Professional Documents
Culture Documents
Computao Evolucionria
Belm-PA
05 de Maio de 2014
Introduo
Algoritmos genticos (AG) podem ser definidos como uma tcnica de busca
baseada numa metfora do processo biolgico da evoluo natural, sendo estes por sua
vez tcnicas heursticas de otimizao global, ou seja, no tem nenhuma garantia sobre
a qualidade da soluo encontrada, mas usualmente tendem a encontrar a soluo tima
ou ficar bem prximos dela. Tais algoritmos funcionam mantendo uma populao de
estruturas, denominadas de indivduos ou cromossomos, que se comportam de forma
semelhante evoluo das espcies. A essas estruturas so aplicados os chamados
operadores genticos, como recombinao (crossover) e mutao, entre outros. Cada
indivduo recebe uma avaliao que uma quantificao da sua qualidade como soluo
do problema em questo. Com base nesta avaliao sero aplicados os operadores
genticos de forma a simular a sobrevivncia do mais apto. Dessa forma, o presente
trabalho prope a aplicao de Algoritmos Genticos para maximizao de uma funo
multimodal usando reproduo elitista na reproduo da populao em dois casos:
primeiramente usando valores constantes para taxa de mutao e cruzamento e
posteriormente variando tais taxas de acordo certas caractersticas da populao
corrente. O trabalho tem como objetivo avaliar o desempenho de cada caso e verificar
qual deles possui o melhor desempenho na busca pela soluo para a maximizao da
funo.
Mtodos
O algoritmo gentico implementado, foi constitudo por uma representao
cromossomial binria, a qual comumente utilizada, devido sua simplicidade e
facilidade para aplicao dos operadores genticos. Para a converso do nmero binrio
dentro do cromossomo corrente para o nmero real correspondente dentro da faixa de
busca considerada, foi utilizada a relao presente na equao 1.
= +
( )
2 1
(1)
Sendo a faixa de busca definida pelo intervalo [inf ,sup], k o nmero de bits
considerados para cada varivel e r o valor decimal do numero binrio. O parmetro k
esta relacionado preciso das solues obtidas, para obteno de seu valor foi utilizada
a equao 2. Considerando-se uma preciso de 5 casas decimais, foi obtido um total de
24 bits para cada varivel para um espao de busca [-100,100].
2 = ( ()) 105
(2)
Alm disso, foram consideradas 200 geraes, um espao de busca [-100, 100] e taxas
de mutao e cruzamento iniciais iguais a 0.001 e 0.85, respectivamente. Para efeito de
anlise de desempenho do algoritmo, em cada ensaio foram registradas medidas como:
Melhor e pior indivduo, mdia e desvio da populao, Medida da Diversidade Gentica
e a distncia de Hamming. Os cdigos implementados assim como a anlise dos
resultados foram feitas no software MATLAB.
Definidos os parmetros de configurao do AG, alm das medidas para anlise,
criou-se dois cdigo abordando dois casos. No primeiro foram considerados valores
constantes para as taxas de mutao e cruzamento. No segundo, os valores para as taxas
de mutao e cruzamento foram alterados de acordo com o nmero de distncias de
Hamming iguais a 0 e a 1, pois considerou-se que tais distncias representam
diversidade muito pequena. Por experincia prtica, foi estabelecido que as taxas sero
alteradas cada vez que o total de distncias superarem 150 e ocorre um incremento de
0.0005 na taxa de mutao, caso contrrio a taxa retorna para 0.001.
O passo seguinte, ocorreu com a implementao da reproduo usando elitismo.
Nesse tipo de reproduo, o melhor indivduo de uma gerao mantido na prxima,
dessa forma so mantidos os esquemas responsveis pelas boas avaliaes das melhores
solues.
Resultados e Discusses
Os resultados obtidos foram organizados de acordo com as populaes e seus
respectivos ensaios. Com isso, foram verificados os melhores resultados, considerando
os dois casos mencionados anteriormente com e sem a presena de elitismo. Os
melhores resultados obtidos nos 10 ensaios realizados para cada populao so
apresentados nas Tabelas de 1 a 5. Alm disso, as curvas de cada melhor so
apresentadas nas figuras 1 a 20.
AG
Bsico(1)
AG Com
controle de
Tm e Tc(2)
1 com
Elitismo
2 com
Elitismo
Melhor
Pior
Mdia
Desvio
MDG
0.98658
0.8112
0.929
0.04093
0.9435
0.99026
0.101
0.947
0.1565
0.9563
0.99424
0.612
0.9563
0.05816
0.9618
0.99028
0.4735
0.9416
0.1193
0.9508
AG
Bsico(1)
AG Com
controle de
Tm e Tc(2)
1 com
Elitismo
2 com
Elitismo
Melhor
Pior
Mdia
Desvio
MDG
0.96277
0.5279
0.9344
0.05997
0.9706
0.98948
0.7403
0.964
0.05717
0.9742
0.99028
0.5067
0.9747
0.06775
0.9843
0.99028
0.9571
0.9759
0.01213
0.9855
AG
Bsico(1)
AG Com
controle de
Tm e Tc(2)
1 com
Elitismo
2 com
Elitismo
Melhor
Pior
Mdia
Desvio
MDG
0.96278
0.7396
0.9463
0.03302
0.9829
0.98993
0.9286
0.9687
0.02011
0.9785
0.97039
0.7273
0.9503
0.03366
0.9871
0.99798
0.7621
0.8585
0.03558
0.8597
Melhor
Pior
Mdia
Desvio
MDG
0.96358
0.5013
0.9422
0.06605
0.9778
0.99019
0.3457
0.9453
0.1174
0.9547
0.98988
0.5026
0.8566
0.0366
0.9771
0.97524
0.6327
0.812
0.0721
0.8327
AG
Bsico(1)
AG Com
controle de
Tm e Tc(2)
1 com
Elitismo
2 com
Elitismo
Melhor
Pior
Mdia
Desvio
MDG
0.98966
0.9371
0.9778
0.009321
0.988
0.99018
0.8175
0.9621
0.03108
0.9716
0.99021
0.7794
0.93
0.03281
0.9392
0.99018
0.6357
0.9478
0.08312
0.9571
Concluso
Com base nos resultados obtidos podemos avaliar que os AGs tiveram um bom
desempenho para a localizao do mximo. Os valores obtidos no so exatos devido o
AG ser um mtodo heurstico de busca, o que no lhe confere preciso, mas tem a
garantia de buscar a melhor soluo para o problema proposto. Pode-se observar
tambm a melhora de desempenho quando se realizou o controle dos parmetros Tm e
Tc, os quais ajudam a manter a diversidade da populao e uma presso seletiva melhor
ajustada. Alm disso, a aplicao da reproduo elitista confere ao algoritmo a garantia
que o desempenho do AG sempre cresa com o decorrer das geraes. Diante dos
resultados obtidos, verificou-se tambm que a juno do elitismo e do ajuste de Tm e
Tc, de acordo com as caractersticas da populao corrente, acarretaram em uma
soluo mais prxima da esperada.