Professional Documents
Culture Documents
COMPUTAO EVOLUTIVA
Montes Claros
2017
Gustavo Soares Coutinho
Jether Guimares Fernandes
Alessandro Alcntra Reis
Robson Pereira da Silva
COMPUTAO EVOLUTIVA
Montes Claros
2017
COMPUTAO EVOLUTIVA
INTRODUO
Figura 1 - Fluxograma da CE
ALGORITMOS GENTICOS
Apesar dos AG terem muitas vantagens em relao aos algoritmos clssicos, sua
maior desvantagem est no tempo de processamento, principalmente no que diz
respeito a questo de avaliao dos indivduos. Muitos investigadores tentam
minimizar essa deficincia estudando algoritmos genticos melhorados, alterando os
operadores genticos e procurando novos mtodos de recombinao.
Como um algoritmo baseado no processo de adaptao natural, a terminologia
utilizada tambm segue a da teoria seleo natural e da gentica. Ento, um indivduo
corresponde a uma cadeia de caracteres (cromossomas), onde cada caractere (gene),
encontra-se numa dada posio (locus) e com seu valor determinado (alelo). Um
sinnimo de indivduo o gentipo e a sua estrutura decodificada o fentipo. A partir
do fentipo, o potencial de sobrevivncia pode ser obtido atravs da avaliao da
funo aptido. Nessa comparao, descreve-se o problema em forma de uma funo
matemtica, em que os indivduos mais aptos obtero valores mais altos de funo,
assim cada indivduo uma possvel soluo. Ento, num grupo de indivduos, verifica-
se a potencialidade de cada um em relao ao grupo, tentando selecionar os mais
aptos para o cruzamento. Depois de efetuado o cruzamento, cada gene de cada
indivduo estar sujeito a uma eventual mutao. Baseiam-se nos processos naturais
de seleo, cruzamento e mutao, conhecidos como operadores genticos.
Para inicializar o algoritmo, escolhe-se uma populao inicial, que normalmente
gerada de forma aleatria. Atravs da funo aptido, avalia-se toda a populao
conforme a qualidade de cada indivduo. Em seguida, atravs da seleo, escolhe-se os
indivduos dados como mais aptos anteriormente para a criao de uma nova gerao
(um novo conjunto de solues possveis). Esses indivduos selecionados sofrem as
duas operaes genticas que misturam suas caractersticas, o cruzamento e a
mutao. Com isso, esses passos so repetidos at que seja encontrada uma soluo
aceitvel ou o algoritmo no possa melhorar uma soluo j encontrada. Na Figura 2
encontra-se um fluxograma da estrutura bsica do AG.
Figura 2 - Fluxograma do AG
Figura 4 Crossover
Figura 5 Mutao
E) PARMETROS GENTICOS: so trs os parmetros genticos que afetam
diretamente no desempenho do AG, a taxa de cruzamento (tc), taxa de mutao (tm) e
o tamanho da populao. Escolhas inadequadas desses parmetros podem aumentar
o tempo de convergncia, convergir prematuramente, estagnao da pesquisa, maior
necessidade de recursos computacionais ou no convergir para uma soluo vivel.
A taxa de cruzamento determina a probabilidade de um cruzamento ocorrer.
Quanto maior for essa taxa, mais rapidamente novas estruturas sero introduzidas na
populao. Mas se essa for muito alta, a maior parte da populao ser substituda,
podendo ocorrer perda de estruturas de alta aptido. Com um valor baixo, o algoritmo
pode tornar-se muito lento.
A taxa de mutao determina a probabilidade de uma mutao ocorrer. Uma baixa
taxa previne que uma dada soluo fique estagnada em um valor, causando uma
convergncia prematura. Com uma taxa muito alta, a pesquisa se torna essencialmente
aleatria.
O tamanho da populao determina o nmero de cromossomas na populao,
afetando o desempenho global e a eficincia dos AG. Em uma populao pequena, o
desempenho pode cair, pois a populao fornece uma pequena cobertura do espao
de pesquisa do problema. Uma grande populao geralmente fornece uma cobertura
representativa do domnio do problema, alm de prevenir convergncias prematuras
para solues locais ao invs de globais. Entretanto, para se trabalhar com grandes
populaes, so necessrios maiores recursos computacionais ou um perodo maior
de trabalho do algoritmo.
A Figura 6 mostra um resumo das caractersticas dos AG:
Figura 6 - Caractersticas do Algoritmos Genticos
PROGRAMAO GENTICA
A Programao Gentica (PG) foi estudada em 1992 por John Koza, introduzida para
solucionar problemas de aprendizado de mquina, buscando a construo automtica
de programas de computadores.
Tem uma abordagem semelhante aos Algoritmos Genticos, considerada por
muitos uma extenso destes devido semelhana das duas abordagens, a principal
diferena entre ambas que nos AG a representao das solues abstrata e
altamente estruturada, enquanto a PG apresenta como solues programas de
computador em uma linguagem de programao especfica.
PG e AGs representam um campo novo de pesquisa dentro da Cincia da
Computao. Neste campo muitos problemas continuam em aberto na tentativa de
serem encontradas novas solues e ferramentas. Apesar disso, este paradigma tem-
se mostrado bastante poderoso e muitos trabalhos exploram o uso de AGs e PG para
solucionar problemas em diferentes reas do conhecimento, desde tratamento de
dados e biologia molecular, at ao projeto de circuitos eltricos e algoritmos de
controlo.
INTELIGNCIA DOS EXAMES
O termo Inteligncia dos Enxames (IE), do ingls Swarm Intelligence, diz respeito a
algoritmos de otimizao baseados no comportamento coletivo de determinadas
espcies naturais para solucionar problemas corriqueiros, em sistemas
descentralizados e auto organizados, como apresenta a Figura 7. Alguns exemplos
dessa organizao dos grupos a Otimizao por Colnias de Formigas e por Enxame
de Partculas que engloba o comportamento dos animais, como, cardume de peixes,
manada de animais e bando de pssaros.
A Otimizao por Colnias de Formigas (ACO), do ingls Ant Colony Optimization, foi
inventada por Marco Dorigo em 1992. um algoritmo baseado no comportamento
coletivo das formigas ao sarem de suas colnias para encontrar comida atravs do
cominho mais curto, como ilustra a Figura 8. Normalmente, a formiga anda de forma
aleatria at encontrar o alimento, para ento retornarem a colnia deixando o rastro
de uma substncia qumica natural delas que permite o reconhecimento entre elas, o
feromnio. Assim, quando outras formigas encontrarem esse rastro, tendem a
percorrer por ele e no mais aleatoriamente at o alimento, retornando at a colnia
e enfatizando o rastro. Portanto, o caminho com maior concentrao de feromnio,
o melhor caminho a ser seguido.
Segundo Pay-Zaforteza (2007), a analogia do comportamento das formigas com a
otimizao se realiza do seguinte modo:
A procura de alimento equivalente explorao das solues factveis em
um problema de otimizao combinatria;
A quantidade de alimento similar ao valor da funo objetivo;
O rastro de feromnio a memria adaptativa do mtodo.
Figura 9 (a) Codificao das Portas Lgicas (b) Representao matricial do circuito
Aps definida a estrutura do cromossoma, a populao inicial foi gerada
aleatoriamente, e com base na funo adaptao aplicou-se a seleo. Os trs
operadores genticos foram implementados:
SELEO: pelo mtodo do torneio, selecionando aleatoriamente trs
indivduos, e o melhor deles foi escolhido.
CRUZAMENTO: recombinao de um simples ponto em um par de indivduos,
gerando novos descendentes.
MUTAO: aplicada a do tipo indutiva. A estratgia de mutao implementada
avalia todos os genes no cromossoma com a taxa de mutao tm, mas para
reduzir o esforo computacional deste processo, calculou-se a quantidade de
genes a serem alterados pela mutao utilizando a equao 4.7, onde muta
a quantidade de genes que sero alterados na populao, variando tm entre
1% e 5%, Tc indica a quantidade de genes do cromossoma i e foi calculado de
acordo com a equao 4.8, N o nmero de indivduos da populao, ne o
nmero de entradas e ns quantidade de sadas. Aps definida a quantidade de
genes, escolheu-se de forma aleatria quais sofreriam a mutao.
CONCLUSES
Neste trabalho foram apresentados os algoritmos baseados nos princpios da teoria
da evoluo natural das espcies de Charles Darwin, a chamada Computao Evolutiva,
observando-se a sua grande aplicabilidade em problemas de naturezas e
complexidades diferentes, tornando-a uma ferramenta de pesquisa e otimizao
promissora.
Com base no estudo efetuado, verificou-se que no necessrio ter conhecimento
especfico do circuito a ser sintetizado, sendo apenas necessria a tabela verdade de
funcionamento dos circuitos a serem implementados. No entanto, observou-se a
grande importncia do ajuste adequado dos parmetros e operadores genticos, pois
a convergncia do algoritmo depende deles.
Referncias Documentais
MENDES, Iba. A origem das espcies - Charles Darwin. So Paulo: Poeteiro Editor Digital.
2014.
SOBRINHO, Edilton Furquim Goulart. Uma Ferramenta Alternativa para Sntese de Circuitos
Lgicos Usando a Tcnica de Circuito Evolutivo, p.12. Dissertao apresentada para obteno
do ttulo de Mestre em Engenharia Eltrica, Faculdade de Engenharia da Universidade de
Estadual de So Paulo - UNESP Campus de Ilha Solteira, em Junho de 2007.