Professional Documents
Culture Documents
Santo
Centro Tecnológico
Departamento de Engenharia Elétrica
Algoritmo Genético
1 Algortimos Genéticos p. 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 1
1.3 Terminologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 4
1.13 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
Referências p. 23
iii
1
1 Algortimos Genéticos
1.1 Introdução
grande espaço de busca, de difı́cil modelagem ou para os quais não há um algo-
ritmo eficiente disponı́vel. Esses algoritmos são: Algoritmo Genético, Programação
Genética, Programação Evolutiva e Estratégias de Evolução.
1.3 Terminologia
iv. Aplicar os operadores genéticos nas soluções selecionadas gerando uma nova
população.
v. Repetir os passos (ii) a (iv) até que um critério de parada seja satisfeito.
• Representação por código gray: é similar ao código binário, porém com orde-
namento numérico diferente. O código gray se baseia na propriedade de que
quaisquer pontos próximos entre si dentro do espaço do problema diferem-se
somente por um bit,diferentemente do código binário, no qual números sub-
seqüentes podem possuir diferenças de mais de um bit.
lento. Se a população for muito pequena surge o risco de não existir a resposta no
espaço de busca, ou de o algoritmo convergir rapidamente, prejudicando a busca por
uma solução ótima.
Nas quais, e(t) é o erro de regime em malha fechada e ref (t) é a referência
do processo. Estes ı́ndices de desempenho são comumente utilizados para avaliar
controladores.
Um outro problema é que, como este tipo de seleção trabalha com proba-
bilidades, é possı́vel que um indivı́duo com alto nı́vel de aptidão não seja selecionado
e uma solução interessante se perca nas primeiras gerações.
a busca, devido à reprodução maior deste indivı́duo durante as evoluções, o que pode
gerar a convergência prematura do algoritmo genético.
iii. Retornar o primeiro indivı́duo cujo fitness somado ao fitness dos indivı́duos
anteriores, seja maior ou igual a n.
f (xi )
pi = Pn
j=1 f (xj )
1.9 Operadores Genéticos 14
demoraria algumas gerações mais e essa diferença entre gerações (convergência) po-
deria ser um critério de parada. Outro critério de parada que pode ser adotado é
a quantidade de iterações, ou seja, de gerações criadas. Nesse caso, o algoritmo foi
até a 4a geração.
• Tempo computacional.
Esse parâmetro indica com qual taxa o operador crossover atua sobre os
indivı́duos selecionados na população. O aumento desse valor acelera a entrada de
novos indivı́duos.
1.13 Exercı́cio
• O valor dos genes de cada indivı́duo deve ser aleatório. No entanto, antes de
iniciar o seu AG, tente sintonizar seu PID de modo convencional para limitar
o seu espaço de busca.
• A função fitness deve ser baseada em alguma das função de erro mostrada na
seção 1.7.
• Use elitismo para garantir que seu AG não piore de uma geração para outra.
Com o resultado encontrado pelo AG, você pode dizer se essa confi-
guração para o PID é melhor ou pior da encontrada pelo método tradicional? Por
quê?
23
Referências