SISEE Genetic Algorithms Knote

SISEE
Genetic Algorithms
MEE
Thursday, April 7, 2011
SISEE
Algoritmos Genticos
Os Algoritmos Genticos trabalham

com populaes de solues que
so combinadas para obter novas
solues, e assim sucessivamente
at obter uma soluo satisfatria.
ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva
SISEE
Analogia entre a evoluo natural e os

algoritmos genticos
Analogia com a Natureza

Evoluo Natural
Algoritmos Genticos
Indivduo
Soluo
Gentipo (cromossomas)
Representao da Soluo
Reproduo Sexual
Operador de Recombinao
(p.ex. cruzamento)
Mutao
Operador Mutao
Populao
Conjunto de Solues
Geraes
Ciclos
45
SISEE
Algoritmos Genticos
SISEE
Parmetros dos AG
Tamanho da populao
Taxa de cruzamento
Taxa de mutao
Taxa de substituio
Critrios de paragem
SISEE
Parmetros dos AG
Tamanho da Populao
Determina
a
qualidade da soluo
o tempo de processamento
Considera-se geralmente o tamanho
da populao estvel
SISEE
Parmetros dos AG
Taxa de Cruzamento
Define a probabilidade de 2 indivduos
serem cruzados para gerar descendncia

Valor tpico: 20 - 30%
SISEE
Parmetros dos AG
Taxa de Mutao
Mutao permite gerar indivduos
com melhores caractersticas

Permite fugir de mximos/mnimos
locais do problema
Valor tpico: 1%
SISEE
Parmetros dos AG
Taxa de Substituio
Define percentagem da populao a
substituir entre geraes

Valores elevados -> excessiva
renovao
Valores baixos -> estagnao
SISEE
Parmetros dos AG
Critrios de Paragem
Encontrar uma soluo com um valor
de aptido (fitness) pr-definido

Atingir um determinado limite
temporal
Atingir um determinado nmero de
geraes
10
SISEE
Avaliao e Aptido
A aptido (fitness) dum indivduo
calculada usando uma funo de avaliao.

Esta funo especfica de cada problema.
Retorna um valor numrico que traduz o
mrito da soluo.
O seu clculo deve ser simples j que se
aplica a todos os elementos da populao

para cada gerao.
11
SISEE
Seleco
Escolha de N indivduos para posterior
reproduo
Mtodos determinsticos seleccionam com
base na aptido dos indivduos
Arriscam-se a convergir em mnimos locais
Processo custoso em populaes grandes
Mtodos estocsticos introduzem grau de
aleatoriedade.
Garantem que um certo nmero de solues

menos aptas so escolhidas
12
SISEE
Operadores
Operadores de Cruzamento
Operadores de Mutao
13
SISEE
Operadores de Cruzamento
Principal operador dos AG

Combina material gentico de dois
progenitores previamente seleccionados

Cromossomas representados por sequncias
operador
escolhe aleatoriamente 1 ou 2 pontos de corte
aplica uma mscara das posies a trocar
mistura partes resultantes dos 2 progenitores
Nem sempre os descendentes so viveis
14
SISEE
Operaes de Cruzamento
Dois Exemplos do
operador de
cruzamento
47
SISEE
Operadores de Mutao
Trazem de volta populao genes
perdidos na seleco
Fornecem
novos genes que

pertenciam populao original
no
A mutao pode ocorrer em 1 ou mais
genes, trocando o gene existente por

outro gene vivel.
16
SISEE
Operador de Mutao
Exemplo de Mutao
48
Gerar novos indivduos
SISEE
Populao inicial
Gerar P0
Populao de
t0
solues
iterao
potenciais
Avalia Pt
enquanto ! Condio de final Pt faz
Avaliar e seleccionar os mais aptos
Pt Selecciona Pt
Pt Aplica operadores de re-combinao Pt
Pt Aplica operadores de mutao Pt
Avalia Pt
Avaliar a sua aptido
Pt+1 Selecciona Sobreviventes de Pt e de Pt
tt+1
nova iterao
Fim
retorna Melhor Soluo Global
Esqueleto tpico de um algoritmo

gentico
46
SISEE
Problema - Exemplo
Considere o problema de sequenciamento de
5 tarefas numa nica mquina.
Para cada tarefa j (j=1, , 5), seja pj o tempo
de processamento, dj a data de entrega e wj

a penalizao (por unidade de tempo) no
caso da tarefa j se atrasar.
O objectivo minimizar a soma pesada dos
atrasos wjTj.
(T - atrasos)
Tempos de processamento:
p1=2
p2=4
p3=1
p4=3
p5=3
Datas de entrega
d1=5
d2=7
d3=11
d4=9
d5=8
49
SISEE
Problema Exemplo (cont)
Para visualizar uma sequncia muitas

vezes utilizado um diagrama de Gantt,
onde as linhas esto associadas s
tarefas e as colunas aos perodos de
tempo.
Para a sequncia de tarefas [3,1,2,5,4]
Durao obtm-se o calendrio representado a
p1=2
seguir.
p2=4
p3=1
p4=3
p5=3
Datas
d1=5
d2=7
d3=11
d4=9
d5=8
50
SISEE
Problema - Exemplo (cont)

Mtodo de Recombinao usado
1. Supondo o seguinte par de indivduos, so

seleccionados 2 pontos de cruzamento (4 e 7).
2. Os genes situados entre os dois pontos de
cruzamento, inclusive, so copiados para os seus
descendentes, sendo as restantes posies
preenchidas por um caracter H.
A=123456789
B=452187693
A=HHH4567HH
B=HHH1876HH
51
SISEE
Mtodo de Recombinao usado (cont.)

3. De seguida, e comeando no segundo ponto de
cruzamento do progenitor B define-se uma nova ordem
para os genes:
B era 452187693
[9 3 4 5 2 1 8 7 6]
4. Depois de remover os genes 4, 5, 6 e 7 j definidos no
filho A, ficamos com os genes [9 3 2 1 8]. As posies em
A com H sero preenchidas pela sequncia anterior
comeando pelo segundo ponto de cruzamento:
A=218456793
22
SISEE
Mtodo de Recombinao usado (cont.)

5. Da mesma forma para gerar o segundo descendente
B, define-se uma nova sequncia a partir de A:
[8 9 1 2 3 4 5 6 7].
A era 123456789
6. Eliminando os genes j definidos em B, obtm-se a

sequncia: [9 2 3 4 5]. A seguir substitui-se nas lacunas
(H) de B a sequncia obtida, comeando no 2 ponto
de cruzamento obtendo-se o descendente B.
B=345187692
23
SISEE

A=123456789
A=218456793
->
B=452187693
B=345187692
No operador de cruzamento com manuteno
de ordem (Order Crossover) os genes a

substituir de um dos progenitores aparecero
na ordem em que esto no outro progenitor.
Os outros operadores com pontos de corte
podero produzir sequncias no viveis

quando aplicados a este tipo de problemas
(tarefas repetidas por exemplo)
24
SISEE
Operador de Cruzamento Uniforme
Permite usar mais pontos de corte

Gera aleatoriamente as posies dos genes a
trocar, usando uma mscara binria com a

dimenso dos cromossomas
Na mscara o 1 implica a troca do gene
nessa posio e o 0 o contrrio.
Progenitores
Mscara aleatria
Descendentes
P1 = 10110010
P2 = 11010110
M = 01110110
D1 = 11010110
D2 = 10110010
25
SISEE
Exemplos de Aplicao
Mximo de uma funo

Considerar a funo f(x)= x2 (x inteiro e no intervalo [0,63].
O objectivo ser maximizar o valor da funo.
Codificao das solues por uma string com 6 dgitos
binrios.
quadro que nos d os elementos da populao e o valor
da funo de avaliao (igual a f(x)).
26
SISEE
Exemplo - Mximo de uma funo
Admita-se que:
o cruzamento se d sempre entre os elementos 1
e 2, originando os elementos 5 e 6, e entre os

elementos 3 e 4, originado os elementos 7 e 8.
usado um cruzamento uniforme, com mscara
101010.
A seleco feita com elitismo puro - os 4
elementos da soluo com maiores valores de f(x)
so seleccionados e sero os novos elementos 1,
2, 3 e 4 da gerao seguinte.
Se
aparecerem
elementos
repetidos
so
eliminados.
27
SISEE

Resultado aps o 1 cruzamento:
Elemento n Populao ps Soluo x

Cruzamento
5
6
7
8
1
2
3
4
(cr. 1-2)
(cr. 1-2)
(cr. 3-4)
(cr. 3-4)
Mscara
100101
001001
010011
001100
001101
100001
011001
000110
101010
37
9
19
12
13
33
25
6
f(x)
1369
81
361
144
169
1089
625
36
Seleco
28
SISEE
Foram seleccionados os elementos 1, 3, 6 e 7

que passam a constituir a nova gerao:
29
SISEE
Repetindo o ciclo de cruzamento, obtem-se:

Elemento n Populao ps Soluo x
Cruzamento
5
6
7
8
1
2
3
4
(cr. 1-2)
(cr. 1-2)
(cr. 3-4)
(cr. 3-4)
100101
010011
100001
011001
000111
110001
011001
110001
Mscara 101010
37
19
33
25
7
49
9
49
f(x)
1369
361
1089
625
49
2401
81
2401
Seleco
30
SISEE
Foram seleccionados os elementos 1, 3, 4 e 6

que passam a consituir a nova gerao:
31
SISEE
Concluses:
Aps 2 ciclos de cruzamento
o factor de avaliao mdio da populao subiu
de 488,75 para 1371.
o melhor elemento passou de um factor de
aptido de 1369 para 2401
Ser que convergiremos rapidamente para a
soluo ptima?
Podemos j garantir que esta no ser
encontrada por cruzamento de genes.
Porqu?
32
SISEE
Concluses:
Bit 5
Por muitas recombinaes que se faam,

nunca o bit 5 poder ter o valor 1. A soluo
ptima (111111) inatingvel apenas por
cruzamento.
Mutaes!
33
SISEE
Concluses:
Pouca
diversidade
estagnao
pode
levar
Os elementos 1 e 2 tm 5 genes idnticos

Os elementos 3 e 4 tm 4 genes idnticos
Os seus descendentes acabaro por ter
cromossomas
progenitores
iguais
aos
seus
Sem uma mutao favorvel no ser
possvel melhorar a soluo.

34
SISEE
Exemplo - Sequenciamento de tarefas
Considere-se
o sequenciamento de 9
tarefas {1,2,3,4,5,6,7,8,9} numa mquina.
As tarefas impares so executadas por
uma ferramenta fi e as tarefas pares so

executadas com uma ferramenta fp.
O objectivo minimizar o nmero de
trocas de ferramentas.
35
SISEE
A codificao ser feita por uma sequncia de
9 dgitos
A funo de avaliao procurar minimizar o
nmero de trocas de ferramentas (o n de
passagens de par para mpar e vice-versa),
Escolher-se-o os elementos da populao
com menor valor dessa funo.
Aconselha-se a utilizao de um operador de
cruzamento com manuteno de ordem, pois
os outros operadores originariam solues
no viveis (com tarefas repetidas e com
tarefas ausentes).
36
SISEE
Suponhamos a seguinte populao inicial:
Aplique-se o operador de cruzamento com

manuteno de ordem e 2 pontos de corte
(entre o 2 e 3 genes e entre o 6 e 7 genes).
37
SISEE

Aps o cruzamento obteremos:
38
SISEE

Por seleco elitista, obteremos:
Obtivemos um elemento melhor que o
melhor da gerao anterior (n3)

A mdia das funes de avaliao diminuiu
Nunca chegaremos soluo ptima s por
cruzamento. Porqu?
39
SISEE
MATLAB - A funo ga
Chamar a funo ga a partir da linha de comando:

Sintaxe:
[x fval] = ga(@fitnessfun, nvars, options)
em que
fitnessfun - funo objectivo ou de fitness
nvars - n das suas variveis independentes
options - estrutura especificando as opes (opcional)
Resultados:
x - ponto em que o resultado atingido
fval - valor final da funo de fitness
40
SISEE
A funo ga
Em que situaes usar a funo ga a partir da

linha de comando?
Quando se pretende retornar os resultados
directamente
na
zona
(workspace) do MATLAB;
de
trabalho
Quando se quer correr o algoritmo gentico
repetidas vezes com diferentes opes,

chamando-o a partir de uma M-file.
41
SISEE
A funo ga
Exemplo:
>> [x fval] = ga(@rastriginsfcn, 2)
Resultado:
x =
0.0027
-0.0052
fval =
0.0068
42
SISEE
A funo ga a partir duma M-file
possvel usar a linha de comando para correr vrias

vezes um AG com diferentes opes, usando uma M-file.
options = gaoptimset('Generations',300);
strm = RandStream('mt19937ar','Seed',6525);
RandStream.setDefaultStream(strm);
record=[];
for n=0:.05:1
options = gaoptimset(options,'CrossoverFraction', n);
[x fval]=ga(@rastriginsfcn, 10,[],[],[],[],[],[],[],options);
record = [record; fval];
end
A taxa de Crossover (Crossover fraction / Reproduction options)

especifica a % da populao, exceptuando os descendentes de
elite, que composta por descendentes de crossover.
43
SISEE
A funo ga a partir duma M-file

plot(0:.05:1, record);
xlabel('Crossover Fraction');
ylabel('fval')
44
SISEE
Matlab - Optimization Tool
45
SISEE
Matlab - Optimization Tool
46
SISEE
Escrita de funes a optimizar
Criar uma M-file que calcule a funo
a optimizar
A M-file deve aceitar um vector, cujo
comprimento o n de variveis
independentes
47
SISEE
Exemplo
Funo a minimizar:
A M-file dever aceitar um vector x de comprimento 2,
correspondendo s variveis x1 e x2.
Passos:
1. Seleccionar File/New
2. Seleccionar M-File
3. Introduzir na M-file o seguinte cdigo:
function z = my_fun(x)
z = x(1)^2 - 2*x(1)*x(2) + 6*x(1) + x(2)^2 - 6*x(2);
4. Salvar a M-file no directrio do MATLAB

48
SISEE

Exemplo de invocao da funo:
>> my_fun([2 3])

ans =
-5
49
SISEE
Maximizao e minimizao
As funes de optimizao do toolbox
de AG minimizam as funes objectivo

ou de fitness.
Ou seja, resolvem problemas do tipo
Se quisermos operar uma maximizao
basta minimizarmos -f(x).
50
SISEE
Exemplo
Achar o mnimo da funo de Rastringin
Mnimo
global
Mximo
local
Mnimo
local
Mnimo
global [0,0]
51
SISEE
Exemplo
1. >> optimtool(ga)
2. Na Optimization Tool
No campo Fitness
@rastriginsfcn
Function
introduzir:
No campo Number of variables introduzir: 2
3. Clicar em Start na rea Run solver and view

results
52
SISEE
Exemplo
Resultados:
Motivo da
paragem do
algoritmo
Valor final
da funo de
fitness
Valores das variveis independentes que

corrspondem ao valor final da funo de fitness
53
SISEE
Exemplo
Obteno de grficos
54
SISEE
Exerccio 1
1.Criar uma M-file com o seu cdigo

2.Achar o seu mnimo usando AG
55
SISEE
Exerccio 1
M-file:
function y = simple_objective(x)
y = (4 - 2.1*x(1)^2 + x(1)^4/3)*x(1)^2 + x(1)*x(2) + ...
(-4 + 4*x(2)^2)*x(2)^2
Resultado:
56
SISEE
Exerccio 2
No Help do MATLAB
abrir a seco
> Genetic Algorithm & Direct Search Toolbox

> User Guide
> Genetic Algorithm Examples
> Improving Your results
Estudem e experimentem com os exemplos:
Example - Global versus local minima Selection

Population diversity
Reproduction options
Mutation and Crossover
...
57
SISEE
Exemplo - mnimos globais e locais

Objectivo:
encontrar o mnimo
global da funo
Em Global Optimization toolbox

User Manual, pags. 5.72-76
58

SISEE Genetic Algorithms Knote

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SISEE Genetic Algorithms Knote

Uploaded by

Copyright:

Available Formats

SISEE

Thursday, April 7, 2011

Os Algoritmos Genticos trabalham

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

Analogia entre a evoluo natural e os

Analogia com a Natureza

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

serem cruzados para gerar descendncia

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

com melhores caractersticas

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

substituir entre geraes

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

de aptido (fitness) pr-definido

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

A aptido (fitness) dum indivduo

calculada usando uma funo de avaliao.

aplica a todos os elementos da populao

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

Escolha de N indivduos para posterior

base na aptido dos indivduos

Arriscam-se a convergir em mnimos locais

Processo custoso em populaes grandes

Mtodos estocsticos introduzem grau de

Garantem que um certo nmero de solues

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

Principal operador dos AG

progenitores previamente seleccionados

escolhe aleatoriamente 1 ou 2 pontos de corte

aplica uma mscara das posies a trocar

mistura partes resultantes dos 2 progenitores

Nem sempre os descendentes so viveis

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

Trazem de volta populao genes

novos genes que

A mutao pode ocorrer em 1 ou mais

genes, trocando o gene existente por

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

Gerar novos indivduos

ISEP-DEI, 2007 Carlos Ramos, 2010 Antnio Silva

Thursday, April 7, 2011

Esqueleto tpico de um algoritmo