Algoritmo Genetico 1228567459813008 9

Componentes de um Algoritmo Genético
1. Problema
2. Representação
3. Decodificação
4. Avaliação
5. Operadores
6. Técnicas
7. Parâmetros
1. PROBLEMA
GAs são indicados em problemas complexos de

otimização- onde se busca uma solução melhor::
® muitos parâmetros e variáveis;

® mal estruturados: com condições e restrições,
difíceis de serem modeladas matematicamente;
® grandes espaços de busca onde não é possível a
busca exaustiva.
2. REPRESENTAÇÃO
Representação é fundamental na modelagem de um GA e deve:
® descrever o espaço de busca relevante ao problema;
® codificar geneticamente a “essência” do problema:

evolução do “código” evolução da solução
® ser compatível com os operadores (crossover e mutação)

representação adequada sucesso, evolução
2. REPRESENTAÇÃO
Método de Solução ↔ Representação
– Numérico – Binário, Real

– Ordem – Lista
– Grupo – Vetor
– Inteiro – Inteiro
– Misto – Ex
Ex:: Real e
Lista
BINÁRIO CODIFICANDO REAL
O binário é um contador de unidades de precisão
Aspectos importantes:
¬variáveis do problema (x1 , x2 , ... , xt )
¬domínio de valores: xi ∈ (míni, máxi) em R
¬precisão: p casas decimais
(máxi-míni)x10p diferentes soluções

domínio de
xi
míni máxi
Precisão è 1/10p
Representação:
k1 bits k2 bits ... kt bits
x1 x2 xt
onde,
2k i ≥ (máxi-míni)x10p Precisão = (máxi-míni)

2k i - 1
Decodificação para Real:

xi real = xi bin .(máxi-míni) + mín
________ i
2k i - 1
se xibin=(0 0 ... 0) xi real = míni
se xibin=(1 1 ... 1) xi real = máxi
REPRESENTAÇÃO BINÁRIA
® simples de criar e manipular

® produz bons resultados
® facilita aplicações de operadores
® fácil decodificação numérica ( inteiro,real )
® facilita a demonstração de teoremas
® porém, nem sempre é adequada
3. DECODIFICAÇÃO
Construir a solução para o problema a partir de um

cromossoma:
Cromossomas “representam” soluções.
Cromossoma Transformação Solução
0011011 bin inteiro x=27
0011011 x=27 x 10/27 -1 x=2,1 x ∈[0,10]

1 casa decimal
A cidades
3Km
ADBCE D
7Km A→D→B→C→E
1Km B E
4Km 3Km
(Σ dist.=18)
C
4. AVALIAÇÃO
Elo entre o algoritmo genético e o problema .
f(cromossoma) = medida numérica de aptidão
Chances de seleção são proporcionais à aptidão.
f(i)
n
∑ f(j)
j= 1
5. OPERADORES
Atuam no processo de criação de novos

indivíduos (descendentes):
1. Crossover
2. Mutação
3. Inversão
4. Operadores específicos ao problema
6. TÉCNICAS
- Técnicas de Representação
- Técnicas de Inicialização da População
- Técnicas de Eliminação da População Antiga
- Técnicas de Reprodução
- Técnicas de Seleção de Genitores
- Técnicas de Aptidão
- Técnicas de Parametrização
- Técnicas de Elitismo
- Técnicas de Seleção de Operadores
7. PARÂMETROS
- TAMANHO_POPULAÇÃO
- TOTAL_INDIVÍDUOS
- NÚMERO_GERAÇÕES
- TAXA_CROSSOVER
- TAXA_MUTAÇÃO
- APTIDÃO_OPERADORES
- ETC.
Desenvolvimento de um Algoritmo Genético
procedure algoritmo_genético
begin
t=0 ; primeira geração
inicializa P(t) ; população inicial aleatória
avalia P(t) ; calcula f(i) p/ cada indivíduo
while (not condição_parada) do
begin
t=t+1 ; próxima geração
seleciona P(t) de P(t-1)
altera P(t) ; crossover e mutação
avalia P(t) ; calcula f(i) p/ cada indivíduo
end
end
Sistemas de Desenvolvimento
l ICADEMO
l Genesis, Genesys
l WinGenesis
l GENOCOP
l GeneHunter
l Evolver 4.0
l Escapade
l Sugal
l Bibliotecas específicas (C, Pascal, etc)
– TNA/C++,
Algoritmos Genéticos
l Exemplos GA1-1 a GA6-1
l Especificação de técnicas e parâmetros
por módulos:
– Módulo de Avaliação
– Módulo de População
– Módulo de Representação
l Módulo de Avaliação
GA1-1
Função de Avaliação: Função binária F 6
l Módulo de População
Técnica de Representação: Binária 44 bits
Técnica Inicialização da População: Aleatória
Técnica Eliminação da População: Elimina todos
Técnica de Reprodução: Troca da geração
Técnica de Seleção de Genitores: Roleta
Técnica de Aptidão: Aptidão é a avaliação
Técnica de Parametrização: Nenhuma
Técnica de Elitismo: Nenhuma
Population Size: 100
Total de Indivíduos: 4000
l Módulo de Reprodução
Técnica de Seleção de Operadores: Use todos
Operadores: Crossover 1 ponto & Mutação
Taxa Mutação: 0,008
Taxa Crossover: 0,65
Técnica de Parametrização: nenhuma
Função F6
Função F6(x,y)
1
F6(x,0)
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-100 - 50 0 50 100
x
Características da F6
F6(x,y) = 0,5 - (sen √ x2 + y2 )2 - 0,5

(1,0 + 0,001 (x2 + y2 ))2
l Objetivo: Maximizar F6
l Uma única solução ótima: F6(0,0)=1
l Difícil de otimizar: vários mínimos locais
Representação
l Binária codificando real

l 2 Variáveis: x, y
l Domínio: x,y ∈ [-100, +100]
l Precisão: 4 a 5 casas decimais
6 7
l log2 2x10 ó Ki ó log2 2x10
l Ki=22 Ô total de 44 bits

Exemplo
l Cromossoma:
00001010000110000000011000101010001110111011
l Dividido em x e y:
0000101000011000000001 1000101010001110111011
l Convertidos para base 10:
165377 e 2270139
l Multiplicados por: 200/222-1
7,885791751335085 e 108,24868875710696
l Subtraídos de mín:
x=-92,11420824866492 e y=8,248688757106959
l Aplicados a F6(x,y):
F6(x,y)=0,5050708
Módulo de População
l Técnica Inicialização da População: Aleatória
Ü Geração aleatória de palavras de 44 bits
l Técnica Eliminação da População: Elimina todos
Ü Elimina pop_size indivíduos da população anterior
l Técnica de Reprodução: Troca da geração
Ü Reproduz pop_size indivíduos para a nova população
l Técnica de Aptidão: Aptidão é a avaliação
Ü Aptidão é numericamente igual à avaliação
l Técnica de Seleção de Genitores: Roleta
Parâmetros
l Tamanho da População: Exemplo
pop_size 100
l Número de Gerações:
num_ger 40
l Total de Indivíduos:
total_ind = pop_size x num_ger 4000
Parâmetros
pop_size 1000
num_ger 4
Parâmetros
pop_size 10
num_ger 400
Seleção pela Roleta

Objetivo: Selecionar indivíduos aleatoriamente, proporcionando
maiores chances de reprodução aos mais aptos.
Método por Computador

l Encontre a soma da aptidão de todos os membros da
população AT= ∑ Ai (0 ó i ó pop_size-1)
l Gere um número aleatório 0 ó rand ó AT
l Pegue o primeiro membro da população Ik cuja aptidão
somada às aptidões dos membros precedentes é maior
ou igual a rand.
∑ Ai ò rand (i < k)
Exemplo da Roleta
Cromossoma 1 2 3 4 5 6 7 8 9 10
Aptidão 8 2 17 7 2 12 11 7 3 7
∑ Ai 8 10 27 34 36 48 59 66 69 76
Número Aleatório 23 49 76 13 1 27 57
Selecionado 3 7 10 3 1 3 7
1 2 3 4 5 6 7 8 9 10
8 2 17 7 2 12 11 7 3 7
8 10 27 34 36 48 59 66 69 76
Módulo de Reprodução
l Técnica de Seleção de Operadores: Use todos

Ü Use o primeiro operador da lista de operadores
l Operadores: Crossover & Mutação
– Taxa Mutação: 0,008
– Taxa Crossover: 0,65
l Valores ideais das taxas são obtidos
experimentalmente
Mutação
l Troca cada gene de um cromossoma se o teste de
probabilidade for verdadeiro
l Taxa Mutação: 0,8% (0,008)
– Teste Verdadeiro Ô troca bit
– Teste Falso Ô mantém
Cromossoma Número Aleatório Novo Cromossoma
1 0 1 0 0,801 0,102 0,266 0,373 1 0 1 0

1 1 0 0 0,128 0,96 0,005 0,84 1 1 1 0
0 0 1 0 0,768 0,473 0,894 0,001 0 0 1 1
Crossover
l Partes de dois cromossomas genitores são trocadas

a partir de uma posição escolhida aleatoriamente
l Taxa de Crossover : 65%
– Teste Verdadeiro Ô Efetua Cruzamento
– Teste Falso Ô Copia os Genitores
P1 1 0 1 1 0 1
P2 0 0 1 1 0 0
F1 1 0 1 1 0 0
F2 0 0 1 1 0 1
ponto de corte aleatórioÚ
Evolução X Convergência
l Crossover:
– acelerador do processo de busca
– tira proveito das soluções mais promissoras
l Mutação
– operador exploratório
– dispersa a população pelo espaço de busca
l Convergência (causas):
– população com indivíduos muito similares
– não há mais evolução:
• ótimo encontrado ou convergência prematura (mínimo local)
– para continuar a evoluir é preciso introduzir mais diversidade
na população
Análise de Desempenho
l Melhor de um Experimento (valor)

l Curva dos Melhores por Geração
l Curva da Média de Melhores de Vários
Experimentos
Média de Experimentos
l Calcula a média dos melhores indivíduos por geração em vários
experimentos.
l Mede o desempenho do GA em encontrar uma solução melhor na
geração seguinte
l GAs são estocásticos: desempenho varia a cada experimento
l São necessários muitos experimentos para se conhecer o
desempenho médio do modelo de GA.
e
A(t) = ∑ Ae (t) 1 ó e ó #_Experimentos
#_Experimentos
t: geração
Ae(t): aptidão do melhor indivíduo em t no experimento e
A(t): média em #_Experimentos das aptidões dos melhores
indivíduos a cada geração t
Experimentos
Melhores nas gerações
1a. 2a. 3a. 4a. Média
ger 1 0,6 0,5 0,8 0,5 0,60
ger 2 0,7 0,5 0,8 0,7 0,68
ger 3 0,7 0,6 0,9 0,7 0,73
ger 4 0,8 0,6 0,9 0,8 0,78
1,00
Avaliação
0,50
0,00
1 2 3 4 5
Experimentos
Característica da Curva de Desempenho
•bom desempenho no início da evolução

•pouco ou nenhum desempenho no final
Curva da Média de Experimentos

Aptidão A(t)
30000
25000
20000
15000
10000
5000
0
1
5
9
13
17
21
25
29
33
37
41
45
49
Gerações
Curva Média de Experimentos para

F6(x,y)
l Usamos o número de dígitos 9 após o ponto
decimal para distinguir avaliações muito próximas
de 1,00 .
l Exemplo:
Avaliação dígitos 9
0,99873578 2
0,82435787 0
0,99995432 4
ICADEMO
GA1-1
Técnica de Representação: Binária 44 bits ICADEMO
Técnica de Aptidão: Aptidão é a avaliação
Population Size : 100
Novas Técnicas e Parâmetros
l Técnicas de Aptidão
l Elitismo
l Reprodução Steady State
l Ajuste dos Parâmetros
GA2-1 a
GA2-5
é Técnica Eliminação da População: Elimina o último
é Técnica de Reprodução: Steady State s/ duplicados
é Técnica de Aptidão: Normalização Linear (100 a 1)
é Taxa Mutação: 0,04
é Taxa Crossover: 0,8
Medida de Aptidão
l O que ocorre se alterarmos a F6 para:
F6 (x,y) = 0,5 - (sen √ x2 + y2 )2 - 0,5

(1,0 + 0,001 (x 2 + y2 ))2
Medida de Aptidão
l O que ocorre se alterarmos a F6 para:
F6Elevada(x,y) = 999,5 - (sen √ x2 + y2 )2 - 0,5

(1,0 + 0,001 (x 2 + y2 ))2
l Formato F6 = formato F6 elevada

l Melhor cromossoma para F6 = melhor para F6 elevada
l Avaliação de F6 elevada = avaliação F6 + 999
è Todavia, GA 1-1 para F6Elevada não apresenta desempenho algum.

è PORQUE?
Aptidão = Avaliação
Ai = fi : aptidão do indivíduo i
pi = Ai/ AT = fi / ∑ fJ : chances de seleção de I
há pop_size sorteios, então
Di = pi x pop_size = (fi x pop_size) / ∑ fJ =
Di = fi / fAV : número provável de sorteios de i, ou
número de descendentes na próxima
geração
l F6 avaliação l F6 Elevada avaliação

best 0,979 best 999,979
worst 0,066 worst 999,066
average 0,514 average 999,514
l Dbest = 1,905 l Dbest = 1,0005
l Dworst = 0,128 l Dworst = 0,9996
è forte pressão seletiva em è melhor e pior cromossomas
favor do melhor vão gerar o mesmo número
de descendentes
O efeito da seleção é quase nulo porque as

avaliações estão relativamente muito próximas.
.
Técnicas de Aptidão
l Aptidão é a Avaliação
Ai = fi Exemplo: Ai = 999,979
l Windowing
– subtrair uma constante dos valores de fi
l Normalização Linear
– atribuir valores a Ai baseados no rank do
cromossoma
Windowing
l Obtenha a avaliação mínima na população.

l Atribua a cada cromossoma I uma aptidão igual a:
Ai = (f i - Amín)
l Opcionalmente, atribua uma aptidão mínima de
“sobrevivência”, maior que a aptidão mínima
calculada, como garantia de reprodução para os
cromossomas menos aptos.
l Exemplo:
Ai = (999,979 - 999,066)= 0,913
Normalização Linear
l Coloque os pop_size cromossomas em ordem

decrescente de avaliação (i=1 é o menos apto).
l Crie aptidões, partindo de um valor mín e crescendo
linearmente até o valor máx.
l Os valores de máx e mín (ou a constante de
incremento) são parâmetros da técnica.
Ai = mín + (máx - mín) x (i - 1)
pop_size - 1
l Quanto maior a constante de incremento, maior a
pressão seletiva sobre os melhores.
Exemplo Comparativo
Rank dos cromossomas 6 5 4 3 2 1

Avaliação original 200 9 8 7 4 1
Aptidão é avaliação 200 9 8 7 4 1
Normalização Linear, taxa=10 60 50 40 30 20 10
Normalização Linear, taxa=20 101 81 61 41 21 1
Windowing 199 8 7 6 3 0
• SUPER INDIVÍDUO: cromossoma 6

•poucas chance de recombinação com outros indivíduos; elimina competidores em poucas
gerações; rápida convergência.
• COMPETIÇÃO PRÓXIMA: entre cromossomas 3, 4 e 5

•é preciso aumentar a pressão seletiva sobre os melhores
GA2-1
Elitismo
l Melhor cromossoma de P(t) é copiado em
P(t+1), após o mutação e crossover.
l Reduz o efeito aleatório do processo seletivo.
l Garante que o melhor indivíduo da próxima
geração é melhor ou igual ao da geração
anterior.
GA2-2
é Técnica de Elitismo: Copia o melhor
Algoritmo Genético
Tradicional
l Representação Binária
l Reprodução com substituição da população
l Elitismo
l Normalização Linear
l Crossover de 1 ponto e Mutação
– Algoritmo de partida em aplicações
– Apresenta bom desempenho em vários problemas
Reprodução Steady State
l Substituição parcial de indivíduos a cada geração
(mais elitista)
l Bons indivíduos (material genético) são preservados,
garantindo mais chances de reprodução
l Método:
– Crie n filhos (seleção+crossover+mutação)
– Elimine os n piores membros da população
– Avalie e introduza os filhos na população
l GAP = fração da população que é trocada
l valor de GAP determina relação entre exploitation e
exploration
Exemplo de Steady State

C19 120 120 121
C18 110 110 120
C17 100 100 110
C16 99 99 100
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
avaliações crie n substitua os n avaliações
de P(t) novos piores de P(t+1)
GA2-3
é Técnica Eliminação da População: Elimina o último
é Técnica de Reprodução: Steady State
Gap Testar de 5 em 5
Steady State sem Duplicados
l Substituição parcial de indivíduos com exclusão de

duplicados
l Evita os duplicados que são mais frequentes com
steady state (populações mais estáticas)
l Maior eficiência do paralelismo de busca,
garantindo pop_size indivíduos diferentes
l Descendentes duplicados são desprezados
l Maior overhead para teste de igualdade
Novos Técnicas, Parâmetros
e Operadores
l Crossover de 2 pontos
l Crossover Uniforme
l Operadores Independentes e Seleção
de Operadores
l Interpolação dos Parâmetros
GA3-1 a
GA 3-3
Técnica Eliminação da População: Elimina o último
Técnica de Reprodução: Steady State s/ duplicados
Técnica de Aptidão: Normalização Linear (100 a 1)
é Técnica de Parametrização: Interpolar taxa de incremento (de 0,2 a 1,2)
é Técnica de Seleção de Operadores: Roleta
é Operadores: Crossover Uniforme
é Mutação
Taxa Crossover: 0,8
é Técnica de Parametrização: Interpolar Pesos dos Operadores
é de (70 30) a (50 50)
Crossover de 2 Pontos
l Semelhante ao crossover de 1 ponto
l 2 pontos são escolhidos aleatoriamente
l Crossover de 1 ponto não consegue combinar todos os padrões
de dois genitores
P1 1 1 0 1 1 0 0 1 0 1 1 0 1 1
P2 0 0 0 1 0 1 1 0 1 1 1 1 0 0
pontos de corte
P1 1 1 0 1 1 0 0 1 0 1 1 0 1 1
P2 0 0 0 1 0 1 1 0 1 1 1 1 0 0
F1 1 1 0 1 0 1 1 0 1 1 1 0 1 1
F2 0 0 0 1 1 0 0 1 0 1 1 1 0 0
Crossover Uniforme
l A contribuição de cada genitor é decidida
aleatoriamente por um padrão
l Capacidade de combinar quaisquer padrões
P1 1 0 0 1 0 1 1
P2 0 1 0 1 1 0 1
Padrão 1 1 0 1 0 0 1
F1
F2
Operadores Independentes
l Determinados GAs podem incorporar diversos operadores
genéticos.
l Operadores não devem ser usados todos, com a mesma
intensidade, a cada fase da evolução ( por ex: mais crossover no
início e mais mutação no final da evolução ).
l Uma roleta sorteia um operador a cada reprodução.
l Pesos (chances) dos operadores, iniciais e finais, e taxa de
interpolação são parâmetros do algoritmo.
OP4
OP3
OP2 OP1
GA3-1
é Operadores: Crossover 2 pontos
é Mutação
Taxa Crossover: 0,7
é Pesos (50 50)
GA3-2
é Mutação
Taxa Crossover: 0,7
é Pesos (50 50)
Desempenho
l Aspectos importantes:
– convergência do GA
– proximidade dos melhores cromossomas a um mínimo local
– diversidade da população
– valores dos parâmetros do GA
l Exemplo: variação da aptidão dos operadores durante evolução.
30 30 30
25 25 25
20 20 20 66
6 6
15 15 15
6 6 6 6
10 10 10
6 66 6 6
5 6 6 66 5 6 6 5
0 66 0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Início: Meio: Fim:

Crossover Crossover Crossover
Mutação Mutação Mutação
Interpolação de Parâmetros
l Consiste na variação dos valores dos parâmetros

do GA durante a execução, de modo a alcançar
maior desempenho.
l Parâmetros:
– taxa de crossover
– taxa de mutação
– taxa incremento da normalização da aptidão
– aptidão dos operadores
l Interpolação define:
– valores inicial e final do parâmetro e frequência de ajuste.
GA3-3
é Técnica de Parametrização: Interpolar taxa de incremento (de 0,2 a 1,2)
é Mutação gráfico
Taxa Crossover: 0,7
é Técnica de Parametrização: Interpolar Pesos dos Operadores
é de (70 30) a (50 50)
Algoritmos Genéticos Híbridos
● Consiste na construção de um GA inspirado no

“algoritmo de otimização em uso” em determinado
problema (se houver).
Alg.. Híbrido = Alg

Alg Alg.. Em Uso + Alg
Alg.. Genético
● Hibridizar:
– Adotar REPRESENTAÇÃO em uso
– Adaptar OPERADORES
– Adotar HEURÍSTICAS de otimização
Vantagens
● Modelo incorpora o conhecimento no domínio do

problema;
● Resulta num sistema mais familiar para o usuário;
● Algoritmo em uso pode fornecer “sementes” para o
GA, garantindo soluções melhores.
● Novos operadores devem estar alinhados com a
filosofia de GAs: recombinação e mutação
– Crossover: recombinação de sub-partes de indivíduos
– Mutação: variações globais ou locais para manter
agitada a variedade genética
1
Representação por Números
Reais
Cromossomas são estruturas contendo números reais.
● Hibridizando com “algoritmo em uso” para a

otimização da função f6 (x,y)
● “Algoritmo em uso” ≡ Busca Exaustiva de x e y reais
•Gera x e y ∈ ℜ aleatoriamente;
•Calcula f6 para o par (x,y);
•Salva (x,y) e f6(x,y);
•Retorna a melhor avaliaçã
avaliaçãoo se tempo esgotado;
•Retorna ao primeiro passo;
Hibridização
● Representação:
Lista de Reais : (x,y)
● Avaliação:
f6(x,y) real
● Inicialização:
Números reais aleatórios
● Operadores Genéticos:
Crossover e Mutação e
Operadores inspirados no problema
2
Crossover
● Cromossoma é uma lista de reais: (x,y)

● Crossover de 1 ou 2 pontos ou Uniforme sobre lista:
● Exemplo: Crossover Uniforme Problema com 4 variáveis
P1 ≡ (x1, y1, t 1, z 1) F1 ≡ (x2, y1, t 1, z 2)

➨
P2 ≡ (x2, y2, t 2, z 2) F2 ≡ ( x1, y2, t 2, z 1)
Padrã
Padr ão ≡ 0 1 1 0
Crossover de Média
● Cruzamento específico para o problema

● Se dois cromossomas são promissores, a média de
seus valores reais pode levar a uma melhor solução
P1 ≡ (x1, y1)
➨ F1 ≡ ( (x
( x1+x2)/2, (y
( y1+ y2)/2)
P2 ≡ (x2, y2)
● A média entre dois valores pode resultar em valores
mais próximos do valor desejado.
3
Crossover de Média
● Crossover aritmético é uma combinação linear de

dois vetores (genitores) P1 e P2 na geração t:
F1 = a . P 1 + (1-
(1-a) P 2
F2 = a . P 2 + (1-
(1-a) P 1
● a =cte
=cte : crossover uniforme
● a =f(t) : crossover não-uniforme (a depende
da idade da população)
Mutação
● Mutação de real
– substitui cada número real em um cromossoma por um
número real aleatório (se teste probabilidade=TRUE)
(x1, y1) ➨ (x1, yrand)
● Creep
– busca uma solução próxima através de ajustes
aleatórios em ambas as direções (+ e -)
(x1, y1) ➨ (x1 ± ∆ x, y1± ∆ y)
∆ ≡ pequeno ou grande
4
Creep - Método de Ajuste 1
Xt + ∆ (máx - Xt) se bit sorteado =0
● Xt+1 =
Xt - ∆ (Xt - mín) se bit sorteado =1
máx e mín = limites do domínio de x
● ∆ (s) = s . rand
rand = número aleatório ∈ [0, p], p≤
≤1
● O ajuste varia com o valor de p :
se p = pequeno ➨ ajuste menor
se p = grande ➨ ajuste maior

Xt + ∆ (t, máx- Xt) se bit sorteado =0
● Xt +1 =
Xt - ∆ (t, Xt -mí n) se bit sorteado =1
t= geração; máx e mín = limites do domínio de x .
● ∆ (t, s) = s . ( 1 - rand (1 - t/T) b )
rand = número aleatório ∈ [0,1]

T = número máximo de gerações
b = grau de dependência com o número da geração
● A probabilidade de ∆ (t, s) ser pró
próximo de zero
aumenta com o nú
número de geraçõ
gerações.
es.
5
∆ (t, s) ∆ (t, s)
s s
t/T=0,50; b=2 t/T=0,90; b=2
1 rand 1 rand
● O operador busca uniformemente no espaço no
início da evolução (t=pequeno), e mais localmente no
final da evolução (t=grande)
● Mód ulo de Av aliação

GA5-1
➩ Função de Avaliação: Função F6 real
● Mód ulo de População
➩ T écnica de Representação: Lista de números reais
➩ T écnica Inicialização da População: Números reais aleatórios
T écnica Eliminação da População: Elimina o último
T écnica de Reprodução: Steady State s/ duplicados
T écnica de Seleção de Genitores: Roleta
T écnica de Aptidão: Normalização Linear (100 a 1)
T écnica de Parametrização: Interpolar taxa de incremento (0,2 a 1,2)
● Mód ulo de Reprodução
T écnica de Seleção de Operadores: Roleta
➩ Operadores: Crossover Uniforme de Lista
➩ Crossover de Média
➩ Mutação de Número Real
➩ Creep ∆ pequeno
➩ Creep ∆ grande
➩ T écnica de Parametrização: Interpolar Pesos dos Operadores
➩ de (10 40 10 30 10) a (10 20 0 40 30)
6
Binária x Reais
● Representação dos genes por números reais (ponto flutuante) é mais
adequada em problemas de otimização de parâmetros com v ariáveis sobre
domínio contínuo;
● Especialmente em grandes domínios onde a representação binária requer um
longo cromossoma:
Ex: 100 v ariáveis, [-500,500], 4 casas decimais ➨ 2400 bits
● Representação por reais é mais rápida na execução;
● Representação por reais of erece maior precisão (depende do computador);
● Desempenho pode ser melhorado com operadores específicos ao problema;
● Representação por reais tem a propriedade que dois pontos próximos um ao
outro no espaço de representação, estão também próximos no espaço do
problema;
● Representação por reais evita Hamming Cliffs.
7
Distância de Hamming
● Rep. Binário Valor Real

C1 = 0 1 1 1 1 1 31
C2 = 1 0 0 0 0 0 32
➨ distância = 6
● Rep. Real Valor Real
C1 = 31 31
C2 = 32 32
➨ distância = 1
8
GA em Otimização
Combinatorial
● Problemas onde a busca da solução depende da
avaliação de diversas combinações (ORDEM) dos
elementos considerados
– Problem a do Caixeiro Viajante

– Problem as de Planejamento
– Problem as de Cronogram as
– Alocação de Salas
– Grafos: Colorir,
Colorir Particionar, Percorrer
Problema de Colorir o Grafo
índice
I-P 1-5 2-8 3-4
peso
● Regras: 4-9 5-6 6-7
– Colorir os nós do grafo de

modo a maximizar a soma
total dos pesos. 7-13 8-10 9-15
– Pares de nós conectados por
um arco não podem possuir
a mesma cor
1
Algoritmo Guloso
● Considera apenas uma das

possíveis soluções, 1-5 2-8 3-4
colorindo os nós em ordem
decrescente de peso.
● Nós em ordem 4-9 5-6 6-7
decrescente de peso:
(9, 7, 8, 4, 2, 6, 5, 1, 3)
● Solução Ótima p/ 1 cor: 7-13 8-10 9-15
(9, 4, 2) ➨ ∑ Pi = 32
Algoritmo Guloso

● Nós em ordem 4-9 5-6 6-7
(9, 7, 8, 4, 2, 6, 5, 1, 3)
(9, 4, 2) ➨ ∑ Pi = 32
2
Algoritmo Guloso

● Nós em ordem 4-9 5-6 6-7
(9, 7, 8, 4, 2, 6, 5, 1, 3)
(9, 4, 2) ➨ ∑ Pi = 32
Algoritmo Guloso

● Nós em ordem 4-9 5-6 6-7
(9, 7, 8, 4, 2, 6, 5, 1, 3)
● Solução Ótima p/ 2 cores: 7-13 8-10 9-15
(9, 4, 2) e ( 7, 6, 5)
➨ ∑ Pi = 32 + 26
3
Aplicando o Algoritmo Guloso
● Nós em ordem
decrescente de peso: 2-8
1-12
(7, 3, 4, 1, 6, 5, 2)
3-14 6-10
7-15
4-13
5-9
● Nós em ordem
1-12
(7, 3, 4, 1, 6, 5, 2)
● Algoritmo Guloso começa 3-14

7-15 6-10
e para no nó 7
4-13
5-9
4
● Nós em ordem
1-12
(7, 3, 4, 1, 6, 5, 2)
● Soluções Ótimas: 3-14

7-15 6-10
– 1 cor: (1, 5, 3)
– 2 cores: (2, 4, 6)
4-13
5-9
Características do Problema
● A modificação dos pesos, número de cores e arcos,

altera radicalmente a solução do problema.
● Estratégias como o algoritmo guloso não funcionam
bem para todos os problemas de colorir o grafo.
● Heurísticas (Ex: a valiar número de arcos ou pesos
de nós vizinhos antes colorir um nó) podem não ser
eficientes para grandes espaços de busca.
● Algoritmos Genéticos oferecem uma solução (sub-
ótima ou ótima) para qualquer problema de colorir o
grafo.
5
Componentes de um Algoritmo Genético
1. Problema
2. Representação
3. Decodificação
4. Avaliação
5. Operadores
6. Técnicas
7. Parâmetros
Tentando a Representação
Binária
● Cada nó do grafo é representado por um campo
(gene) no cromossoma:
Símbolo do Campo ≡ Cor do nó
● Podemos usar a representação binária. Para apenas
1 cor :
0 ≡ não colorido 1 ≡ colorido 1-5 2-8 3-4
Cromossoma ≡ 0 1 0 1 1 0 0 0 1
Nó 1 2 3 4 5 6 7 8 9
4-9 5-6 6-7
7-13 8-10 9-15
6
Avaliando Representação
Binária
● C é um cromossoma ILEGAL
ILEGAL.
● Inicialização, crossover e mutação vão gerar soluções
ilegais.
● Seria necessário um módulo reparador de cromossomas
● Representação binária permite soluções
sub-ótimas: 1-5 3-4
2-8
C≡ 010100000
Nó 1 2 3 4 5 6 7 8 9
4-9 5-6 6-7
● C ainda poderia ter o nó 6, ou 8 ou 9

colorido e ser legal. 7-13 8-10 9-15
Representação Baseada em
Ordem
● GA Híbrido ≡ Técnicas de GA + Algoritmo Guloso
● Algoritmo Guloso:
– Cria uma lista de nós (ordem decrescente de peso)
– Constrói a solução: atribui ao próximo nó da lista uma cor
legal
● Algoritmo Genético
– Cria uma lista (nós em ordem qualquer)
– Constrói a solução: atribui ao próximo nó da lista uma cor
legal
7
Exemplo
● Cromossoma = lista
C1 ≡(9, 7, 8, 4, 2, 6, 5, 1, 3) 1-5 2-8 3-4
C2 ≡(2, 3, 7, 4, 9, 6, 5, 1, 8)
C3 ≡(4, 5, 1, 2, 9, 6, 8, 7, 3)
4-9 5-6 6-7
● C1 C2 C3 resultam na
solução ótima p/ 1 cor:
(9, 4, 2) ➨ ∑ Pi = 32 7-13 8-10 9-15
● Informação codificada é a
ordem relativa dos nó
n ós
Operadores Genéticos
● Testando o Crossover de 1 ponto:
P1 ≡(9, 7, 8, 4, 2, 6, 5, 1, 3)
P2 ≡(2, 6, 7, 4, 9, 3, 5, 1, 8)
F1 ≡(9, 7, 8, 4, 2, 3, 5, 1, 8)
F2 ≡(2, 6, 7, 4, 9, 6, 5, 1, 3)
● Descendentes são cromossomas ilegais: nós

repetidos e ausência de determinados nós.
● Crossover e mutação devem garantir uma lista válida
de todos os nós
8
Modelagem do Algoritmo Genético
1. Problema
• Problema de Colorir o Grafo
2. Representação
• Permutação dos índices dos nós
3. Decodificação
• Da esquerda para direita, atribui uma cor válida ao próximo nó
4. Avaliação
• ∑ Pi
5. Operadores
• Crossover Uniforme Baseado em Ordem
● Mutação por Embaralhamento
Crossover Uniforme Baseado

em Ordem
● Dados dos genitores P1 e P2, , criar descendente F1;
● Gere um padrão de bits do mesmo comprimento que os
genitores;
● Preencha F1, copiando o genitor P1 nas posições em que
o padrão é igual a “1”;
● Faça uma lista dos elementos de P1 associados com os
bits “0” do padrão;
● Permute estes elementos de modo que eles apareçam na
mesma ordem em que aparecem em P2 ;
● Preencha as lacunas de F1 com os elementos ordenados
no passo anterior;
9
Exemplo
P1 1 2 3 4 5 6 7 8
P2 8 6 4 2 7 5 3 1
Padrão 0 1 1 0 1 1 0 0
F1 - 2 3 - 5 6 - -
F2 8 - - 2 - - 3 1
Elementos de P 1 associados a “ 0”: 1, 4, 7, 8. Ordenados segundo P 2 : 8, 4, 7, 1

Elementos de P 2 associados a “ 1”: 6, 4, 7, 5. Ordenados segundo P 1 : 4, 5, 6, 7
F1 8 2 3 4 5 6 7 1
F2 8 4 5 2 6 7 3 1
Mutação por Embaralhamento
● Seleciona aleatoriamente uma sub-lista do

cromossoma
● Embaralha sub-lista
1 2 3 4 5 6 7 8 9
1 2 3 6 4 8 7 5 9
10
● Mód ulo de Av aliação
GA6-1
➩ Função de Avaliação: Avaliador do problema de
colorir o grafo ∑ Pi
● Mód ulo de População
➩ T écnica de Representação: Lista de nós
➩ T écnica Inicialização da População: Permutação aleatória
T écnica Eliminação da População: Elimina o último
T écnica de Reprodução: Steady State s/ duplicados
T écnica de Seleção de Genitores: Roleta
T écnica de Aptidão: Normalização Linear (100 a 1)
T écnica de Parametrização: Interpolar taxa de incremento (0,2 a 1,2)
● Mód ulo de Reprodução
T écnica de Seleção de Operadores: Roleta
➩ Operadores: Crossover Uniforme Baseado em Ordem
➩ Mutação por Embaralhamento
➩ T écnica de Parametrização: Interpolar Pesos dos Operadores
➩ de (60 40) a (30 70)
Problema de Colorir o Grafo
● Grafo com 100 nós ➨ 100! permutações diferentes

● 3 cores possíveis
● Listagem descreve o grafo através de:
(índice_nó, peso (lista de nós conectados))
(1 62 (20 58 74 82))
(2 183 (6 12 20 28 29 32 51 53 70 79 84 94))
(3 247 (18 24 33 50 88 92))
....................
...........
(99 254 (29 52 53 67 75 80 84 89))
(100 145 (15 20 22 29 34 44 60 87))
11
Busca Aleatória
● Muitas vezes não temos como comparar os

resultados obtidos por um GA.
● Nestes casos, podemos usar a busca exaustiva
como base de comparação.
● Gera-se uma curva média de desempenho para a
busca aleatória com o mesmo número de tentativas
que o GA.
● Um modelo de GA desempenhando abaixo da busca
exaustiva deve prova velmente conter erros de
modelagem e/ou programação.
Busca Aleatória
procedure busca_aleatória
begin
t=0 ; primeira geração
inicializa P(t) ; população inicial aleatória
av alia P(t) ; calcula f(i) p/ cada indivíduo
salv a_melhor de P(t) ; salva melhor indivíduo
while (not total_indivíduos) do
begin
t =t + 1 ; próxima geração
inicializa P(t) ; população aleatória
av alia P(t) ; calcula f(i) p/ cada indivíduo
compara_melhor P(t) com melhor P(t-1)
salv a_melhor
end
end
12
Resultados do GA 6-
6-1
● GA 6-1 é em média 7,4% que a busca aleatória após

4000 tentativas:
– média GA 6-1= 10300
10300; média busca aleatória=9600
9600
● GA 6-1 é em média 7,4% que a Algoritmo Guloso:
– máximo do Alg. Guloso= 9590
● GA 6-2 com pop_size=1200 e total_indivíduos=10000
encontrou avaliação=10594
10594
13
GA em Otimização de
Planejamento
● Planejamento envolve:
Procedimentos
Recursos
Tarefas
Tempo
Objetivos
Restrições e condições
● Otimizar:
– “Alocar , no tempo, os recursos para a execução das
tarefas, respeitando as restrições e condições, de modo
a alcançar os objetivos do problema.”
Exemplos
– Problema do Caixeiro Viajante

– Otimização da Distribuição (Rota de veículos)
– Alocação de Salas; Timetabling
– Planejamento de Vôos de Cias Aéreas
– Otimização de Estoque/Produção
– Otimização da Produção Industrial
1
Variáveis Típicas do
Planejamento
● Restrições de Recursos
– número de instâncias de cada recurso/máquina;
– diferenças entre as instâncias (velocidade, tempo máximo de
operação, capacidade etc).
– paradas de manutenção
– máquinas com programação especial: laminadores de aço (largura,
espessura e dureza)
● Restrições Temporais
– horário de funcionamento preferenciais;
– tempo de transporte de material entre máquinas
● Reajuste das Máquinas
– tarefas exigem setup de máquinas (automático ou manual).
Variáveis Típicas do
Planejamento (cont.)
● Prioridade
– tarefas possuem prioridades diferentes (prazo de entrega,
emergência, manutenção, tipo de cliente etc).
● Estoque
– matéria prima: disponibilidade, ordem de desempilhamento
● Reprogramação
– reprogramação das máquinas em casos de contingências
● Precedência
– certas tarefas não podem ser programadas antes que outras
tenham terminado.
2
Características do
Planejamento
● Há muitas condições e restrições que não podem ser ser
expressas matematicamente;
● Métodos de busca podem falhar devido aos requisitos de tempo;
● Podar o espaço de busca reduz o tempo de execução mas limita
desempenho;
● Heurísticas são úteis para acelerar a busca;
● GA é um técnica adequada a problemas mal estruturados como
os de planejamento.
Problema Simples de
Planejamento de Produção
● 90 tarefas: (a, b, c, d, e, f................)
● cada tarefa possui um peso associado a sua
importância (lucro, prioridade, benefício etc)
● 30 recursos: apenas uma instância de cada recurso
● tarefas requerem de 1 a 3 horas para execução
● programação para um total de 40 horas de produção
● algumas tarefas têm restrições nas primeiras 12 horas
do planejamento
● Objetivo: maximizar a soma dos pesos das tarefas
planejadas nas primeiras 40 horas
3
Exemplo de Tarefas: a..u
Tempo de Execução de cada tarefa: 1, 2 ou 3 horas
Recursos requeridos por cada tarefa: “ . ” = recurso não requerido
“ a” = recurso requerido
Tarefas Tempo Execução Recursos Utilizados pelas Tarefas
a 3 . a . . . . a a . . . a a . . . . . . . a . . . . .
b 1 . . b . . . . b . b . . b . b b . . b . b . . . . .
c 3 . . c . c c . . c . . . . c . . c c . c . c c . . .
d 3 . . d . . . d . . d . . d . . . . . . . . d . . . .
e 3 . . . . e e e . . e . . . . . . . e . . . . . . . .
f 1 . f . f f f . . f . . . . . . . . . . . f . f f f .
g 3 g . g . . . . g . . . . g . g g g . . . . g g . g g
h 2 h . . . h . h . h . h h . . . . . . . . . . . . . .
i 1 . . . i . . . . . . i i i . . . . . i . . i . . . .
j 1 . . . . . . . . . . . . . . . . . . . . . . . . j .
k 1 . . k k . k . k . . . . . k k . . . . . . k . . . .
l 1 l . . . l l . . l . . . l . . l . l l . . . l . . l
m 3 . . . . m . m . . . m m . . . . . . . . . . . . m .
n 2 . . . . . . . . . . . . . . n n . . n n . . . . . .
o 3 . o o . . . . . o . . . . . o . . o o . . o . . . .
p 1 . . . . p . . . . . p . p p . . . . p . . p . p . .
q 3 . . . q . . . q . . . . q . . q . . q . q . . q . q
r 1 r . . . . . . . . . r r . r . . . . . r . . . . . .
s 3 . . . s s . . . s s . . . . . s . . . . . s . . . .
t 1 t . . . . . . . . . . . . . t . . t t . . . . . . .
u
Exemplo de Planejamento
● Planejamento parcial das tarefas em ordem alfabética
Tempo
Hora . a c . c c a a c . . a a c . . c c . c a c c . . . . . . .
1 a c . c c a a c . . a a c . . c c . c a c c . . . . . . .
2 . a c . c c a a c . . a a c . . c c . c a c c . . . . . . .
3 . . b . . . . b . b . . b . b b . . b . b . . . . . . . .
4 . f d f f f d . f d . . d . . . . . . . f d f f f . f . f d
5 . . d . . . d . . d . . d . . . . . . . . d . . . . . . . d
6 . . d . . . d . . d . . d . . . . . . . . d . . . . . . . d
7 g . g . e e e g . e . . g . g g g e . . . g g . g g e . . e
10 . f . f f f . . f . . . . . . . . . . . f . f f f . f . f .
11 g . g . . . . g . . . . g . g g g . . . . g g . g g . . . .
4
Modelagem do Algoritmo Genético
1. Problema
2. Representação
3. Decodificação
4. Avaliação
5. Operadores
6. Técnicas
7. Parâmetros
Representação
● Cromossoma ≡ permutação (lista) de tarefas
P1 = (a, b, c, d, e, . . . . t)
P2 = (d, s, e, h, g, . . . . i)
● cromossoma codifica a ordem e a vez (posição) nas

quais as tarefas serão planejadas
● requer decodificador ≡ construtor de planejamentos
legais
5
Decodificador do Cromossoma
● Constrói soluções LEGAIS

● Concentra todo o conhecimento no domínio do
problema: restrições, recursos, horários, etc.
● Regra Principal:
“Se uma tarefa está planejada na hora t, uma outra
tarefa não pode ser planejada em t, exceto se a
interseção dos recursos requisitados é vazia”
Decodificador do Cromossoma
1 Pega a primeira tarefa da lista;

2 Coloca a tarefa no planejamento a partir de t=0;
3 Pega próxima tarefa e procura colocá-la no
planejamento, considerando as restrições presentes,
a partir de t=0 até t=40 horas;
4 Vai para 3 se não terminou a lista.
6
P = (t, c, s, a)
Hora
t . . . . . . . . . . . . . t . . t t . . . . . . . . . . . 1
2
3
4
5
6
7
8
9
10
11
P = (t, c, s, a)
Hora
t . . . . . . . . . . . . . t . . t t . . . . . . . . . . . 1
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 2
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 3
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 4
5
6
7
8
9
10
11
7
P = (t, c, s, a)
Hora
t . . . . . . . . . . . . . t . . t t . . . . . . . . . . . 1
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 2
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 3
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 4
. . . s s . . . s s . . . . . s . . . . . s . . . . s . . . 5
. s s . . . s s . . . . . s . . . . . s . . . . s . . . 6
. s s . . . s s . . . . . s . . . . . s . . . . s . . . 7
8
9
10
11
P = (t, c, s, a) ➨ 7 horas
Hora
t a . . . . a a . . . a a . t . . t t . a . . . . . . . . . 1
. a c . c c a a c . . a a c . . c c . c a c c . . . . . . . 2
. a c . c c a a c . . a a c . . c c . c a c c . . . . . . . 3
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 4
. . . s s . . . s s . . . . . s . . . . . s . . . . s . . . 5
. s s . . . s s . . . . . s . . . . . s . . . . s . . . 6
. s s . . . s s . . . . . s . . . . . s . . . . s . . . 7
8
9
10
11
8
P = (t, a, s, c)
Hora
t . . . . . . . . . . . . . t . . t t . . . . . . . . . . . 1
2
3
4
5
6
7
8
9
10
11
P = (t, a, s, c)
Hora
t a . . . . a a . . . a a . t . . t t . a . . . . . . . . . 1
. a . . . . a a . . . a a . . . . . . . a . . . . . . . . . 2
. a . . . . a a . . . a a . . . . . . . a . . . . . . . . . 3
4
5
6
7
8
9
10
11
9
P = (t, a, s, c)
Hora
t a . s s . a a s s . a a . t s . t t . a s . . . . s . . . 1
. a . s s . a a s s . a a . . s . . . . a s . . . . s . . . 2
. a . s s . a a s s . a a . . s . . . . a s . . . . s . . . 3
4
5
6
7
8
9
10
11
P = (t, a, s, c) ➨ 6 horas
Hora
t a . s s . a a s s . a a . t s . t t . a s . . . . s . . . 1
. a . s s . a a s s . a a . . s . . . . a s . . . . s . . . 2
. a . s s . a a s s . a a . . s . . . . a s . . . . s . . . 3
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 4
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 5
. . c . c c . . c . . . . c . . c c . c . c c . . . . . . . 6
7
8
9
10
11
10
Avaliação
● Uma possível função considera:
– pesos das tarefas ➨ maximizar a soma das planejadas
– restrições das tarefas ➨ penalizar se violação
– período ➨ não planejar se além de t=40 horas
Ai = ∑ pt - ∑ pn + ∑ pp + ∑ pv/2
t n p v
– pt = pesos de todas as tarefas

– pn = pesos das tarefas não planejadas
– pp = pesos das tarefas planejadas
– pv = pesos das tarefas que violaram restrição
● Ai ≥ 0; Ai = 0 ➨ nenhuma planejada; Ai = 2 ∑ pt ➨ todas
Avaliando Operadores
● Mutação Baseada em Ordem
● Mutação Baseada em Posição
● Mutação por Embaralhamento
● Crossover Baseado em Ordem
● Crossover Baseado em Posição
● Recombinação de Adjacências
Aspectos importantes
– Ordem Relativa
• tarefas anteriores podem impedir o planejamento das tarefas
posteriores
– Posição da Tarefa
• tarefas no início da lista têm maior chance de serem planejadas
11
Avaliação de Desempenho
● Avaliação dos Operadores isoladamente:

– só mutação
– só crossover
● Combinando os Melhores Operadores
● Busca Aleatória para comparar resultados
– gera uma lista de tarefas e avalia
● Espaço de Representação = 90! = 10138
● Média de 50 Experimentos de 3000 Indivíduos:
média dos melhores a cada instante
Busca Aleatória
12
Mutação Baseada em Ordem
● duas tarefas são selecionadas aleatoriamente e a

segunda é colocada na frente da primeira
● Exemplo:
(a
a b c d e f) (a b c d e f)
⇓ ⇓
e a b c d f)
(e (a d b c e f)
● operador preserva ordem relativa de parte do
cromossoma
Mutação Baseada em Posição
● troca as posições de duas tarefas escolhidas

aleatoriamente
(a
a b c d e f) (a b c d e f)
⇓ ⇓
e b c d a f)
(e (a d c b e f)
● operador não preserva a ordem relativa das posições

selecionadas em relação as tarefas do meio
13
Mutação por Embaralhamento
● embaralha sub-lista escolhida aleatoriamente
(a | b c d | e f) (a b c | d e f |)
⇓ ⇓
(a | c d b | e f) (a b c | f d e |)
● operador tem maior poder de dispersão da

população
Resultados da Mutação
● Testes sem crossover e com elitismo

● Mutação é mais efetiva que busca aleatória
● Mutação baseada em ordem é mais efetiva
● Embaralhamento é melhor que busca aleatória
● Operadores de mutação são heurísticos, por isso são
melhores que busca aleatória
14
Resultados da Mutação
Crossover de Ordem
● Posições são selecionadas aleatoriamente
● Ordem das tarefas nas posições selecionadas em um genitor é
imposta nas tarefas correspondentes no outro genitor
P1 = a b c d e f g h i j
P2 = e i b d f a j g c h
posições ✶ ✶ ✶ ✶
F1 = a _ c d e _ _ h _ j
F2 = _ i _ d f a j g _ _
F1 = a i c d e b f h g j
F2 = b i c d f a j g e h
15
Crossover de Posição
● Posições são selecionadas aleatoriamente
● Posições das tarefas em um genitor são impostas nas tarefas
correspondentes no outro genitor
P1 = a b c d e f g h i j
P2 = e i b d f a j g c h
posições ✶ ✶ ✶ ✶
F1 = _ i b _ f _ _ g _ _
F2 = _ b c _ e _ _ h _ _
F1 = a i b c f d e g h j
F2 = i b c d e f a h j g
Recombinação de Adjacências
● Crossover combina a informação de adjacências entre as
tarefas presentes nos genitores
P1 = a b c d e f
P2 = b d c a e f
P1 ➩ ab bc cd de ef fa informação de adjacência
P2 ➩ bd dc ca ae ef fb informação de adjacência
F = b c d e a f
F ➩ bc cd de ea af fb informação de adjacência
16
Recombinação de Adjacências
● Operador foi originalmente criado para o problema

do Caixeiro Viajante (TSP)
A cidades
3Km
7Km
ADBCE D B E
1Km
4Km 3Km
● No TSP temos:
– informação de adjacência é importante
– direção (ordem) entre 2 cidades não importa (A B = B A)
Resultados do Crossover
● Testes sem mutação e com elitismo (rápida evolução

no início, nada acontece após 1000 indivíduos)
● Crossover de ordem apresenta resultado equivalente
ao de posição: são de fato o mesmo operador !!
● Recombinação de Adjacências é equivalente a busca
aleatória no problema de planejamento
17
Resultados do Crossover
Combinando Crossover e
Mutação
1 Mutação de Ordem (50%) + Crossover de Ordem (50%)
2 Mutação de Ordem (50%) + Crossover de Posição (50%)
3 Mutação de Ordem (50%) + Recomb. de Adjacências (50%)
● Curvas menos inclinadas no início e menos planas no final

● Variando os pesos do crossover e mutação, pode-se melhorar o
desempenho: aumentando-se a mutação e diminuindo-se o
crossover, lentamente, durante a evolução.
18
Crossover (50%) + Mutação (50%)
Variando-se os Pesos de
Crossover + Mutação
19
Fundamentos Matemáticos
Como e porque Algoritmos

Genéticos funcionam?
Teoria de Schema (John Holland 1975)

“Schema é um padrão genético que descreve um conjunto
de cromossomas do espaço de busca com similaridades
em certas posições”
Schema
● Buscando padrões de jogadores de seleção
Sexo Idade Gosto Profissão
Gostam de
Médico
Futebol
Jogadores
da Seleção > 30 anos Feminino
Masculino
Aptidão dos Padrões
Sexo Idade Gosto Profissão Gostam de

Futebol Médico
Aptidão
Masculino I>30 X X baixa Jogadores
> 30 anos
da Seleção Feminino
Feminino X X X baixa
Masculino
Masculino I<30 X X boa
X X Sim Médico baixa
Representação de um
Schema
● Utiliza-se um símbolo adicional:
✴ = don’t care
● Exemplo: H= 1 1 ✴
H é um padrão que descreve todos os cromossomas do espaço

2 3 , cujos os dois primeiros bits são iguais a ‘1’, não importando
os demais.
Interpretação
● f(x) = x2 , x ∈ 23
● Seja o schema
schema:: H= 1 1 ✴
● H refere-se a conjectura que a razão pela qual 111 e
110 são bons cromossomas (ou não), são os dois
bits mais significativos iguais a ‘1’, não importando os
demais.
● Para esta conjectura “podem” existir numa
determinada população dois representantes: 110 e
111.
● 110 e 111 “pertencem” a H= 1 1 ✴
Número de Schemata
● Seja o espaço de busca KL onde:
K ≡ número de elementos do alfabeto de representação
L ≡ comprimento do cromossoma
➨ Total de Schemata = (K+1) L
● Exemplo: K=2; L=3
23 = 8 pontos
Total de Schemata = 27
Ordem de um Schema
● Ordem ou Especificidade O(H)
O(H) ≡ número de posições fixas (diferentes de *)
presentes no schema
H= 0 1 1 ✴ 1 ✴ ✴ O(H) =4
H= 0 ✴ ✴ ✴ ✴ ✴ ✴ O(H) =1
Comprimento de um Schema
● δ(H) ≡ distância entre a primeira e a última posições
específicas (diferentes de *) no schema.
H= 0 1 1 ✴ 1 ✴ ✴ δ(H) =4
H= 0 ✴ ✴ ✴ ✴ ✴ ✴ δ(H) =0
Representação Geométrica
Schemata de Ordem 3: Pontos
110 111
010 011
100
101
000 001
Schemata de Ordem 2: Linhas
110 11✶
111
✶ 10 ✶ 11
01✶
010 011
1✶ 0 1✶ 1
0✶ 0 0✶ 1
100 10✶
101
✶ 00
✶ 01
000 00✶ 001

Schemata de Ordem 1: Planos
110 111
✶ 1✶
010 011
1✶ ✶
✶✶ 0 ✶ ✶1
0✶ ✶
100
101
✶ 0✶
000 001
Indivíduos Pertencentes ao
um Schema
● Um indivíduo pertence a um schema se para todas as
L posições o símbolo do indivíduo é igual ao símbolo
do schema, exceto nas posições onde o símbolo do
schema é don’t care (✴).
● Um schema possui 2L-O(H) indivíduos.
● Exemplo: ✴ 1 ✴ possui 23-1 indivíduos
0 10
0 11
1 10
1 11
Indivíduos Pertencentes ao
Schema
Sch ema I ndi ví du os
1 0 00 0 00
2 0 01 0 01
3 00 * 0 00 0 01
4 0 10 0 10
5 0 11 0 11
6 01 * 0 10 0 11
7 0* 0 0 00 0 10
8 0* 1 0 01 0 11
9 0 ** 0 00 0 01 0 10 0 11
10 1 00 1 00
11 1 01 1 01
12 10 * 1 00 1 01
13 1 10 1 10
14 1 11 1 11
15 11 * 1 10 1 11
16 1* 0 1 00 1 10
17 1* 1 1 01 1 11
18 1 ** 1 00 1 01 1 10 1 11
19 *0 0 0 00 1 00
20 *0 1 0 01 1 01
21 * 0* 0 00 0 01 1 00 1 01
22 *1 0 0 10 1 10
23 *1 1 0 11 1 11
24 * 1* 0 10 0 11 1 10 1 11
25 * *0 0 00 0 10 1 00 1 10
26 * *1 0 01 0 11 1 01 1 11
27 *** 0 00 0 01 0 10 0 11 1 00 10 1 11 0 11 1
Schemata representados por

um indivíduo
● Um indivíduo representa 2L schemata.
● Para cada uma das L posições de um indivíduo, define-se
um schema diferente, usando o símbolo presente no
indivíduo ou o símbolo ‘ ✴ ’.
● Exemplo: 0 1 0 representa os seguintes schemata:
0 10
✴1 0
0✴0
01✴
0✴✴
✴1 ✴
✴ ✴0
✴✴✴
Porque utilizar schema
schema?
?
● Porque considerar (K+1) L ao invés de considerar apenas K L
indivíduos?
● John Holland procurou mostrar com schemata, o paralelismo da
busca através do espaço de soluções.
● Há mais informações nos schemata para guiar a busca do que
simplesmente nos indivíduos.
● Numa população de n indivíduos, onde cada indivíduo representa 2 L
schemata, há entre 2 L e n.2 L schemata, dependendo da diversidade
da população.
● J. Holland mostrou que o número de schemata processados a cada
geração é proporcional a n3
● Paralelismo Implícito ➨ um GA processa n3 schemata em paralelo,
enquanto avalia n indivíduos.
Teorema Fundamental de GA
Schemata permitem analizar o efeito global da reprodução e
dos operadores genéticos.
● Efeito da Seleção
● Efeito do Crossover
● Efeito da Mutação
Efeito da Seleção
● Seja m(H,t) o número de representantes do schema H na

população no ciclo t.
● Sabemos que, pi = fi / ∑ fj é a probabilidade do
cromossoma i ser escolhido.
● Então, o número esperado de representantes de H no

ciclo seguinte (t+1) é:
i∈ H n
m(H, t+1) = n . ∑ fi / ∑ fj
i∈ H n
m(H, t+1) = n . ∑ fi / ∑ fj
● Definindo a aptidão média do schema H, como

i∈ H
f(H) = ∑ fi / m(H,t) então,
n
m(H, t+1) = m(H, t) . n . f(H) / ∑ fj
n
● Como fmédio = ∑ fj / n então,
m(H, t+1) = m(H, t) . f(H)/ fmédio
Analisando podemos dizer que:

1- Schemata com aptidão acima da média proliferam;
2- Schemata com aptidão abaixo da média tendem a

desaparecer.
Taxa de Evolução
● Supondo H acima da média de um fator constante C
estacionário, a partir de t=0:
(fm édio + C.f
m(H, t+1) = m(H, t) . (f C.f médio) / fm édio
m(H, t+1) = m(H, t) . (1+C)

● Assim,para qualquer t temos:
m(H, t+1) = m(H, 0) . (1+C)t
O número ocorrências nas gerações sucessivas de bons

(maus) schemata, cresce (decresce) exponencialmente.
Efeito do Crossover
● Ex: A vai cruzar com outro genitor; o que acontece a H1 e H2?
Ponto de crossover
A 0 1 1 1 0 0 0
H1 * 1 * * * * 0
H2 * * * 1 0 * *
H1 será destruído e padrão não será transmitido aos descendentes a

não ser que par genitor de A possa recuperar padrão.
H2 sobrev iv erá e será transmitido a um dos descendentes.

Probabilidade de Destruição
pd = δ(H) / (L
(L--1)
● A probabilidade de sobrevivência de H é,
ps = 1 - δ(H) / (L
(L--1)
● Então, considerando a probabilidade do crossover e
a recuperação de H após o crossover temos,
ps ≥ 1 - p c .δ(H) / (L
(L--1)
● Portanto,
m(H, t+1) ≥ m(H, t) . f(H) / fmédio [1 - pc .δ(H) / (L
(L--1)]
Efeito da Mutação
● Seja, pm a probabilidade de uma posição sofrer
mutação.
● 1- pm é a probabilidade de sobrevivência.
● H tem O(H) posições fixas
● Assim, a probabilidade de sobrevivência do schema é:
(1-- pm)O(H)
(1
● Sabendo que pm « 1, então
(1-- pm)O(H) ≈ 1 - O(H) . pm

(1
Teorema Fundamental de GA
m(H, t+1) ≥ m(H, t).f(H) / fmédio [1

[1-- pc .δ(H) / (L
(L--1)].[
1)].[11-
O(H).p
O(H). pm ]
“Schemata curtos, de baixa ordem e com alta aptidão tendem

a proliferar nas gerações sucessivas, a uma taxa
exponencial.”
Hipótese dos Blocos

Construtores
Assim como uma criança cria grandes castelos

empilhando pequenos blocos, um algoritmo genético
busca desempenho próximo do ótimo através da
justaposição de schemata curtos, de baixa ordem e
de alta aptidão, ou blocos construtores.
Processando Schemata
Número P opulaç ão x f(x) P rob. Número Result . Pares de Geni tores e Nova População x f(x )
I nic ial Inteiro x2 S el eç ão Des cen. Roleta Pont os de Corte Inteiro x2
1 0 1 1 0 1 13 169 0,14 0, 58 1 0 1 1 0 | 1 0 1 1 0 0 12 144

2 1 1 0 0 0 24 576 0,49 1, 97 2 1 1 0 0 | 0 1 1 0 0 1 25 625
3 0 1 0 0 0 8 64 0,05 0, 22 0 1 1 | 0 0 0 1 1 0 1 1 27 729
4 1 0 0 1 1 19 361 0,31 1, 23 1 1 0 | 0 1 1 1 0 0 0 0 16 256
S oma 1170 1,00 4, 00 4 1754

Média 293 0,25 1 1 439
Máx imo 576 0,49 1, 97 2 729
P roc es sament o de Sc hemata
Após Após
Seleção Cros sover
c om p(H) O(H) Repres . f(H) m(H,t +1) real Repres. m(Ht +1) real Repres.
H1 1 * * * * 0 1 2, 4 469 3,2 3 2,3,4 3, 2 3 2,3,4

H2 * 1 0 * * 1 2 2, 3 320 2, 18 2 2,3 1,64 2 2,3
H3 1 * * * 0 4 2 2 576 1, 97 2 2,3 0 1 4
=∑
i∈H
f i / m(H,t) = m(H, t) . f(H)/ f médio = m(H, t) . f(H) / f médio[1 -p c .δ(H) / (L-
1)]
Processando Schemata
Número P opulaç ão x f(x) P rob. Número Result . Pares de Geni tores e Nova População x f(x )
I nic ial Inteiro x2 S el eç ão Des cen. Roleta Pont os de Corte Inteiro x2
1 0 1 1 0 1 13 169 0,14 0, 58 1 0 1 1 0 | 1 0 1 1 0 0 12 144

2 1 1 0 0 0 24 576 0,49 1, 97 2 1 1 0 0 | 0 1 1 0 0 1 25 625
3 0 1 0 0 0 8 64 0,05 0, 22 0 1 1 | 0 0 0 1 1 0 1 1 27 729
4 1 0 0 1 1 19 361 0,31 1, 23 1 1 0 | 0 1 1 1 0 0 0 0 16 256
S oma 1170 1,00 4, 00 4 1754

Média 293 0,25 1 1 439
Máx imo 576 0,49 1, 97 2 729
P roc es sament o de Sc hemata
Após Após
Seleção Cros sover
c om p(H) O(H) Repres . f(H) m(H,t +1) real Repres. m(Ht +1) real Repres.
H1 1 * * * * 0 1 2, 4 469 3,2 3 2,3,4 3, 2 3 2,3,4

H2 * 1 0 * * 1 2 2, 3 320 2, 18 2 2,3 1,64 2 2,3
H3 1 * * * 0 4 2 2 576 1, 97 2 2,3 0 1 4
= m(H, t) . f(H) / fmédio [1 - pc .δ(H) / (L-1)]

i∈H
=∑ fi / m(H,t) = m(H, t) . f(H)/ fmédio
Planilha Fundamentos de GA
Prob. Núm. Ex ecução Result . Pares de Genitores e
Núm P opulaç ão Ini cial x i nt eiro f(x ) = x^2 Seleç ão Desc ende A ut omát ic a Rolet a P ontos de Cort e
1 1 1 1 0 0 28 784 0,0953539 0, 953539 2 1 1 1 0 0 5
2 1 1 1 0 0 28 784 0,0953539 0, 953539 Seleção 0 1 1 1 0 0 5
3 1 1 1 1 0 30 900 0,1094624 1, 094624 3 1 1 1 1 0 2
4 1 1 1 0 1 29 841 0,1022865 1, 022865 Crossover 3 1 1 1 0 0 2
5 1 1 1 1 0 30 900 0,1094624 1, 094624 1 1 1 1 1 0 1
6 1 1 1 1 0 30 900 0,1094624 1, 094624 Mu tação 0 1 1 1 1 0 1
7 1 1 1 1 0 30 900 0,1094624 1, 094624 0 1 1 1 1 0 5
8 1 1 1 1 0 30 900 0,1094624 1, 094624 0 1 1 1 1 0 5
9 1 0 1 1 1 23 529 0,0643396 0, 643396 Exec utar 1 1 1 1 1 0 5
10 1 1 1 0 0 28 784 0,0953539 0, 953539 0 1 1 1 0 0 5
10 10
S oma 286 8222 1 10 10
Média 28,6 822,2 0,1 1 1
Máx imo 30 900 0,1094624 1, 094624 3
Configurações P roces sament o de Sc hem

Gerar Pop ulação População 10 (até 10)
No va Ge ração Cros sover 0,6 (0 a 1)
Mut ação 0, 08 (0 a 1)
Evo lu ri Geraç ões Geraç ões 20
Após S eleç ão
Real
S chemat a comp(H) O(H) Repres ent a f(H) m(H,t +1) Representant es
H1 1 * * * * 0 1 10 {1,2,3,4, 822,2 10, 0000001 10 {1,2,3, 4, 5, 6, 7,8,9,10}
H2 * 1 0 * * 1 2 0 {} 0 0 0 {}
H3 1 * * * 0 4 2 8 {1,2, 3, 5, 6 856,5 8,33373875 10 {1,2,3, 4, 5, 6, 7,8,9,10}
H4 4 0 0 {} 0 0 0 {}
H5 4 0 0 {} 0 0 0 {}
Efeito da Cardinalidade
x Binário Nã o Bi nário Aptidão
0 0 0 0 0 A 0
1 0 0 0 1 B 1
2 0 0 1 0 C 4
3 0 0 1 1 D 9
4 0 1 0 0 E 16
5 0 1 0 1 F 25
6 0 1 1 0 G 36
7 0 1 1 1 H 49
8 1 0 0 0 I 64
9 1 0 0 1 J 81
10 1 0 1 0 K 100
11 1 0 1 1 L 121
12 1 1 0 0 M 144
13 1 1 0 1 N 169
14 1 1 1 0 O 196
15 1 1 1 1 P 225
Espa ço 16 16
Cardi nalida de 2 16
Sche mata 81 17
Conclusões
● GA explora similaridades em codificações arbitrárias

através de schema.
● A codificação binária é simples e eficiente,
oferecendo o número máximo de schemata, porém
nem sempre é adequada.
● A representação de cromossomas é fundamental
para o desempenho de um GA.
Princípios de Escolha da
Representação
● Representatividade
– deve representar todo o espaço de busca relevante ao
problema
● Schemata
– deve prestigiar a formação de schemata curtos e de baixa
ordem
● Alfabeto
– deve utilizar um alfabeto mínimo que permita a expressão
natural do problema
Desempenho de Algoritmos
Genéticos
Temas relacionados:
● Convergência
– Decepção
– Epistasia
– Multimodalidade
– Ruído
● Medidas de Convergência
– Medidas de Monitoração
– Medidas de Previsão
● Algoritmos Alternativos
– Algoritmos Messy
Convergência
Como caracterizar o sucesso ou insucesso de um GA?
● GAs não garantem a convergência para um ponto ótimo
em problemas de otimização.
● GAs podem encontrar soluções sub-ótimas em espaço
complexos que satisfaçam as expectativas.
● Convergência é fortemente influenciada pela
modelagem: representação, decodificação, avaliação,
operadores, técnicas e parâmetros.
● Outros fatores que afetam a convergência:
– Decepção
– Epistasia
Decepção
● Ocorre quando, em uma função, o ponto ótimo está
cercado pelos piores pontos.
● Os blocos construtores são desorientados, devido à
função ou código usados, e há dificuldade de se encontrar
boas soluções (longo tempo).
● Por definição: Decepção ocorre quando os melhores
schemata de ordem k não instanciam o ponto ótimo.
● Problemas artificiais são criados para avaliar o
desempenho de GAs.
Problema Mínimo de
Decepção (PMD)
● Problema que viola a hipótese dos blocos contrutores:
– existem schemata curtos, de baixa ordem e com alta aptidão
que levam a schemata incorretos de mais alta ordem.
● Two-bit Problem
– Criado por Goldberg (1987) para avaliar o desempenho de GAs
11 é o ponto ótimo, então
f(11) > f(10) ; f(11) > f(01) e f(11) > f(00)
● Para não haver decepção em competição de schemata
de ordem 1 devemos satisfazer às duas condições:
1) f(1*) ≥ f(0*) e 2) f(*1) ≥ f(*0)
isto é, melhores schemata de ordem K=1 instanciam o ótimo

Problema Mínimo de
Decepção (PMD)
● Decepção ocorre se um das relações não se verificar.
Exemplo:
1) f(0*) > f(1*) ➨ f(00) + f(01) > f(10) + f(11)
2 2
2) f(*0) > f(*1) ➨ f(00) + f(10) > f(01) + f(11)

2 2
● As duas expressões não podem se verificar
simultaneamente no PMD (senão 11 não será o ponto
ótimo).
● Escolhemos a condição 1)
Problema Mínimo de
Decepção (PMD)
● Considerando todos valores positivos temos:
f(00) + f(01) > f(10) + f(11) ➨ f(01) - f(10) > f(11) - f(00)
● Como
f(11) - f(00) > 0 ➨ f(01) - f(10) > 0 ➨ f(01) > f(10)
● Analogamente
f(00) - f(10) > f(11) - f(01)
● Como
f(11) - f(01) > 0 ➨ f(00) - f(10) > 0 ➨ f(00) > f(10)
● Resta saber a relação entre f(00) e f(01):
– Tipo I: f(01) > f(00) ➨ f(11)>f(01)>f(00)>f(10)
– Tipo II: f(00) > f(01) ➨ f(11)>f(00)>f(01)>f(10)
Representação Gráfica do
PMD
Tipo I Tipo II
Aptidão
Aptidão
Atrator
Decepcionante
01 01
11 11
00 00
10 10
Num GA, c om a mes ma proporção Num GA, s e a proporção do ponto

dos pontos na populaç ão inicial, o 00 é maior na populaç ão inicial, o
GA converge para para 11 GA converge para para 00
Epistasia
● Biologia: Interação funcional de genes: quando um gene
não responsável por uma característica influencia o
resultado desta característica, diz-se que os genes são
epistáticos.
● Em GAs: quando há interdependência entre genes.
● Desse modo, schemata de menor ordem não contém toda
informação significativa.
● Schema significativo precisa representar também genes
dependentes.
● Construção de blocos deve partir de schemata de maior
ordem.
Multimodalidade
● A e xistência de vários ótimos locais promove a
ocorrência de atratores que afastam a convergência
do ponto ótimo. Exemplo: F6(x,y)
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
Ruído
● Representações Ruidosas:
– quando é impossível representar de maneira exata o objeto
desejado.
● Funções Ruidosas:
– quando a função de avaliação retorna diferentes avaliações
para o mesmo cromossoma.
● Exemplo:
Pcross, Pmut, GAP
GA1 Otimiz a GA2

Parâm etros do GA2
Best, média
Medidas de Convergência
● Medidas de Monitoração
– procuram acompanhar o comportamento da população ao
longo da execução do GA.
• On-line
• Off-line
• Best-so-far
• Proporção dos Valores dos alelos
● Medidas de Previsão
– estimar o grau esperado de dificuldade de um problema
para o GA realizar a convergência a um ponto ótimo .
• FDC (Fitness Distance Correlation)
– avaliação dos pontos aumenta a medida que estes se
aproximam do ponto ótimo.
On-- line e Off

On Off--line
● A medida On-line premia a rápida obtenção de boas soluções
● A medida Off-line premia melhores soluções, independente do
tempo necessário para encontrá-las.( De Jong)
T
medida (t) = 1 ∑ f * (t)
T
– On-line: f * e (t) = valor da função dos indivíduos.
– Off-line: f * e (t) = valor da função dos melhores indivíduos.
● Em aplicações executadas “OFF-LINE”, o número total de
avaliações do GA não é tão importante quanto para as
aplicações que são executadas “ON-LINE”.
Exemplo
● Sejam 5 indivíduos criados em 5 passos até o momento:
{17, 21, 13, 28, 22}
● A medida On-line(t) é a média das avaliações de todos os
indivíduos avaliados até o passo de avaliação t.
On-line(t=3) = (17+21+13)/3=17
On-line(t=4) = (17+21+13+28)/4=19,75
On-line(t=5) = (17+21+13+28+22)/5=20,2
● A medida Off-line(t) é o valor médio das avaliações dos
melhores indivíduos encontrados a cada passo de
avaliação até o passo t.
Off-line(t=3) = (17+21+21)/3=19,66
Off-line(t=4) = (17+21+21+28)/4=21,75
Off-line(t=5) = (17+21+21+28+28)/5=23
Proporção dos Valores dos

Alelos
● Um gene converge quando o seu alelo é o mesmo
para, pelo menos, 95% da população. (De Jong)
● A convergência do GA ocorre quando todos os genes da
representação superam a taxa de 95%.
● A proporção de alelos permite avaliar o grau de
convergência de um GA ao longo da execução e ser
usada como critério de parada.
FDC (Fitness
(Fitness Distance
Correlation))
Correlation
● Calcula a correlação entre Aptidão e Distância (ao
ponto ótimo global) para os pontos do espaço de
busca de um problema.
● FDC = cov (F,D)/ σ(F) . σ(D)
● FDC =1/n
1/n [∑ (di - d av )] / σ(F) . σ(D)
[∑ (fi - fav ) (d
● Correlação é a covariância normalizada entre -1 e 1
● FDC próximo a -1 indica que a avaliação dos pontos
aumenta a medida que estes se aproximam do ponto
ótimo.
Algoritmos Alternativos
● Algoritmos que buscam melhor desempenho
(convergência) através de métodos não convencionais
em algoritmos genéticos.
● Algoritmo Messy (Goldberg)
– Idealizado de modo a relaxar a rigidez posicional da
representação tradicional.
– Aumenta as chances de aproximar genes interdependentes que
estão inicialmente distantes.
– Adequado para problemas epistáticos.
Algoritmo Messy
● Representação:
– cada gene é representado por 2 valores: (locus, alelo).
Ex: Cromossoma [0 1 0 0 1 1] é representado por
[ (1 0) (2 1) (3 0) (4 0) (5 1) (6 1) ]
● Operadores:
– Cut: escolhe o ponto de corte e corta cromossomas
[ (1 0) (2 1) (3 0) (4 0) ] [ (5 1) (6 1) ]
– Splice: concatena os cromossomas
[ (1 0) (2 1) (3 0) (4 0) (5 1) (6 1) ]
– A aplicação do Splice não é vinculada a realização do Cut.
Messy
● Consequências:
– Independência posicional dos genes
– Sobre-especificação: mais de um gene com o mesmo locus
– Sub-especificação: determinado locus não está representado
● Exemplo:
[ (1 0) (4 0) (3 1) (5 0) (2 1) ] e [ (2 0) (1 1) (3 0) (5 1) (4 1) ]
● Operador Cut:
[ (1 0) (4 0) (3 1) ] [ (5 0) (2 1) ] e [ (2 0) (1 1) (3 0) (5 1) ] [ (4 1) ]
● Operador Slice:
[ (1 0) (4 0) (3 1) (2 0) (1 1) (3 0) (5 1) ] ➨ sobre-especificado
[ (5 0) (2 1) (4 1) ] ➨ sub-especificado
Computação Evolucionária
em Machine Learning
Programas capazes de construir novo conhecimento
ou de aperfeiçoar conhecimento existente, usando
informação de entrada.
Ambiente
do •Aplicações:
Problema •Jogos
•Robótica
•Biologia e Medicina
Informação
•Engenharia
Novo Aprendizado
•Ciências Sociais
Conhecimento
por
Computador
Dilema dos Prisioneiros

l Algoritmo Genético é usado para “aprender” uma
estratégia para um jogo.
l INDIVÍDUO ≡ estratégia de jogo, regra de comportamento
l APTIDÃO ≡ função da interação com outros jogadores
(pontuação)
l AMBIENTE ≡ interativo entre indivíduos coevolventes
l Problema é usado para estudar fatores associados com a
evolução de cooperação e agressão em comunidades
sociais.(Merrill Flood & Melvin Dresher 1950s)
Dilema dos Prisioneiros
l Dois suspeitos de terem cometido um crime estão em celas separadas
e a polícia propõe um acordo. O que pode acontecer?
l Os prisioneiros têm duas opções:
– Delatar : fazer um acordo com a polícia e delatar o parceiro
– Cooperar : manter silêncio sobre o delito e cooperar com o parceiro
l O que pode acontecer ?
– Nenhum aceita trair
– Apenas um trai
– Ambos traem
Recompensa = Máximo - Penalidade
l Nenhum aceita trair:

– ambos cooperam e recebem pequena punição (2 anos) por
falta de provas; Recompensa intermediária= (5-2) =3
l Apenas um trai:
– o traidor é libertado (0 anos); o outro é punido (5 anos) ;
recompensa por trair é uma Tentação=(5-0) =5; recompensa
do ingênuo (Sucker) baixa= (5-5)=0.
l Ambos traem:
– punição intermediária (Punishment) para ambos (4 anos)
=(5-4)=1
Tabela de Recompensas
Jogador B Jogador B
C D C D
C (γ1, γ1) (γ2, γ3) C (3, 3) (0, 5)
Jogador A Jogador A
D (γ3, γ2) (γ4, γ4) D (5, 0) (1, 1)

D = Delatar D = Delatar
C = Cooperar C = Cooperar
Restrições:
γ3> γ1> γ4> γ2 è delatar é mais atraente do que cooperar porém,

2 γ1> γ2 + γ3 è cooperar aumenta a recompensa de ambos a longo prazo
γ2 + γ3 > 2 γ4 è se ambos sempre delatam o resultado é ainda pior
Características do DP
l jogo não cooperativo para 2 jogadores
l pode ser disputado em torneio entre vários jogadores
l Axelrod promoveu 2 torneios mundiais de estratégias p/ DP
l Estratégia vencedora: Tit_for_Tat (Anatol Rapoport)
– coopera na primeira jogada e depois repete a titude do oponente na
jogada anterior.
– “Coopera no primeiro encontro e a seguir retribui na mesma moeda”
l Axelrod usou Algoritmos Genéticos para evoluir novas
estratégias; as 8 melhores estratégias (humanas) dos
torneios serviram para avaliar os indivíduos (ambiente de
avaliação estático).
Modelagem do GA
l Indivíduo (Estratégia)
– um indivíduo do GA representa uma estratégia de um jogador cuja
atitude é função dos 3 últimos resultados (história).
l Representação
– Ao final de cada jogada podemos ter 4 possibilidades:
• Os dois jogadores delataram: DD 11 Punishment
• Apenas o jogador A delatou: DC 10 Temptation
• Apenas o jogador B delatou: CD 01 Sucker
• Nenhum jogador delatou: CC 00 Reward
– Nas últimas 3 jogadas há: 4 x 4 x 4= 64 histórias diferentes
– Cromossoma possui 64 bits: 1 ou 0 (D ou C)
– Cada bit define a atitude do jogador para cada uma das 64 histórias
– Posição do bit identifica a história
Representação
Posição 0 1 2 ...... 63 6 bits
História CCCCCC DCCCCC CDCCCC ...... DDDDDD
Base 2 000000 100000 010000 ...... 111111
Base 4 RRR TRR SRR ...... PPP
String 0 1 1 ...... 1 010000
Decisão C D D ...... D
coopera delata delata ...... delata (SRR)4 = 2
l Posição no cromossoma corresponde a uma história.

l Conteúdo de cada posição corresponde à atitude do jogador.
l Símbolos da base 4 correspondem às iniciais da tabela de
recompensa (Reward, Temptation, Sucker e Punishment).
– R=0, T=1, S=2, P=3
– Exemplo: (RST)4= Rx40 + Sx41 + Tx42 = 000110 = 24
Representação
l Para fazer a estratégia funcionar no início do jogo, são
adicionados 6 bits correspondentes a 3 partidas hipotéticas.
Posição 0 1 2 ...... 63 6 bits
História CCCCCC DCCCCC CDCCCC ...... DDDDDD
Base 2 000000 100000 010000 ...... 111111
Base 4 RRR TRR SRR ...... PPP
String 0 1 1 ...... 1 010000
Decisão C D D ...... D
coopera delata delata ...... delata (SRR)4 = 2
•Atitude na primeira jogada = D.

•Na 2ª e 3ª jogadas utiliza-se parte
dos 6 bits e os resultados reais.
Modelagem do GA
l Avaliação
– cada indivíduo (estratégia) da população joga com cada um
dos 8 oponentes um torneio de 151 partidas
m
Ai = ∑ pi,j / m pi,j : pontos do jogador i na partida j
m: total de partidas contra todos oponentes
l Operadores Genéticos
– crossover e mutação sobre binários
l Seleção
– avaliação na média è 1 cruzamento
– avaliação acima da média è 2 cruzamentos
– avaliação abaixo da média è 0 cruzamentos
Resultados
l Indivíduos evoluiram regras de comportamento a partir da
interação com outros indivíduos.
l 40 rodadas de 50 gerações de 20 indivíduos.
l O GA evoluiu estratégias que venceram Tit-for-Tat.
l Cromossomas de aptidão média eram tão bons quanto as
melhores heurísticas.
l Características das estratégias:
– traem no 1° e no 2° movimentos;
– sabem pedir desculpas e entrar em cooperação;
– têm comportamento diferenciado para indivíduos traidores e não-
traidores
Padrões encontrados
l Maioria dos indivíduos apresentava os seguintes padrões:
l C após (CC) (CC) (CC)
– “Não deixei o barco virar, continue cooperando”.
l D após (CC) (CC) (CD)
– “Aceite a provocação, traia depois que outro traiu por nada”.
l C após (CD) (DC) (CC)
– “Aceite as desculpas, coopere após cooperação ser restabelecida”.
l C após (DC) (CC) (CC)
– “Coopere quando cooperação mútua é restabelecida depois de
uma agressão”.
l D após (DD) (DD) (DD)
– “Aceite a provocação, traia após três agressões”.
Segundo GA
l Axelrod desenvolveu um segundo experimento,
permitindo que os indivíduos jogassem uns contra os
outros e contra si mesmos (ambiente de avaliação
dinâmico).
l Nas primeiras gerações, estratégias cooperativas não
encontravam reciprocidade e tendiam a desaparecer.
l Após 10 a 20 gerações, o panorama se revertia: GA
encontrava estratégias de cooperação recíproca, que
puniam traição.
l Essas estratégias não foram derrotadas pelas menos
cooperativas e conseguiram proliferar nas gerações
seguintes.

Algoritmo Genetico 1228567459813008 9

Uploaded by

Document Information

Original Title

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

Algoritmo Genetico 1228567459813008 9

Uploaded by

Copyright:

Available Formats

Componentes de um Algoritmo Genético

GAs são indicados em problemas complexos de

® muitos parâmetros e variáveis;

Representação é fundamental na modelagem de um GA e deve:

® descrever o espaço de busca relevante ao problema;

® codificar geneticamente a “essência” do problema:

® ser compatível com os operadores (crossover e mutação)

Método de Solução ↔ Representação

– Numérico – Binário, Real

O binário é um contador de unidades de precisão

(máxi-míni)x10p diferentes soluções

2k i ≥ (máxi-míni)x10p Precisão = (máxi-míni)

Decodificação para Real:

® simples de criar e manipular

Construir a solução para o problema a partir de um

Cromossoma Transformação Solução

0011011 bin inteiro x=27

0011011 x=27 x 10/27 -1 x=2,1 x ∈[0,10]

Elo entre o algoritmo genético e o problema .

f(cromossoma) = medida numérica de aptidão

Chances de seleção são proporcionais à aptidão.

Atuam no processo de criação de novos

F6(x,y) = 0,5 - (sen √ x2 + y2 )2 - 0,5

l Binária codificando real

l Ki=22 Ô total de 44 bits

Seleção pela Roleta

Método por Computador

l Técnica de Seleção de Operadores: Use todos

Cromossoma Número Aleatório Novo Cromossoma

1 0 1 0 0,801 0,102 0,266 0,373 1 0 1 0

l Partes de dois cromossomas genitores são trocadas

l Melhor de um Experimento (valor)

•bom desempenho no início da evolução

Curva da Média de Experimentos

Curva Média de Experimentos para

F6 (x,y) = 0,5 - (sen √ x2 + y2 )2 - 0,5

F6Elevada(x,y) = 999,5 - (sen √ x2 + y2 )2 - 0,5

l Formato F6 = formato F6 elevada

è Todavia, GA 1-1 para F6Elevada não apresenta desempenho algum.

l F6 avaliação l F6 Elevada avaliação

O efeito da seleção é quase nulo porque as

l Obtenha a avaliação mínima na população.

l Coloque os pop_size cromossomas em ordem

Rank dos cromossomas 6 5 4 3 2 1

• SUPER INDIVÍDUO: cromossoma 6

• COMPETIÇÃO PRÓXIMA: entre cromossomas 3, 4 e 5

Exemplo de Steady State

Steady State sem Duplicados

l Substituição parcial de indivíduos com exclusão de

Início: Meio: Fim:

l Consiste na variação dos valores dos parâmetros

● Consiste na construção de um GA inspirado no

Alg.. Híbrido = Alg

● Modelo incorpora o conhecimento no domínio do

● Hibridizando com “algoritmo em uso” para a

● Cromossoma é uma lista de reais: (x,y)

P1 ≡ (x1, y1, t 1, z 1) F1 ≡ (x2, y1, t 1, z 2)

● Cruzamento específico para o problema

● Crossover aritmético é uma combinação linear de

máx e mín = limites do domínio de x

Creep - Método de Ajuste 2

t= geração; máx e mín = limites do domínio de x .

● ∆ (t, s) = s . ( 1 - rand (1 - t/T) b )