Evolução Diferencial

ERIC MORAES
MARCOS ALBERTO
MARLON CAVALCANTI
 Roteiro

1. Histórico
2. Problema
3. Evolução Diferencial
4. Operadores
5. Parâmetros
6. Critérios de Parada
7. Variações
8. Aplicações
9. Conclusão
10. Referências
 Histórico

Evolução diferencial é um processo de busca estocástico

baseado em população

Nasceu da tentativa de resolver o polinômio de Chebychev

3º lugar no Firts International Contest on Evolutionary

Computationary (1stICEO)

Compartilha similaridade com outros Algoritmos

Evolucionário
 Problema

 A representação binária

 Por exemplo: Chromosome = [player,goalkeeper] =

[x,y,power,x,y,weight,height] = [2,3,100,3,3,4,5] => [0010, 0011,
1100100, 0011, 0011, 0100, 0101] = [0010 0011 1100100 0011 0011
0100 0101]

 Otimizar problemas com variáveis contínuas

 Soluções parciais
Solução Inicial
 Desvantagens da Representação Binária

A representação em Gray Coding pode ser convertida em ponto-flutuante

usando:
 Evolução Diferencial

 Informações de Distância e Direção da população atual é usada na

busca

 Tamanhos dos passos da mutação são calculados por uma função de

distribuição de probabilidade. DE difere de outros algoritmos
evolucionários:
 Mutação é aplicada primeiro para gerar um vetor de teste que será usada no cruzamento
 Tamanho do passo da mutação não é calculada segundo uma distribuição de probabilidade
conhecida
Pseudocódigo
Esquema
Operador de Mutação
Exemplo
 Operador de Cruzamento

Vetor que sofreu mutação

+
Vetor pré-selecionado
=
Vetor Experimental

Aumentar diversidade
Vetor resultante
 ui, G+1 = (u1i, G+1, u2i, G+1,...,uDi, G+1)
 Operador de Cruzamento
x’ ij =
 uij(t), se j є J
 xij (t), caso contrário
 Operador de Cruzamento

Cruzamento Binomial: os pontos de cruzamento são

selecionados aleatoriamente dentro da dimensão do
problema;
Cruzamento Exponencial: os pontos de cruzamento
são selecionados sequencialmente dentro das
dimensões do problema, em forma de uma lista
circular.
 Operador de Seleção

Caso o vetor experimental possuir fitness melhor que

o do vetor escolhido, então o vetor escolhido será
substituído pelo vetor experimental na próxima
geração.
Caso o vetor escolhido possua fitness melhor que o
vetor experimental, então o vetor escolhido
permanece na população para a próxima geração.
Exemplo (Cont.)
Exemplo (Cont.)
 Parâmetros

Número de indivíduos

Fator de Escala (β)

Probabilidade de recombinação (Pr)

 Critérios de Parada

Número máximo de gerações for atingido

Não for observada nenhuma melhoria no melhor
indivíduo em um número consecutivo de gerações
Não for observada nenhuma alteração na
população em um número de gerações
Uma solução aceitável for encontrada
O delta da função objetivo for aproximadamente
zero
 Variações

ED/x/y/z

x - Indica o método de seleção do indivíduo de

destino

y - Indica o número de vetores diferenciais utilizados

 1 -> N

z - Indica o método de cruzamento utilizado

 Binomial ou Exponencial
 Variação dos Métodos de Seleção do
Indivíduo de Destino

Aleatório (rand)

Melhor (best)

Aleatório para o melhor (rand-to-best):

 Novo parâmetro

 Atual para o melhor (current-to-best):

Variações
 Multi-objective Differential Evolution
(MODE)

Variação do DE com foco em problemas

multiobjetivos.

A solução ótima será um conjunto de soluções

igualmente boas (Ótimo de Pareto)

Foram propostas duas modificações ao DE original

 Como promover diversidade na população?
 Como selecionar e/ou reter os melhores indivíduos?
 Multi-objective Differential Evolution
(MODE)

Com o objetivo de promover diversidade, o MODE

utiliza o conceito de fitness sharing, os indivíduos
são penalizados de acordo com sua proximidade a
outros indivíduos em sua vizinhança

O elitismo é incorporado pelo uso de um arquivo

externo que armazena as soluções “ótimo de Pareto”
obtidas durante a busca
 Aplicações

Treinamento de redes neurais [3]

Telecomunicações [4]
Otimização e Controle [5]
Análise de imagens, clusterização, projeto de
sistemas, etc.
 Conclusão

• O algoritmo de Evolução Diferencial é uma abordagem simples

e robusta para tratar de funções multimodais

• O uso de números reais para representação da solução traz

vantagens como, maior precisão na solução e melhor
representação do domínio do problema

• Rapidez na convergência e menos chamadas a função fitness

• Sua performance está diretamente relacionada ao quanto

comportado é seu espaço de busca.
 Referências

[1] Storn, R. e Price, K., “Differential Evolution - a Simple and Efficient Adaptive Scheme for
Global Optimization over Continuous Spaces” ,Technical Report TR-95-012, ICSI, 1995.

[2] Storn, R. e Price, K.,“Differential Evolution - a Simple and Efficient Heuristic for Global
Optimization over Continuous Spaces”, Journal of Global Optimization, Kluwer Academic
Publishers, vol. 11, pp. 341 -359, 1997.

[3] Masters, T. e Land, W., “A new training algorithm for the general regression neural
network”, Proceedings of IEEE International Conference on Systems, Man, and Cybernetics,
pp. 1990 - 1994, 1997.

[4] Mendes, S.P., Gomez Pulido, J.A., Vega rodriguez, M.A., Jaraiz simon, M.D. e Sanchez Perez,
J.M.,“A Differential Evolution Based Algorithm to Optimize the Radio Network Design
Problem”, Proceedings of the Second IEEE International Conference on e-Science and Grid
Computing, 2006.

[5] Babu, B.V. e M.M.L. Jehan, “Differential Evolution for Multi-Objective Optimization”,
Proceedings of IEEE Congress on Evolutionary Computation, pp. 2696-2703, 2003.