Escolar Documentos
Profissional Documentos
Cultura Documentos
Captulo 8
Prof. Ricardo Linden
Superindivduo
Um ou mais indivduos cuja avaliao muito
superior quela dos outros membros da
populao.
Este indivduo ou este grupo ser quase
sempre escolhido pelo mdulo de seleo
Causa uma perda imediata da diversidade
gentica
nas
geraes
imediatamente
subsequentes.
Algoritmos Genticos - Cap
Superindivduo
Exemplo Seja a populao dada por:
Indivduo
Avaliao
10000
256
00100
16
00001
00011
00010
286
Superindivduo
Exemplo (cont):
Mtodo da roleta viciada: o primeiro indivduo ser
selecionado cerca de 256/28690% das vezes.
Isto far com que percamos as caractersticas
benficas de vrios outros indivduos
f 6 ( x, y ) 999,5
sen 2 ( x 2 y 2 ) 0,5
(1,0 0,001 * ( x 2 y 2 )) 2
Normalizao
Coloque
os
cromossomos
em
ordem
decrescente de valor;
Crie novas funes de avaliao para cada um
dos indivduos da seguinte maneira:
o melhor de todos recebe um valor fixo (k);
os outros recebam valores iguais ao do indivduo
imediatamente anterior na lista ordenada menos um
valor de decremento constante (t).
Matematicamente:
aval0 = k
avali=avali-1 - t
Algoritmos Genticos - Cap
10
Normalizao
Esta tcnica resolve o problema do superindivduo e o
problema de aglomerao das funes de avaliao;
Cria mais um problema: h mais dois parmetros para
otimizar.
A escolha de k e de t crtica para o desempenho do
sistema
valor de t muito pequeno faz-nos ficar em uma situao
extremamente parecida quela especificada no caso n 2
um valor muito grande de t pode criar desigualdades
artificiais entre indivduos que anteriormente tinham
valores de avaliao extremamente prximos
11
Normalizao
Caso queiramos estabelecer a diferenciao de forma mais
acentuada, podemos pensar em usar uma tcnica de
normalizao no linear sobre a avaliao de todos os
indivduos da populao;
Este mtodo consiste em aplicar aos valores da avaliao por
uma funo no linear.
O problema encontrar uma funo que atenda os propsitos
de resolver nossos problemas sem criar novas situaes
difceis de esclarecer pelo nosso GA.
Por exemplo: podemos resolver o problema do superindivduo
usando uma funo de normalizao logartmica .
12
Windowing
Existem situaes em que as diferenas
absolutas entre os indivduos so muito
pequenas, apesar de haver indivduos que
possuem caractersticas bastante superiores a
outros.
Motivos:
convergncia gentica;
caracterstica inerente
utilizada.
da
funo
de
avaliao
13
Windowing
Tcnica:
Designe para cada um dos cromossomos uma avaliao
que seja igual quantidade que excede este valor mnimo.
A subtrao de um pequeno valor feita de forma a que o
indivduo de menor avaliao no passe a ter uma fitness
igual a zero, o que faria com que ele nunca fosse
selecionado.
14
Windowing
Exemplo
Windowing
indivduo
diminuindo
19,0
de
cada
15
Windowing
A escolha do valor arbitrrio que vai ser diminudo da
menor avaliao existente entre os indivduos muito
importante
Esta estimao vai determinar a relao entre o maior
valor e o menor.
O valor a ser diminudo dos indivduos tambm pode ser
calculado atravs de um parmetro que pode ser
modificvel com o passar das geraes, e no ser
dependente das avaliaes da populao.
Este mtodo no resolve o problema do superindivduo.
Algoritmos Genticos - Cap
16
Escalonamento Sigma
Busca tornar o GA menos suscetvel convergncia
gentica prematura.
O princpio do escalonamento sigma modificar a
funo de avaliao de um indivduo (f(i)) pela frmula:
1, (t ) 0
f (i ) f (t ) , (t ) 0
1 2 (t )
E (i, t )
f (i ) a avaliao do indivduo i
f (t ) a avaliao mdia da populao no instante t
(t ) o desvio padro das avaliaes no instante t
17
Escalonamento Sigma
Se o desvio padro igual a zero, ento todos os
indivduos tm avaliaes iguais, o que implica em que
devem receber a mesma chance de ser sorteados para
se submeter a um operador gentico.
Se a funo se torna negativa para algum indivduo
(caso de indivduos cuja avaliao est mais de dois
desvios-padro abaixo da mdia da populao no
instante t podemos atribuir-lhe um valor arbitrrio baixo
(por exemplo, 0,1), para que eles tenham uma chance,
mesmo que pequena, de ser selecionados.
18
Escalonamento Sigma
Este mtodo automaticamente compensa as alteraes
nas caractersticas das avaliaes de toda a populao
durante a execuo do GA.
No comeo, como o desvio padro da populao tende
a ser muito alto, devido inicializao aleatria, os
indivduos mais aptos no dominaro excessivamente a
populao.
Ao fim da execuo, como a populao tende a
convergir para um conjunto fechado de elementos, com
funes de avaliao extremamente prximas, o desvio
padro cai muito fazendo com que os melhores
indivduos se destaquem, o que permite que a evoluo
continue, mesmo sob forte convervncia gentica.
19
Preservando a diversidade
Existem alguns mtodos de preservao de
diversidade;
Estes mtodos so baseados na incorporao
de informao sobre a distribuio de
densidade dos indivduos.
Quanto maior a densidades de indivduos na
sua vizinhana, menores sero as chances de
um indivduo ser selecionado
Algoritmos Genticos - Cap
20
Preservando a diversidade
O objetivo de incorporar a funo de
densidade consiste em eliminar um efeito
esprio da convergncia gentica que o fato
de haver vrias solues que representam
aproximadamente os mesmos esquemas.
Estes elementos, que muitas vezes tm boas
avaliaes, dominaro o processo de seleo,
sendo escolhidos para pais vrias vezes.
21
Preservando a diversidade
Mtodos interessantes:
Vizinho mais prximo (Nearest-Neighbour)
Definem um valor baseado na distncia entre o
elemento e seu k-simo vizinho mais prximo;
Grande impacto em termos de tempo;
Podem comear apenas em geraes avanadas.
Histogramas
Definem uma hipergrade;
Vem quantos elementos esto situados no
mesmo hiper-espao que o indivduo corrente;
Hipergrade pode ser fixa ou varivel
Algoritmos Genticos - Cap
22
Preservando a diversidade
Uma vez determinada a funo de densidade, esta pode
ser incorporada funo de avaliao:
somada
multiplicada.
23