregada; o problema muitas fi
pi =
vezes exige um alfabeto de representação com mais N
símbolos. Qualquer que seja a representação ∑f i
empregada, ela deve ser capaz de representar todo o j =1
espaço de busca que se deseja investigar.
Onde N é o número de indivíduos na População.
3 – Decodificação A seleção em GAs é tipicamente
A decodificação do cromossoma consiste implementada por uma roleta onde cada indivíduo é
basicamente na construção da solução real do representado por uma fatia proporcional a sua
problema a partir do cromossoma. O processo de aptidão relativa.
decodificação constrói a solução para que esta seja O operador de seleção é um componente
avaliada pelo problema. A vantagem da essencial de algoritmos genéticos. A literatura
representação binária é a fácil transformação para identifica cinco principais mecanismos de seleção:
inteiro ou real. proporcional, por torneios, com truncamento, por
Na transformação para número real, normalização linear e por normalização
considera-se o intervalo de valores ou comprimento exponencial [5]. Um mecanismo de seleção é
contínuo do domínio (C) dos reais de tal forma que caracterizado pela pressão seletiva ou intensidade
de seleção que o mesmo introduz no algoritmo
Equação 2
genético. O termo pressão seletiva é utilizado em
C diferentes contextos e com significados diferentes
X R = Xb × − X min na literatura de computação evolucionária. A
2 −1
n
definição de intensidade de seleção empregada em
genética é a variação na aptidão média da
Onde XR ∈ [X min,Xmáx]; Xb é o inteiro população induzida pelo método de seleção [5]. A
correspondente ao binário; n é o número de bits de expressão da intensidade de seleção I é dada por:
do cromossoma; e C é o comprimento do domínio
da variável X, dado por C = |X máx – X min|. Equação 4
M * −M
4 – Avaliação I=
A avaliação é o elo entre o GA e o mundo σ
externo. A avaliação é feita através de uma função Onde M é a aptidão média da população,
que melhor representa o problema e tem por M* é o valor esperado da aptidão média após a
objetivo fornecer uma medida de aptidão de cada seleção, e σ é o desvio padrão dos valores de
indivíduo na população corrente, que irá dirigir o aptidão da população antes da seleção.
processo de busca. A função de avaliação é para um No caso de seleção proporcional, a
GA o que o meio ambiente é para seres humanos. probabilidade de um indivíduo ser selecionado é
Funções de avaliação são específicas de cada simplesmente proporcional ao seu valor de aptidão,
problema. No exemplo, a função matemática f(x) = isto é:
x2 mede aptidão de cada indivíduo. Na Tabela 2,
C1 é um indivíduo mais apto que C2. Equação 5
Tabela 2 fi
pi =
Cromossoma x f(x) NM
C1 0 0 1 0 0 1 9 81
C2 0 0 0 1 0 0 4 16 Onde pi é a probabilidade de seleção de
um indivíduo i, fi é a aptidão do mesmo e N é o
5 – Seleção tamanho da população. Demonstra-se que a
O processo de seleção em algoritmos genéticos intensidade de seleção é dada por [5]:
seleciona indivíduos para a reprodução. Equação 6
A seleção é baseada na aptidão dos
indivíduos: indivíduos mais aptos têm maior σ
probabilidade de serem escolhidos para reprodução. I=
M
Assim, se fi é a avaliação do indivíduo i na
população corrente, a probabilidade p i do indivíduo
Isto é, a pressão seletiva é dada pela razão
i ser selecionado é proporcional a
entre o desvio padrão das aptidões e a média das
mesmas. O método de seleção proporcional
apresenta dois problemas: existência de super-
indivíduos e competição próxima [2 ]. O primeiro
ICA: Laboratório de Inteligência Computacional Aplicada - www.ICA.ele.puc-rio.br
Marco Aurélio C.Pacheco
C1 1 1 1 1 0 0 antes
Critério de Seleção
C1 1 1 1 1 0 1 depois da mutação Término
∑f i portanto,
m(H, t + 1 ) = n × ∈n H i
Equação 49
∑f j m( H , t ) = m( H ,0) × (1 + C ) t
j =1
Define-se f(H) como a aptidão média do schema H, Isto significa que o número de
dada por: representantes de H em gerações sucessivas cresce
(ou decresce) exponencialmente durante a
Equação 14 evolução.
∑
∈
f i 3.2. ANÁLISE DO EFEITO DO
f(H) = i H CROSSOVER
m(H,t)
Nesta análise estamos interessados no impacto que
Assim, podemos rescrever m(H, t+1) através da o corte de um indivíduo venha a destruir um
equação abaixo: padrão, não transmitindo-o aos seus descendentes.
Seja pd (H) a probabilidade de destruição
Equação 15 de um schema H pelo crossover de um ponto:
f(H) Equação 20
m(H, t + 1 ) = m(H, t) × n × n
δ (H )
∑f j p d (H ) =
j =1 L −1
Portanto,
ICA: Laboratório de Inteligência Computacional Aplicada - www.ICA.ele.puc-rio.br
Marco Aurélio C.Pacheco
Seja pm a probabilidade do operador de mutação ser A curva média dos melhores indivíduos
aplicado a uma determinada posição do em vários experimentos apresenta o desempenho
cromossoma. Assim a probabilidade de médio de um GA e serve para ajuste de parâmetros.
sobrevivência do cromossoma é dada por: A curva on-line mede a velocidade com
que o GA consegue produzir boas soluções para o
Equação 23
consumo "on- line" das soluções [1].
p s = (1 − p m ) O ( H ) A curva off- line mede o grau de
convergência do GA na criação de soluções mais
aptas, geradas off- line em relação ao problema [1].
Para taxas de mutação p m << 1, temo s
Equação 24 5. TÉCNICAS, PARAMETROS E OUTROS
OPERADORES GENÉTICOS
p s ≅ 1 − pm × O( H )
Técnicas, parâmetros e tipos de operadores
Isto significa que cromossomas de baixa genéticos afetam significativamente o desempenho
ordem tem maiores chances de não serem de um algoritmo genético. Em geral, o algoritmo
destruídos pela mutação. genético é extremamente sensível a introdução ou
Combinando o efeito da seleção, crossover combinação de técnicas empregadas. A escolha de
e mutação, temos: técnicas, parâmetros e tipos de operadores é
empírica, porém em sintonia com o problema.
Equação 25
Podemos classificar as técnicas
f (H) δ(H)
m(H,t +1) ≥m(H,t)× ×1− pc × ×[1−pm×O(H)] empregadas em GAs nas seguintes classes:
f L−1
1- Técnica de Reprodução
2- Técnica de Aptidão
3- Técnica de Interpolação de Parâmetros
A interpretação desta equação nos leva ao
Teorema Fundamental de GAs:
Quanto aos operadores genéticos, os
principais tipos são:
“Schemata curtos e de baixa ordem
tendem a se proliferar ou desaparecer nas gerações
1- Crossover de Um-Ponto
seguintes, de acordo com a aptidão média”.
2- Crossover de Dois -Pontos
3- Crossover Uniforme.
4. DESEMPENHO DE ALGORITMO
GENÉTICOS
ICA: Laboratório de Inteligência Computacional Aplicada - www.ICA.ele.puc-rio.br
Marco Aurélio C.Pacheco
O crossover uniforme apresenta um poder partir de schemata curtos. Sua utilização deve ser,
de destruição maior que o crossover de um ponto e portanto, em ambientes altamente elitistas como na
o de dois pontos que, por sua vez, preservam os reprodução parcial da população (steady state), que
códigos (schemata curtos) compactos. O crossover garantem a permanência dos melhores indivíduos.
uniforme pode prejudicar a formação de padrões a