Algoritmos Genticos

Luis Mart
LIRA/DEE/PUC-Rio

Algoritmos Genticos
Baseado nas transparncias dos professores:
Teresa B. Ludermir (UFPE)
Ricardo Linden (CEPEL)
Marco Aurlio Pacheco (PUC-Rio)

Algoritmos Genticos
 Contedo

!Introduo
!O Algoritmo Gentico Binrio
!Noes de Otimizao
!O Algoritmo Gentico com Parmetros
Contnuos
!Aspectos Prticos e Avanados
!Aplicaes

Algoritmos Genticos
Introduo

Algoritmos Genticos
 Algoritmos Genticos

n So tcnicas de busca e otimizao.

n a metfora da teoria da evoluo das
espcies iniciada pelo Fisiologista e
Naturalista ingls Charles Darwin.
n Desenvolvido por John Holland (1975) e
seus alunos.
n Popularizado por David Goldberg (1989).

Algoritmos Genticos
 Teoria da Evoluo

n 1859 - Charles Darwin publica o

livro A Origem das Espcies:
.
As espcies evoluem pelo
principio da seleo
natural e sobrevivncia do
mais apto.
Charles
Darwin

Algoritmos Genticos
 Teoria da Evoluo

n 1865-
Gregor Mendel apresenta
experimentos do cruzamento
gentico de ervilhas.
. wPai da gentica.
Gregor
Mendel n ATeoria da Evoluo comeou
a partir da conceituao
integrada da seleo natural
com a Gentica.

Algoritmos Genticos
 Otimizao

n
a busca da melhor soluo para um
dado problema.
wConsiste em tentar vrios solues e usar a
informao obtida para conseguir solues cada
vez melhores.
n Exemplo de otimizao:
wTelespectador atravs de ajuste na antena da
televiso otimiza a imagem buscando vrias
solues at alcanar uma boa imagem.

Algoritmos Genticos
 Otimizao

n As
tcnicas de otimizao, geralmente,
apresentam:
Espao de busca: onde esto todas as
possveis solues do problema;
wFuno objetivo: utilizada para avaliar as
solues produzidas, associando a cada
uma delas uma nota.

Algoritmos Genticos
 Caractersticas dos
Algoritmos Genticos

n um algoritmo estocstico (no

determinstico).
n Trabalha com uma populao de
solues simultaneamente.
n Utiliza apenas informaes de custo e
recompensa. No requer nenhuma outra
informao auxiliar (como por exemplo o
gradiente).

Algoritmos Genticos
 Caractersticas dos
Algoritmos Genticos (II)

n So fceis de serem implementados em

computadores.
n Adaptam-se bem a computadores
paralelos.
n So facilmente hibridizados com outras
tcnicas.
n Funcionam com parmetros contnuos
ou discretos.

Algoritmos Genticos
 Algoritmos Genticos
(Conceitos Bsicos)

n AG manipula uma populao de indivduos.

n Individuos so possveis solues do
problema.
n Os indivduos so combinados (crossover)
uns com os outros, produzindo filhos que
podem sofrer ou no mutao.
n As populaes evoluem atravs de
sucessivas geraes at encontrar a
soluo tima.
Algoritmos Genticos
 Aplicaes

n Em problemas dficeis de otimizao, quando

no existe nenhuma outra tcnica especifica
para resolver o problema.
n Otimizao de funes numricas em geral
n Otimizao combinatria
w Problema do caixeiro viajante
w Problema de empacotamento
w Alocao de recursos (job shop schedulling)
n Aprendizado de Mquina
n Projetos
Algoritmos Genticos
O Algoritmo Gentico
Binrio

Algoritmos Genticos
 Algoritmo Gentico Tradicional

1. Gerar a populao inicial.

2. Avaliar cada indivduo da populao.
3. Enquanto critrio de parada no for satisfeito
faa
3.1 Selecionar os indivduos mais aptos.
3.2 Criar novos indivduos aplicando os
operadores crossover e mutao.
3.3 Armazenar os novos indivduos em uma
nova populao.
3.4 Avaliar cada cromossomo da nova
populao.
Algoritmos Genticos
 Problema 1

Problema: Use um AG 1000

para encontrar o ponto
800
mximo da funo:
600
f ( x) = x 2
400
com x sujeito as seguintes 200
restries:
0
0 x 31 0 5 10 15 20 25 30
x inteiro
Algoritmos Genticos
 Indivduo

n Cromossomo
wEstrutura de dados que representa uma possvel
soluo para o problema.
wOs parmetros do problema de otimizao so
representados por cadeias de valores.
wExemplos:
Vetores de reais, (2.345, 4.3454, 5.1, 3.4)
Cadeias de bits, (111011011)
Vetores de inteiros, (1,4,2,5,2,8)
ou outra estrutura de dados.
Algoritmos Genticos
 Individuo (II)

n Aptido
wNota associada ao indviduo que avalia quo
boa a soluo por ele representada.
n Aptido pode ser:
wIgual a funo objetivo (raramente usado na
prtica).
wResultado do escalonamento da funo
objetivo.
wBaseado no ranking do indviduo da
populao.
Algoritmos Genticos
 Cromossomo do Problema 1

n Cromossomos binrios com 5 bits:

0 = 00000
31 = 11111
n Aptido
wNeste problema, a aptido pode ser a prpria
funo objetivo.
wExemplo:
aptido(00011) = f(3) = 9

Algoritmos Genticos
 Seleo

n Seleo
wImitao da seleo natural.
wOs melhores indivduos (maior aptido) so
selecionados para gerar filhos atravs de
crossover e mutao.
wDirige o AG para as melhores regies do
espao de busca.
n Tipos mais comuns de seleo
wProporcional a aptido.
wTorneio.
Algoritmos Genticos
 Populao Inicial do Problema 1

aleatria (mas quando possvel, o conhecimento da

aplicao pode ser utilizado para definir populao inicial)

cromossomos x f (x ) Prob. de seleo

A1 = 1 1 0 0 1 25 625 54,5%
Pop. A2 = 0 1 1 1 1 15 225 19,6%
inicial A3 = 0 1 1 1 0 14 196 17,1%
A4 = 0 1 0 1 0 10 100 8,7%

Probabilidade de seleo f ( xi )
pi = N
proporcional a aptido k =1
f ( xk )
Algoritmos Genticos
 Seleo proporcional
a aptido (Roleta)

Pais selecionados
8,7%
A1 = 1 1 0 0 1
A4
17,1% A2 = 0 1 1 1 1
54,5% A3
A1 A2 = 0 1 1 1 1
19,6%
A2 A1 = 1 1 0 0 1

Algoritmos Genticos
 Seleo por Torneio

n Escolhe-se
n (tipicamente 2) indivduos
aleatoriamente da populao e o melhor
selecionado.

Algoritmos Genticos
 Seleo por Torneio

n A seleo por torneio (GOLDBERG, 1989) consiste

em escolher aleatoriamente certo nmero de
indivduos da populao (designado por dimenso do
torneio) e fazer um torneio entre eles.
n Cada torneio consiste em comparar os valores de
aptido dos indivduos envolvidos, sendo o vencedor
(e o selecionado) aquele com melhor valor de
aptido.
n O nmero de torneios realizados igual ao nmero
de indivduos a serem selecionados, ou seja, igual ao
tamanho da populao.

Algoritmos Genticos
 Seleo por Torneio

n Esta tcnica:
w no conduz convergncia prematura (desde que a dimenso dos
torneios seja pequena),
w combate a estagnao da populao,
w simples de implementar
w no requer grande esforo computacional.
n Este talvez o mecanismo de seleo mais utilizado
na resoluo de problemas de otimizao.

Algoritmos Genticos
 Crossover e Mutao

n Combinam pais selecionados para

produo de filhos.
n Principais mecanismos de busca do
AG.
n Permite explorar reas desconhecidas
do espao de busca.

Algoritmos Genticos
 Operador de Crossover

n Vamos comear com o operador de crossover mais simples,

chamado de operador de crossover de um ponto.
n Depois de selecionados dois pais pelo mdulo de seleo de
pais, um ponto de corte selecionado.
n Um ponto de corte constitui uma posio entre dois genes de
um cromossomo.
n Cada indivduo de n genes contem n-1 pontos de corte.
gen

Pontos de Corte: 1 2 3 4
Algoritmos Genticos - Captulo
Algoritmos 4
Genticos 27
 Operador de Crossover

n Depois de sorteado o ponto de corte, ns separamos os pais

em duas partes: uma esquerda do ponto de corte e outra
direita.

n importante notar que no necessariamente estas duas partes

tm o mesmo tamanho.

n O primeiro filho composto atravs da concatenao da parte

esquerda do primeiro pai com a parte direita do segundo pai.

n O segundo filho composto atravs da concatenao das

partes que sobraram (a metade esquerda do segundo pai com
a metade direita do primeiro pai).
Algoritmos Genticos - Captulo
Algoritmos 4
Genticos 28
 Operador de Mutao

n Depois de compostos os filhos, entra em ao o operador de

mutao.

n Este opera da seguinte forma:

w Ele tem associada uma probabilidade extremamente baixa (da
ordem de 0,5%);
w Ns sorteamos um nmero entre 0 e 1.
w Se ele for menor que a probabilidade pr-determinada ento o
operador atua sobre o gene em questo, alterando-lhe o valor
aleatoriamente.
w Repete-se ento o processo para todos os gens componentes dos
dois filhos.

Algoritmos Genticos - Captulo

Algoritmos 4
Genticos 29
 Comentrios

n Valor da probabilidade deve ser baixo.

wSe ele for muito alto, o algoritmo gentico se
parecer muito com uma tcnica chamada
random walk
n Algunstextos preferem que o operador
de mutao no aja de forma aleatria,
mas sim, alterando o valor do gene
para outro valor vlido do nosso
alfabeto gentico.
wCorresponde em multiplicar a probabilidade do
operador de mutao por n/(n-1), onde n a
Algoritmos Genticos 30
cardinalidade do alfabeto gentico.
Juntando os operadores
(a) (b)
Pai 1 Pai 1

Selecionamos um
ponto de corte

Pai 2 Pai 2

Depois do
operador de
crossover

Filho 1 Filho 1

Depois do
operador de mutao

Filho 2 Gen alterado Filho 2

pela mutao Algoritmos Genticos 31

(d)
 Mdulo de Populao

n O mdulo de populao responsvel pelo controle da nossa

populao.

n Por simplicidade, populao no pode crescer

w permite que armazenemos a populao em um vetor de tamanho
constante.

n Pais tm que ser substitudos conforme os filhos vo nascendo

w Pode parecer estranho, visto que estamos acostumados a ver a
populao humana sempre crescendo.
w Quando nasce um beb, no obrigatrio que algum de alguma
gerao anterior caia fulminado!
w Entretanto, simula bem ambientes de recursos limitados
Algoritmos Genticos 32
 Outros Crossovers

n Crossover de 2-pontos

pai1 010 011000101011

pai2 001 001110 001101

filho1 010001110101011
filho2 001011000001101

Considerado melhor que o crossover de 1 ponto.

Algoritmos Genticos
 Crossover de n-Pontos

pai1 101 001

01001001010 01

pai2 00100111000110 11100

filho1 1010011100101011001
fillho2 0010100100011001100
Crossover de 4-pontos

Algoritmos Genticos
 Crossover Uniforme

Mscara de
bits aleatria 1 1 0 1 0 1 1 0 1 0
pai1 1 1 1 0 1 1 0 1 1 0

filho1 1 1 1 0 0 1 0 1 1 0

pai2 0 1 1 0 0 0 1 1 0 0

O filho1 tem 50% de chance de levar um bit do

pai1 e 50% de chance de levar um bit de pai2

O filho2 leva o que sobra de pai1 e pai2

Algoritmos Genticos
 Problema 2

Achar o mximo da funo utilizando

Algoritmos Genticos,

f ( x ) = x seno( 10 x ) + 1,0

Restrita ao intervalo:

1,0 x 2,0

Algoritmos Genticos
 Problema 2 (II)

Mximo global
3,0
Mximo local
f(x) = x sen(10 x) + 1

2,0

1,0

0,0

-1,0
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0
x
Mximo global:
x = 1,85055
f(x) = 2,85027 Algoritmos Genticos
 Problema 2 (III)

n Funo
multimodal com vrios pontos
de mximo.
n um problema de otimizao global
(encontrar o mximo global)
n No pode ser resolvido pela grande
maioria dos mtodos de otimizao
convencional.
n H muitos mtodos de otimizao local,
mas para otimizao global so poucos.
Algoritmos Genticos
 O Cromossomo Problema 2

n Representar
o nico parmetro deste
problema (a varivel x) na forma de um
cromossomo:
wQuantos bits dever ter o cromossomo?
wQuanto Mais bits melhor preciso nmerica.
wLongos cromossomos so difceis de manipular.
wPara cada decimal necessrio 3,3 bits
wCromossomo com 22 bits
1000101110110101000111
Algoritmos Genticos
 O Cromossomo Problema 2 (II)

n Decodificao
wcromossomo = 1000101110110101000111
wb10 = (1000101110110101000111)2 = 2288967
wValor de x precisa estar no intervalo [-1,0; 2,0]
b10
x = min+ (max min) l
2 1
2.288.967
x = 1 + (2 + 1) 22
= 0,637197
2 1
Algoritmos Genticos
 As Geraes do Problema 2

3,0
2,5 Populao Inicial
f(x) = x seno(10x) + 1.0

2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0
x
Populao gerada aleatriamente
Algoritmos Genticos
 As Geraes do Problema 2 (II)

3,0
2,5 Primeira Gerao
f(x) = x sen(10x) + 1.0

2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0
x
Pouca melhoria Algoritmos Genticos
 As Geraes do Problema 2 (III)

3,0

2,5 Gerao 25
f(x) = x sen(10x) + 1.0

2,0
1,5
1,0

0,5
0,0

-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0
x
A maioria dos indivduos encontraram o mximo global
Algoritmos Genticos
 As Geraes do Problema 2 (IV)

3,0 Mdia
Melhor
2,5
Funo objetivo

2,0

1,5

1,0

0,5
0 5 10 15 20 25
Gerao

Na gerao 15 o AG j encontrou o ponto mximo

Algoritmos Genticos
 Elitismo

n O crossover ou mutao podem

destruir a melhor indivduo.
n Por que perder a melhor soluo
encontrada?
n Elitismo transfere a cpia do melhor
indviduo para a gerao seguinte.

Algoritmos Genticos
 Elitismo no Problema 2

3,0
AG com elitismo
2,8 AG sem elitismo

2,6
Funo objetivo

2,4

2,2

2,0
0 5 10 15 20 25
Gerao

AG com elitismo melhor ?

Algoritmos Genticos
 Critrios de Parada

n Nmero de geraes.
n Encontrou a soluo (quando esta
conhecida).
n Perda de diversidade.

n Convergncia
wnas ltimas k geraes no houve melhora da na
aptido
Mdia
Mxima
Algoritmos Genticos
 Terminologia

n Indivduo
w Simples membro da populao.
n Cromossomo e Genoma e :
w Coleo de genes
w Estrutura de dados que codifica a soluo de uma
problema.
n Gentipo
Na biologia, representa a composio gentica
contida no Genoma. Nos AGs, representa a
informao contida no cromossomo ou
Algoritmos Genticos
genoma.
 Terminologia

n Fentipo:
w Objeto ou estrutura construda a partir das informaes
do gentipo.
w o cromossomo decodificado.
Exemplo: Se o cromossomo codifica as dimenses de um
edifcio, ento o fentipo o edifcio construdo.
n Gene:
w Codifica um simples parmetro do problema

Algoritmos Genticos
 Exerccio

n Encontrarde x para o qual a funo

f(x) = x2 - 3x + 4 assume o valor
mnimo.
w Assumir que x [-10, +10]
w Codificar X como vetor binrio
w Criar uma populao inicial com 4 indivduos
w Aplicar Mutao com taxa de 1%
w Aplicar Crossover com taxa de 60%
w Usar seleo por torneio.
w Usar 5 geraes. Algoritmos Genticos
Aspectos Prticos

Algoritmos Genticos
 Principais Tpicos

wPopulao Inicial
wFunes Objetivo de Alto Custo
wCritrios de Parada
wConvergncia Prematura
wDiversidade
wTipos de Substituio
wProblemas na Aptido

Algoritmos Genticos
 Populao Inicial (1/3)

n Gerada Aleatoriatoriamente.
n Gerada uniformente em uma grade.
n Gerada com tendenciosidade para
regies promissoras do espao de
busca

Algoritmos Genticos
 Populao Inicial (2/3)

n Para
garantir que toda posio da
cadeia tem 0 e 1 na populao:
1) Gera a primeira metade da populao
aleatoriamente.
2) Inverte todos os bits da primeira metade: tem-se
a segunda metade.
1a. metade 2 metade
1011010 0100101
0111011 1000100
0001101 1110010
1100110 0011001

Algoritmos Genticos
 Populao Inicial (3/3)

n Seeding: insere a soluo obtida por

outro mtodo de otimizao na
populao inicial (garante que AG no
far pior do que o outro mtodo)
n Iniciar
com uma larga populao inicial e
depois reduzir o tamanho.

Algoritmos Genticos
 Convergncia Prematura (1/2)

n OAG converge para um mnimo/mximo

local.

Algoritmos Genticos
 Convergncia Prematura (2/2)

n Causas:
wExcessivo nmeros de filhos de um mesmo
indivduo (o superindividuo)
wPerda de diversidade.
wGenetic Drift
Desaparecimento de um determinado gene na
populao.
Ocorre principalmente em pequenas populaes.
wAlta presso de seleo
Poder que faz com que os individuos com maior
aptido tenham mais descendentes.
Algoritmos Genticos
 Diversidade (1/2)

n Combatendo a perda de diversidade

wAumentar a taxa de mutao.
wEvitar cromossomos duplicatas na populao.
wDiminuir a presso da seleo.

Algoritmos Genticos
 Diversidade (2/2)

n Combatendo a perda de diversidade

wControlar o nmero de filhos do superdividuo
(individuo com alta aptido, mas no com
aptido tima) usando:
Ranking.
Escalamento.
Seleo por torneio.

Algoritmos Genticos
 Tipos de Substituio

n Substituio Geracional
n Substituio Geracional com Elitismo
n Substituio de Estado Uniforme

Algoritmos Genticos
 Substituio Geracional

Seja N o tamanho da populao:

wOs N pais so substitudos pelos N filhos em
cada gerao.
wOs N pais so substitudos por N individuos do
conjunto unio de pais e filhos.

Comentrio: o segundo caso aumenta a presso de

seleo.

Algoritmos Genticos
 Substituio Geracional
com Elitismo

n Os
k < N melhores pais nunca so
substituidos.
n Tipicamente k=1
n Aumentando k aumenta a presso de
seleo (risco de convergncia
prematura).

Algoritmos Genticos
 Substituio de
Estado Uniforme (1/2)

n Em cada gerao apenas 2 (ou 1)

filhos so gerados e substituem:
wOs 2 piores indivduos da populao.
wOs pais.
wOs 2 indivduos mais velhos (i.e. que esto a
mais tempo da populao), pois j transmitiram
os seus genes.
n Taxa de crossover geralmente alta
(~1)
Algoritmos Genticos
 Substituio de
Estado Uniforme (2/2)

n Alternativamente,
k < N filhos so
gerados e substituem os k piores
indivduos.
n Evitar
inserir um filho na populao
quando j existe uma duplicata dele na
populao.

Algoritmos Genticos
 Exemplo de Steady State
C19 120 120 121
C18 110 110 120
C17 100 100 110
C16 99 99 ordena 100
C15 95 95 99
C14 81 81 95
C13 76 76 88
C12 67 67 81
C11 58 58 76
C10 44 44 67
C9 42 42 58
C8 36 36 58
C7 22 22 44
C6 20 38 38 42
C5 19 6 6 38
C4 17 121 121 36
C3 10 88 88 22
C2 8 58 58 17
C1 5 17 17 6
avaliaes crie n substitua os n avaliaes
de P(t) novos piores de P(t+1)

Algoritmos Genticos
 Steady State sem Duplicados

n Substituio parcial de indivduos com excluso de

duplicados
n Evita os duplicados que so mais frequentes com
steady state (populaes mais estticas)
n Maior eficincia do paralelismo de busca,
garantindo pop_size indivduos diferentes
n Descendentes duplicados so desprezados
n Maior overhead para teste de igualdade

Algoritmos Genticos
 Problemas na Aptido (1/3)

n Aptido negativa no funciona com a

roleta
n Aptido excessivamente alta
Poucos individuos ocupando larga fatia da roleta
Muitos individuos ocupando pequena fatia da roleta
Causa convergncia prematura
wSoluo: controlar o nmero de filhos do
superindividuo.
.

Algoritmos Genticos
 Problemas na Aptido (2/3)

n Resoluo
insuficiente para diferenciar
os melhores dos piores individuos.
wA seleo torna-se aleatria (Passeio ao Acaso).
wConvergncia lenta

Algoritmos Genticos
 Problemas na Aptido (3/3)

n Exemplo: Funo Probabilidade

Cromossomo objetivo de seleo
A 2000,999588 20,004%
B 2000,826877 20,002%
C 2000,655533 20,001%
D 2000,400148 19,998%
E 2000,102002 19,995%

n Solues
wExpandir o intervalo da aptido (usando ranking)
wSeleo por torneio
Algoritmos Genticos
 Tcnicas de Aptido

n Aptido a Avaliao
Ai = fi Exemplo: Ai = 999,979

n Windowing

wsubtrair uma constante dos valores de fi

n Normalizao Linear
watribuir valores a Ai baseados no rank do
cromossoma
Algoritmos Genticos
 Windowing

n Obtenha a avaliao mnima na populao.

n Atribua a cada cromossoma I uma aptido igual a:
Ai = (fi - Amn)
n Opcionalmente, atribua uma aptido mnima de
sobrevivncia, maior que a aptido mnima
calculada, como garantia de reproduo para os
cromossomas menos aptos.
n Exemplo:
Ai = (999,979 - 999,066)= 0,913

Algoritmos Genticos
 Normalizao Linear

n Coloque os pop_size cromossomas em ordem

decrescente de avaliao (i=1 o menos apto).
n Crie aptides, partindo de um valor mn e crescendo
linearmente at o valor mx.
n Os valores de mx e mn (ou a constante de
incremento) so parmetros da tcnica.
Ai = mn + (mx - mn) x (i - 1)
pop_size - 1
n Quanto maior a constante de incremento, maior a
presso seletiva sobre os melhores.
Algoritmos Genticos
 Exemplo Comparativo

Rank dos cromossomas 6 5 4 3 2 1

Avaliao original 200 9 8 7 4 1
Aptido avaliao 200 9 8 7 4 1
Normalizao Linear, taxa=10 60 50 40 30 20 10
Normalizao Linear, taxa=20 101 81 61 41 21 1
Windowing 199 8 7 6 3 0

SUPER INDIVDUO: cromossoma 6

poucas chance de recombinao com outros indivduos; elimina competidores em poucas
geraes; rpida convergncia.

COMPETIO PRXIMA: entre cromossomas 3, 4 e 5

preciso aumentar a presso seletiva sobre os melhores
Algoritmos Genticos
 Critrios de Parada

n Atingiu um dado nmero de geraes ou

avaliaes.
n Encontrou a soluo (quando esta
conhecida).
n Perda de diversidade.
n Convergncia: no ocorre melhora
significativa na soluo durante um dado
nmero de geraes.

Algoritmos Genticos
 Funes Objetivo
de Alto Custo (1/3)

n Em muitos problemas do mundo real o

custo computacional do AG est
concentrado na avalio do individuo.
n Exemplo:
wSimulao completa de um processo.
wUm treinamento de uma rede neural.

Algoritmos Genticos
 Funes Objetivo
de Alto Custo (2/3)

n Dicas
para reduzir o nmeros de
reavaliaes do indivduo:
wEvitar cromossomos iguais na populao inicial.
wVerificar se o filho j existe nas populaes
passadas e na atual.
wVerificar se filho = pai (e.g. checar se crossover
e mutao foi aplicado).
wManter a populao com cromossomos distintos.

Algoritmos Genticos
 Funes Objetivo
de Alto Custo (3/3)

n Simplificara funo objetivo (pelo

menos nas geraes iniciais)
n Usar um mtodo de subida de encosta
quando o AG j encontrou as regies
promissoras do espao de busca (nas
geraes finais).

Algoritmos Genticos
Algoritmos Genticos
 Parmetros

n O sucesso de um AG depende, em grande parte, da

escolha dos seus parmetros de configurao.
n Entre os parmetros a ser definidos temos as taxas
de aplicao dos operadores de mutao e
cruzamento, tamanho da populao, nmero de
geraes.
n Muitos pesquisadores procuram descobrir qual seria
o nmero de parmetros mais adequado para
resolver um problema especifico.
n O ajuste dos parmetros em quase todas as
pesquisas feita numa etapa chamada de tunnig dos
parmetros

Algoritmos Genticos
 Parmetros

n difcil que um conjunto de parmetros possa ser

adequado para resolver um problema em todos os
estgios da evoluo sendo os AGs um processo
dinmico.

Algoritmos Genticos
 Parmetros

n As tcnicas de adaptao dos parmetros podem ser

classificadas assim:
w Determinstica: Quando a mudana nos valores dos parmetros
ocorre seguindo alguma regra determinstica.
w Adaptativa: Ocorre quando existe um feedback por parte do AG
que usada para determinar o valor do parmetro na prxima
gerao.

Algoritmos Genticos