computação evolutiva 1 eduardo do valle simões renato tinós icmc - usp
TRANSCRIPT
![Page 1: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/1.jpg)
11Computação EvolutivaComputação Evolutiva
Computação Evolutiva
Eduardo do Valle Simões
Renato Tinós
ICMC - USP
![Page 2: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/2.jpg)
22Computação EvolutivaComputação Evolutiva
Principais Tópicos
Introdução Evolução Natural Computação Evolutiva Algoritmos Genéticos Aplicações Conclusão
![Page 3: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/3.jpg)
33Computação EvolutivaComputação Evolutiva
Introdução
http://www.formula-um.com/
Como otimizar soluções para um processo complexo com um grande número de variáveis?
![Page 4: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/4.jpg)
44Computação EvolutivaComputação Evolutiva
Evolução natural
A evolução natural pode ser vista como um processo de otimização no qual: Indivíduos e populações competem entre si por
recursosAlimentoÁguaAbrigo
![Page 5: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/5.jpg)
55Computação EvolutivaComputação Evolutiva
Evolução natural
(continuação) Indivíduos mais bem sucedidos na sobrevivência
e atração de um parceiro terão, relativamente, mais descendentes (espalham seus genes)
Indivíduos mal sucedidos geram poucos ou nenhum descendente
![Page 6: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/6.jpg)
66Computação EvolutivaComputação Evolutiva
Computação Evolutiva
Introdução Sistemas para a resolução de problemas que
utilizam modelos computacionais baseados na teoria da evolução natural
Pesquisas tiveram início na década de 50
![Page 7: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/7.jpg)
77Computação EvolutivaComputação Evolutiva
Algoritmos Genéticos (AGs)
Métodos adaptativos que podem ser utilizados para resolver problemas de busca e otimização São baseados nos processos genéticos de
organismos biológicosPopulações de soluções evoluem, ao longo das
gerações, de acordo com os princípios de seleção natural
![Page 8: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/8.jpg)
88Computação EvolutivaComputação Evolutiva
Algoritmos Genéticos
Desenvolvido por John Holland e sua equipe (popularizado por David Goldberg)
Objetivo: Desenvolver sistemas artificiais baseados nos
mecanismos dos sistemas naturais
![Page 9: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/9.jpg)
99Computação EvolutivaComputação Evolutiva
Algoritmos Genéticos
Podem “evoluir” soluções para problemas do mundo real Problemas devem ser adequadamente
codificados Deve haver uma forma de avaliar as soluções
apresentadas
![Page 10: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/10.jpg)
1010Computação EvolutivaComputação Evolutiva
Algoritmos Genéticos
População atual
Reprodução
Avaliação
Seleção
População inicial População final
![Page 11: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/11.jpg)
1111Computação EvolutivaComputação Evolutiva
Algoritmos Genéticos
Utilizam uma população de soluções candidatas (indivíduos)
Otimização ocorre em várias gerações A cada geração
Mecanismos de seleção selecionam os indivíduos mais aptos
Operadores de reprodução geram novos indivíduos
![Page 12: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/12.jpg)
1212Computação EvolutivaComputação Evolutiva
Algoritmos Genéticos
Cada indivíduo representa uma possível solução para um dado problema
A cada indivíduo é associado um escore de aptidão, que mede o quão boa é a solução que ele representa
Indivíduos mais aptos têm mais oportunidades de serem reproduzidos
![Page 13: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/13.jpg)
1313Computação EvolutivaComputação Evolutiva
Princípios básicos
Indivíduo Codificação Função de aptidão Reprodução
![Page 14: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/14.jpg)
1414Computação EvolutivaComputação Evolutiva
Indivíduo
Possível solução para um dado problema Também chamado de cromossomo ou string
Codificado como vetor de características População
Conjunto de indivíduos
![Page 15: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/15.jpg)
1515Computação EvolutivaComputação Evolutiva
Codificação
Cada indivíduo é codificado por um conjunto de parâmetros (genes) Genes podem assumir valores:
Binários (0; 1) Inteiros (-2; -1; 0 ; 1; 2; 3...) Reais (-2,33; 0; 3,45; 2,5 x 1024)
Parâmetros são combinados para formar strings ou vetores (cromossomos) Exemplo:
Xi = [ 2 1 8 0 -2 -4 1 ]
![Page 16: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/16.jpg)
1616Computação EvolutivaComputação Evolutiva
Codificação
Genótipo Conjunto de parâmetros representado por um
cromossomo
Fenótipo Produto da interação de todos os genes
![Page 17: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/17.jpg)
1717Computação EvolutivaComputação Evolutiva
Função de aptidão
Mede o grau de aptidão de um indivíduo
Aptidão = probabilidade do indivíduo sobreviver para a próxima geração
Ex. projeto de ponteMenor CustoMenor tempo de construçãoMaior capacidade de carga
![Page 18: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/18.jpg)
1818Computação EvolutivaComputação Evolutiva
Função de aptidão
É aplicada ao fenótipo do indivíduo O genótipo precisa ser decodificado,
recuperando o fenótipo associado
Cada aplicação tem sua própria função de aptidão
![Page 19: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/19.jpg)
1919Computação EvolutivaComputação Evolutiva
Reprodução
Permite obtenção de novos indivíduos
Utiliza operadores genéticos
Transformam a população Crossover (cruzamento ou recombinação) Mutação
![Page 20: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/20.jpg)
2020Computação EvolutivaComputação Evolutiva
Crossover
Recombinação de características dos pais durante a reprodução Permite que as próximas gerações herdem
essas características Funcionamento
Escolhe dois indivíduos e troca trechos dos cromossomos entre eles
Exploração rápida do espaço de busca
![Page 21: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/21.jpg)
2121Computação EvolutivaComputação Evolutiva
Crossover
Diversas variações Um ponto
Mais comum Dois pontos Multi-pontos Uniforme
![Page 22: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/22.jpg)
2222Computação EvolutivaComputação Evolutiva
Crossover 1 ponto
Filhos
10 0 0 0 11 0 10 00 1 1
10 0 0 0 110 1000 1 1
Pais
Pai 1 Pai 2
Filho A Filho B
Ponto de crossover
![Page 23: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/23.jpg)
2323Computação EvolutivaComputação Evolutiva
Crossover de 2 pontos
Filhos
10 0 0 0 11 0 10 00 1 1
10 0 0 00 1010 1 1
Pais
Pai 1 Pai 2
Filho A Filho B
0 1
![Page 24: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/24.jpg)
2424Computação EvolutivaComputação Evolutiva
Crossover uniforme
Filhos
10 0 0 0 11 0 10 00 1 1
10 0 110 0000 1 1
Pais
Pai 1 Pai 2
Filho A Filho B
Mascara: 0 1 0 1 0 0 0
1 0
![Page 25: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/25.jpg)
2525Computação EvolutivaComputação Evolutiva
Mutação
Introdução e manutenção da diversidade genética Aplicado a cada indivíduo após crossover
Altera aleatoriamente um ou mais genes no cromossomo
Assegura que a probabilidade de atingir qualquer ponto do espaço de busca nunca será zero
Taxa de mutação pequena Pm 0.001
![Page 26: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/26.jpg)
2626Computação EvolutivaComputação Evolutiva
Mutação
10 0 0 0 11
10 1 10 0 1
Antes da mutação
Após a mutação
![Page 27: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/27.jpg)
2727Computação EvolutivaComputação Evolutiva
Seleção
Escolhe preferencialmente, embora não exclusivamente, indivíduos com maiores notas de aptidão Procura manter a diversidade da população
Indivíduos mais aptos têm mais oportunidades de serem reproduzidos
![Page 28: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/28.jpg)
2828Computação EvolutivaComputação Evolutiva
Seleção pela roleta
Indivíduo Si
S3 11110
S4 01001
S5 00110
S1 10110
S2 11000
Aptidãof(Si)
1.05
3.35
1.69
2.23
7.27
AptidãoRelativa
0.14
0.47
0.07
0.21
0.11
S1
S2S3
S4
S5
Método da Roleta baseado em Aptidão Relativa
![Page 29: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/29.jpg)
2929Computação EvolutivaComputação Evolutiva
Elitismo
Indivíduo de maior desempenho é automaticamente selecionado
Evita modificações deste indivíduo pelos operadores genéticos Utilizado para que os melhores indivíduos não
desapareçam da população pela manipulação dos operadores genéticos
![Page 30: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/30.jpg)
3030Computação EvolutivaComputação Evolutiva
Espaço de Busca
-1 -0,6
2
-0,2
4 0,14 0,
52 0,9
-1
-0,8
6
-0,7
2
-0,5
8
-0,4
4
-0,3
-0,1
6
-0,0
2
0,120,260,
4
0,540,680,820,96
-1
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
xy
Better solution
![Page 31: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/31.jpg)
3131Computação EvolutivaComputação Evolutiva
Observações
Se o AG estiver corretamente implementado, a população deve evolui em gerações sucessivas
Aptidão do melhor indivíduo e da média da população devem aumentar em direção a um ótimo global
Importância da codificação na convergência
![Page 32: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/32.jpg)
3232Computação EvolutivaComputação Evolutiva
Critério de parada
Tempo de execução Número de gerações Valor de aptidão mínimo e/ou médio Convergência
Nas últimas k iterações não houve melhora nas aptidões
![Page 33: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/33.jpg)
3333Computação EvolutivaComputação Evolutiva
Escolha de parâmetros
Escolhidos de acordo com o problema Quantos cromossomos em uma população
Poucos efeito pequeno do crossoverMuitos aumenta tempo de computação
Taxa de mutaçãoBaixa mudanças lentasAlta traços desejados não são mantidos (caos)
![Page 34: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/34.jpg)
3434Computação EvolutivaComputação Evolutiva
Escolha de parâmetros
Outros parâmetros Quantos indivíduos selecionados para
reprodução? Quantos pontos de crossover? Critério para medir aptidão?
Manter limites no tamanho da população e complexidade da análise Algoritmo pode se tornar ineficiente
![Page 35: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/35.jpg)
3535Computação EvolutivaComputação Evolutiva
Aplicações
Otimização de função numérica Otimização combinatória
Determinação de Árvores Filogenéticas
Projetos Projeto de pontes
Aprendizado de Máquina Determinação dos parâmetros de Redes Neurais
Artificiais em problemas de Bioinformática
![Page 36: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/36.jpg)
3636Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
Otimizar quantidade de açúcar e farinha de trigo para preparar biscoitos
Passos Criar população inicial Codificar strings ou cromossomos Definir função de aptidão Reprodução
![Page 37: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/37.jpg)
3737Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
1 2 3 4 5 6 7 8 9
1 1 2 3 4 5 4 3 2 1
2 2 3 4 5 6 5 4 3 2
3 3 4 5 6 7 6 5 4 3
4 4 5 6 7 8 7 6 5 4
5 5 6 7 8 9 8 7 6 5
6 4 5 6 7 8 7 6 5 4
7 3 4 5 6 7 6 5 4 3
8 2 3 4 5 6 5 4 3 2
9 1 2 3 4 5 4 3 2 1
farinha (kg)
açúcar (kg)
Qualidade do biscoito (q):
![Page 38: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/38.jpg)
3838Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
Codificação do cromossomo Quantidade de farinha de trigo e de açúcar
2 4
farinha (kg)açúcar (kg)
![Page 39: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/39.jpg)
3939Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
CROMOSSOMO GRAU APT. PADRÃO
1 4 4 0.4
3 1 3 0.3
1 2 2 0.2
1 1 1 0.1
fq
qii
jj
•Função de aptidão:
![Page 40: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/40.jpg)
4040Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
•Mutação:
2 5Pai:
3Filho: 5
±1
![Page 41: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/41.jpg)
4141Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
• Regras:
Cada cromossomo pode aparecer somente uma vez
Tamanho máximo da população: 4
Nova população: melhor indivíduo (elitismo) + indivíduos restantes escolhidos aleatoriamente
![Page 42: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/42.jpg)
4242Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitosCaso 1 (sem crossover)
CromossomoQualidade
• Geração 0: [1 1] 1
Filho Qualidade
[1 2] 2
[1 3] 3[1 2]
[1 4] 4[2 2] 3[2 1] 2
[2 4] 5[2 3] 4[1 3][3 1] 3
• Geração 1: [1 2] 2[1 1]
1• Geração 2: [1 3] 3
[1 2]2
[1 1]1• Geração 3: [1 4] 4
[1 3]3
[1 2]2
[2 1]2
![Page 43: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/43.jpg)
4343Computação EvolutivaComputação Evolutiva
[2 5] 6[1 5] 5[2 3] 4[2 2] 3
• Geração 4: [2 4] 5[1 4]
4[1 3]
3[2 1]
2
Exemplo1: preparo de biscoitosCaso 1 (sem crossover)
[3 5] 7[1 4] 6[2 2][3 2] 4
• Geração 5: [2 5] 6[1 5]
5[2 3]
4[2 2]
3• Geração 8: [5 5] 9[4 5]
8[2 5]
6[2 1]
2
![Page 44: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/44.jpg)
4444Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitosCaso 1 (sem crossover)
1 2 3 4 5 6 7 8 9
1 1 2 3 4 5 4 3 2 1
2 2 3 4 5 6 5 4 3 2
3 3 4 5 6 7 6 5 4 3
4 4 5 6 7 8 7 6 5 4
5 5 6 7 8 9 8 7 6 5
6 4 5 6 7 8 7 6 5 4
7 3 4 5 6 7 6 5 4 3
8 2 3 4 5 6 5 4 3 2
9 1 2 3 4 5 4 3 2 1
farinha (kg)
açúcar (kg)
Qualidade do biscoito (q):
![Page 45: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/45.jpg)
4545Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
1 2 3 4 5 6 7 8 9
1 1 2 3 4 5 4 3 2 1
2 2 0
00 0 0 0 0 0 2
3 3 0 0 0 0 0 0 0 3
4 4 0 0 7 8 7 0 0 4
5 5 0 0 8 9 8 0 0 5
6 4 0 0 7 8 7 0 0 4
7 3 0 0 0 0 0 0 0 3
8 2 0 0 0 0 0 0 0 2
9 1 2 3 4 5 4 3 2 1
farinha (kg)
açúcar (kg)
Qualidade do biscoito (q):
![Page 46: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/46.jpg)
4646Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitos
•Crossover:
2 5
1 4
Pai 1:
Pai 2:
5
2
1
4
Filho 1:
Filho 2:
![Page 47: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/47.jpg)
4747Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitosCaso 2 (com crossover)
CromossomoQualidade
• Geração 0: [1 1] 1
Filho Qualidade
[1 2] 2
• Geração 1: [2 1] 2[1 1]
1
[3 1] 3[1 2][2 1][1 1]
• Geração 7: [5 5] 9[1 4]
4[3 1]
2[5 2]
0
![Page 48: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/48.jpg)
4848Computação EvolutivaComputação Evolutiva
Exemplo1: preparo de biscoitosCaso 2 (com crossover)
1 2 3 4 5 6 7 8 9
1 1 2 3 4 5 4 3 2 1
2 2 0
00 0 0 0 0 0 2
3 3 0 0 0 0 0 0 0 3
4 4 0 0 7 8 7 0 0 4
5 5 0 0 8 9 8 0 0 5
6 4 0 0 7 8 7 0 0 4
7 3 0 0 0 0 0 0 0 3
8 2 0 0 0 0 0 0 0 2
9 1 2 3 4 5 4 3 2 1
farinha (kg)
açúcar (kg)
Qualidade do biscoito (q):
![Page 49: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/49.jpg)
4949Computação EvolutivaComputação Evolutiva
Teste de um critério definidoe interrompimento do processoquando um desempenho aceitável é produzido.
Ambiente1o Grupo de
Agentes
2o Grupo deAgentes
Combinação dosMelhores Agentes
Ambiente
Exemplo2: Robótica Evolutiva
Sistemas Evolutivos
![Page 50: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/50.jpg)
5050Computação EvolutivaComputação Evolutiva
Exemplo2: Robótica Evolutiva
![Page 51: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/51.jpg)
5151Computação EvolutivaComputação Evolutiva
Exemplo2: Robótica Evolutiva
Circuito de Controle
Configuração da Rede Neural
Morfologia
Velocidade de movimento
Seleção dos Sensores
Material GenéticoMaterial Genético MemóriaMemória
![Page 52: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/52.jpg)
5252Computação EvolutivaComputação Evolutiva
Exemplo2: Robótica Evolutiva
ooo
ooo
ooo
Controlador
Sen
sore
s
Motor1
Motor2
Rede Neural Arquitetura do Robô
![Page 53: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/53.jpg)
5353Computação EvolutivaComputação Evolutiva
Exemplo2: Robótica Evolutiva
Objetivo: Navegação sem Colisões
Robôs
Simples Complexo
![Page 54: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/54.jpg)
5454Computação EvolutivaComputação Evolutiva
Exemplo2: Robótica Evolutiva
Simple Environment
0
50
100
150
200
250
300
350
400
1 21 41 61 81 101
Generations
Fit
nes
s
Complex Environment
0
50
100
150
200
250
300
350
1 21 41 61 81 101
Generations
Fit
nes
s 120 Gerações: (1 min.) Pontuação do Melhor Robô
Média da População
![Page 55: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/55.jpg)
5555Computação EvolutivaComputação Evolutiva
Exemplo2: Robótica Evolutiva
Simple Environment
0
50
100
150
200
250
300
350
400
1 21 41 61 81 101
Generations
Fit
nes
s
Complex Environment
0
50
100
150
200
250
300
350
1 21 41 61 81 101
Generations
Fit
nes
s ”Espécie” 1 – Um sensor frontal
“Espécie” 2 – Dois sensores, um frontal e outro lateral
“Espécie” 3 – Três sensores, um frontal e dois laterais
![Page 56: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/56.jpg)
5656Computação EvolutivaComputação Evolutiva
A B C D EGF
S1
Pai1
C
D
E
G
S2
Pai2
A
BF
C D EGF
S2
Filho
A
BF
A
BF
Podar
Exemplo3: Árvore Filogenética
![Page 57: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/57.jpg)
5757Computação EvolutivaComputação Evolutiva
Conclusão
Conceitos básicos Evolução Natural Algoritmos genéticos
Codificação Função de aptidão Operadores Genéticos Reprodução
![Page 58: Computação Evolutiva 1 Eduardo do Valle Simões Renato Tinós ICMC - USP](https://reader035.vdocuments.mx/reader035/viewer/2022081502/552fc112497959413d8c6a6b/html5/thumbnails/58.jpg)
5858Computação EvolutivaComputação Evolutiva
http://www.icmc.usp.br/~simoes/web/seminars/semi.html
email: Eduardo Simões – [email protected] Tinós – [email protected]
Cópia das transparências e referências bibliográficas podem ser obtidas no site:
FIM