inteligência artificial
DESCRIPTION
Inteligência Artificial. Agenda - Aula 06. Computação Evolutiva Algoritmos Genéticos. Computação Evolutiva. Dois enfoques Otimização de problemas Resolução de Problemas Teoria de Evolução de Darwin Projeção a partir dos anos 70 - PowerPoint PPT PresentationTRANSCRIPT
1PUCC
Inteligência Artificial
2PUCC
Agenda - Aula 06
• Computação Evolutiva
•Algoritmos Genéticos
3PUCC
Computação Evolutiva
• Dois enfoques– Otimização de problemas– Resolução de Problemas
• Teoria de Evolução de Darwin
• Projeção a partir dos anos 70
• Ampla utilização na abordagem de diversos problemas devido à sua adaptabilidade e robustez
4PUCC
Algoritmos Genéticos
• Idéia Básica– Analogia com mecanismos de Evolução
Natural de Darwin– Capacidade de adaptação a diversos
ambientes OTIMIZANDO a chance de sobrevivência
– John Holland: tenta copiar os mecanismos dos sistemas naturais e adaptá-los para sistemas artificias
5PUCC
Teoria de Darwin
• As espécies evoluem através de modificações nos códigos genéticos dos indivíduos – GENÓTIPOS.
• Essas modificações são introduzidas pela reprodução sexuada, quando se combinam dois genótipos diferentes ou através de mutações (pequena modificação num genótipo).
• Genótipos mais características encontradas no ambiente constroem as características físicas do indivíduo – FENÓTIPO
• Os indivíduos cujos genótipos favorecem fenótipos adaptados ao ambiente onde vivem têm mais chances de sobrevivência e reprodução.
6PUCC
Teoria de Holland
• Nova forma de abordar problemas– Um conjunto de soluções é codificado geralmente
através de um string– Esse string é chamado de indivíduo ou
cromossomo.– Um conjunto de indivíduos é chamado população.– Cada iteração é chamada geração– Em cada geração os indivíduos são submetidos à
operações de crossover, mutação, avaliação e seleção
7PUCC
Codificação do Problema
• Descrever as soluções como indivíduos– Definição das variáveis ( gens )– Ideal compacta, completa e estável
• Compacta: menor número possível de variáveis para representar uma solução
• Completa: capacidade de representar todas as soluções possíveis
• Estável: pequenas mudanças no indivíduo leva a pequenas alterações de adaptabilidade
8PUCC
Seleção
• Deve favorecer os bons indivíduos
• Velocidade de convergência deve ser calibrada
• Formas de seleção– Seleção por Roleta ponderada– Seleção Linear– Seleção por descendência
9PUCC
Operações
• Crossover– Misturar informações genéticas de dois
indivíduos originando um terceiro– Codificação binária – crossover a um ponto
P11 1 1 1 1 1 Filho
1 1 1 1 0 0P20 0 0 0 0 0
Ponto de Corte
10PUCC
Operações
• Mutação– Leve alteração no cromossomo
– Codificação binária mutação a um bit é a mutação por excelência
Mutação1 1 1 1 0 0 1 1 0 1 0 0
11PUCC
Fitness
• É unicamente através da função de aptidão (fitness) que esse tipo de algoritmo sabe se uma solução é melhor que a outra.
• Deve ser calculada de forma eficiente
• Numa solução de g gerações e n indivíduos ela será calculada g x n vezes.
12PUCC
Idéia Básica
Codificação do Problema
Gera Solução Inicial
Seleção
Crossover
Mutação
Avaliaçãocontinua
S
N