Conceitos Basicos de Algoritmos Geneticos Teoria e Pratica

Conceitos Bsicos de Algoritmos Genticos: Teoria e Prtica
Thatiane de Oliveira Rosa1, Hellen Souza Luz2

1
Curso de Sistemas de Informao Centro Universitrio Luterano de Palmas (CEULP/ULBRA) Caixa Postal 160 77.054-970 Palmas TO Brasil
Curso de Cincias da Computao Universidade Federal do Tocantins (UFT) Caixa Postal 114 77.001-090 Palmas TO Brasil
{thatiane, hellen.luz}@gmail.com
Resumo. Algoritmo Gentico (AG) consiste em uma tcnica de Inteligncia Artificial (IA) que se fundamenta em teorias e conceitos da gentica e da evoluo de populaes de seres vivos. A implementao de tal tcnica visa possibilitar que solues timas, sejam encontradas para resolver problemas, do mundo real, detectados em diversas reas do conhecimento. Assim, este trabalho apresenta os principais fundamentos tericos relacionados a Algoritmos Genticos, tais como: sua definio e etapas de execuo, como tambm um exemplo prtico, onde um problema do mundo real solucionado utilizando como base a tcnica de AG.
1. Introduo
Criada recentemente, a disciplina de Inteligncia Artificial (IA) possui diversas frentes de estudo, ou seja, formada por vrios ramos, os quais, segundo Russell e Norvig (2004, p 4), esto relacionados aos processos de pensamento e raciocnio, forma de comportamento, reproduo fiel do desempenho humano e imitao da racionalidade. Deste modo, esta disciplina oferece solues interessantes para problemas de diversos campos, sendo de grande relevncia para qualquer rea que trate de atividades que dizem respeito ao intelecto. Dentre as vrias reas que se baseiam em IA, podem-se destacar o processamento de linguagem natural, deteco de diagnsticos, planejamento autnomo e escalonamento, planejamento logstico, jogos, robtica e viso computacional. Para que seja possvel implementar tais aplicaes, a IA oferece uma gama variada de tcnicas, das quais as mais utilizadas so Lgica Fuzzy, Redes Neurais Artificiais, Sistemas Baseados em Casos, Sistemas Especialistas e Algoritmos Genticos. De acordo com o contexto deste trabalho, ser estudado de forma mais detalhada, a tcnica de Algoritmo Gentico (AG), que consiste em uma rea de estudo da computao evolutiva, que utiliza como base os conceitos de comportamento adaptativo (GOLDBERG e HOLLAND, 1988 apud BITTENCOURT, 2008) formalizados por Darwin, em sua Teoria da Evoluo Natural. Vale ressaltar, que a computao evolutiva um ramo da computao natural que aplica conceitos da natureza para solues de problemas computacionais complexos, propondo uma forma alternativa para resoluo desses problemas, sem o conhecimento prvio de como chegar a uma soluo.
ROSA, Thatiane de Oliveira, LUZ, Hellen Souza. Conceitos Bsicos de Algoritmos Genticos: Teoria e Prtica. In: XI Encontro de Estudantes de Informtica do Tocantins, 2009, Palmas. Anais do XI Encontro de Estudantes de Informtica do Tocantins. Palmas: Centro Universitrio Luterano de Palmas, 2009. p. 27-37. Disponvel em: http://tinyurl.com/ylouf6
Desta forma, pelo fato deste trabalho estudar a adoo da tcnica de AG na resoluo de problemas do mundo real, o prximo tpico apresenta definio e funcionamento associados ao Algoritmo Gentico.
2. Algoritmo Gentico
Algoritmo Gentico uma tcnica de IA que, assim como definido por Goldberg (1989 apud TICONA, 2003, p. 46), foi criada com o intuito de imitar determinados processos observados na evoluo natural das espcies. Deste modo, tal tcnica fundamenta-se nas explicaes oferecidas por Charles Darwin a respeito da seleo e evoluo dos indivduos na natureza, como tambm, em outras teorias de gentica formuladas, posteriormente, por estudiosos tais como Gregor Mendel. Assim, o objetivo da tcnica de AG consiste em solucionar problemas do mundo real de forma otimizada, sendo aplicvel a diversas reas. Para compreender o funcionamento dos AGs faz-se necessrio realizar uma analogia explicao sobre a evoluo das espcies. Assim, o AG trabalha da seguinte forma: Inicialmente gerada uma populao formada por um conjunto aleatrio de indivduos, que podem ser vistos como possveis solues do problema. Durante o processo evolutivo, esta populao avaliada, sendo que para cada indivduo atribuda uma nota, ou ndice, que reflete sua habilidade de adaptao a determinado ambiente. Uma porcentagem dos indivduos mais adaptados mantida, enquanto os outros so descartados. Os membros mantidos pela seleo podem sofrer modificaes em suas caractersticas fundamentais por meio de cruzamentos (crossover), mutaes ou recombinao gentica gerando descendentes para a prxima gerao. Este processo, chamado de reproduo, repetido at que uma soluo satisfatria seja encontrada. Embora possam parecer simplistas do ponto de vista biolgico, estes algoritmos so suficientemente complexos para fornecer mecanismos de busca adaptativos poderosos e robustos. Aps apresentar uma definio e explicar, de forma geral, o funcionamento dos Algoritmos Genticos, necessrio discorrer a respeito dos vrios processos executados dentro do mesmo. Sendo assim, o prximo tpico apresenta um estudo a respeito de tais processos, denominados operadores genticos. 2.1. Operadores Genticos Os operadores genticos tm por objetivo realizar transformaes em uma populao, fazendo com que, a cada nova gerao, indivduos cada vez mais capazes sejam criados, contribuindo assim para que as populaes evoluam a cada nova gerao. Com isto, os operadores genticos so classificados em: inicializao, funo de aptido, seleo, cruzamento, mutao, atualizao e finalizao. Sendo que destes, destacam-se os de seleo, cruzamento e mutao, responsveis por conduzirem a busca no sentido da deteco da melhor soluo.
2.1.1 Inicializao Um Algoritmo Gentico tem incio a partir da execuo do operador denominado inicializao. Tal operador consiste na criao de uma populao inicial, na qual os demais sero aplicados. Em geral, pode-se dar incio a uma populao de forma aleatria, onde os cromossomos so gerados randomicamente, de forma aleatria e com nicho, em que os cromossomos so gerados e classificados em espcies ou ainda; determinstica, em que os cromossomos so gerados de acordo com uma funo heurstica. Normalmente este operador gera uma populao de forma aleatria, objetivando aumentar sua diversidade gentica garantindo, desta forma, um maior alcance do espao de busca. Caso a inicializao da populao no ocorra de forma randmica, esta poder convergir prematuramente, isso significa que em um curto espao de tempo a populao possuir indivduos muito semelhantes, ou seja, com pouca diversidade gentica, o que dificultar na escolha da melhor soluo possvel para o problema estudado. Aps a criao da populao inicial, necessrio avaliar todos os cromossomos gerados. Desta forma, a prxima seo define a funo a ser executada para realizar tal avaliao. 2.1.2 Funo de Aptido No mundo real, a aptido exercida pelo meio em que o indivduo vive. Quando acontece uma modificao no meio e determinado indivduo no se encontra apto para sobreviver ali, ele tem menos probabilidade de se reproduzir e assim, passar os seus genes para as prximas geraes, tendendo extino. Nos problemas de busca e otimizao deve-se tambm determinar o quo bom uma soluo (indivduo), para que se possa definir se esta contribuir para a resoluo do problema, esse trabalho realizado pelo operador de funo de aptido. Assim, este operador confere uma nota para cada cromossomo de acordo com o problema. Sendo tal nota, posteriormente, utilizada no operador gentico de seleo. O clculo da funo de aptido o nico elo entre o algoritmo gentico e o problema proposto, a nica parte no genrica do AG e deve ser capaz de identificar todas as restries e objetivos, ou seja, a funo de aptido deve ser especfica para cada problema. Existe uma distino entre os termos funo de avaliao e funo de aptido, onde: a funo de avaliao a responsvel por fornecer uma medida de desempenho, no que diz respeito a um conjunto particular de parmetros (LIMA, 2008, p 12), ou seja, determina a probabilidade do indivduo transmitir os seus genes para a prxima gerao. J a funo de aptido definida de acordo com outros membros da atual populao em um algoritmo gentico (LIMA, 2008, p 13). Assim, a aptido definida como fi/f onde: fi a avaliao associada ao indivduo i e, f a avaliao mdia de todos os indivduos na populao. A aptido pode tambm ser associada classificao de um indivduo ou outras medidas como seleo por torneio Goldberg (1990 apud LIMA, 2008, p. 13). A funo de aptido pode ser igual funo avaliao, ou resultado do escalonamento da funo avaliao, ou baseada no ranking do indivduo da populao, ou ainda por meio de normalizao linear Goldberg (1990 apud LIMA, 2008, p. 13).
2.1.3 Seleo O operador de seleo executado logo aps o clculo da aptido dos cromossomos gerados. Sua implementao baseada no processo de seleo natural, onde os indivduos mais capazes possuem maior probabilidade de gerar mais descendentes, enquanto que os menos capazes podero ainda gerar descendentes, porm em uma escala menor. Logo, necessrio que os cromossomos que possuam um valor de aptido maior sejam beneficiados, sem que os cromossomos com aptido menor sejam desconsiderados. Desta forma, a seleo no deve ser baseada somente na escolha do indivduo mais capaz, pois existe a probabilidade de um indivduo menos capaz possuir propriedades genticas favorveis gerao de um cromossomo que possua a melhor soluo para o problema analisado, considerando que tais propriedades favorveis no estejam presentes nos demais cromossomos da populao. Existem vrias estratgias de seleo, este trabalho apresenta trs: Roleta: Nesta tcnica, a seleo dos cromossomos ocorre de forma proporcional ao seu valor de aptido, sendo que os cromossomos de uma populao so representados em uma roleta, onde ocupam um espao proporcional ao seu valor de aptido. Deste modo, os cromossomos que possurem um alto valor de aptido ocuparo uma maior frao da roleta, enquanto que os cromossomos com valor de aptido inferior ocuparo menores fraes (Figura 1). Para que seja possvel obter o nmero de pares necessrios para a execuo dos processos de cruzamento e mutao a roleta girada quantas vezes forem necessrias.
Figura 1. Esquema de funcionamento do mtodo roleta (Modificado de LIDEN, 2006, p. 61-63).
Torneio: A execuo do mtodo torneio se d a partir da escolha de n cromossomos da populao atual, de forma aleatria. Dentre tais cromossomos escolhidos, o com maior valor de aptido selecionado para compor uma populao intermediria. Em seguida, os demais cromossomos so recolocados na populao e realiza-se o mesmo processo at que a populao intermediria esteja completa. A figura 2 ilustra o funcionamento de tal mtodo.
Figura 2. Esquema de funcionamento do mtodo de torneio.

Dizimao: A dizimao uma tcnica de seleo que realiza a ordenao dos cromossomos de acordo com o seu valor de aptido e, a partir disto, remove um nmero fixo de cromossomos que possuem baixo valor de aptido. Dentre os cromossomos que sobreviveram a este processo de dizimao, escolhem-se os pais de forma aleatria (Figura 3)
Figura 3. Esquema de funcionamento do mtodo dizimao.
Considera-se que esta tcnica possui uma grande desvantagem, pois permite que propriedades genticas excepcionais sejam perdidas ao excluir cromossomos com baixo valor de aptido, alm de proporcionar a convergncia prematura da populao. 2.1.4 Cruzamento O processo de cruzamento utilizado aps a realizao da seleo. Nesta fase ocorre a troca de segmentos entre pares de cromossomos selecionados para originar os novos indivduos que viro a formar a populao da gerao seguinte. Assim, a idia principal do cruzamento propagar as caractersticas positivas dos indivduos mais aptos da populao por meio da troca de segmentos de informaes entre os mesmos, originando novos indivduos. As formas mais comuns de troca de segmentos nos Algoritmos Genticos so as de ponto nico, duplo e cruzamento de pontos aleatrios. Ponto nico: No mtodo de ponto nico, escolhido um ponto de corte aleatrio e a partir desse ponto o material gentico dos pais trocado dando origem a dois novos cromossomos, formados pela combinao das caractersticas genticas dos pais, como pode ser observado na figura 4.
Figura 4. Esquema de cruzamento de ponto nico.
Ponto duplo: No mtodo de ponto duplo so escolhidos dois pontos de cruzamento e a partir desses os materiais genticos dos pais so trocados de forma intercalada, como pode ser observado na figura 5.
Figura 5. Esquema de cruzamento de ponto duplo.
Pontos aleatrios: A tcnica de cruzamento de pontos aleatrios utiliza como base mscaras, que consistem de cromossomos binrios, onde no local em que os alelos possuem o valor 1 utiliza-se, inicialmente, o material gentico de um dos pais, e onde possui o valor 0 pega-se o material do outro pai A mscara pode ser invertida e inicia-se novamente o processo de cruzamento (Figura 6).
Figura 6. Esquema de cruzamento de pontos aleatrios.
2.1.5 Mutao O operador de mutao executado logo aps o processo de cruzamento e tem por objetivo realizar modificaes em determinadas propriedades genticas de uma populao, de forma aleatria. Tal operao mostra-se importante uma vez que possibilita populao atual obter propriedades genticas que no existiam ou eram encontradas em baixa porcentagem. Deste modo, a execuo do operador de mutao mostra-se indispensvel, visto que este permite a introduo e manuteno da diversidade gentica da populao. Logo, com a execuo do operador de mutao possvel garantir que o espao de busca possivelmente no ser igual a zero. Vale ressaltar, que a taxa de mutao, assim como na natureza, deve acometer uma pequena parcela da populao, pois caso a porcentagem seja elevada, os indivduos gerados pouco se assemelharo aos seus pais; caso contrrio, a diversidade da populao estar comprometida. Existem vrias tcnicas de mutao, dentre elas: Mutao aleatria: dentro de um alfabeto vlido, um valor sorteado para substituir o que sofrer a mutao;
Figura 7. Exemplo de mutao aleatria.
Mutao por troca: n pares de genes so sorteados; logo aps o sorteio os pares trocam valores entre si;
Figura 8. Exemplo de mutao por troca.
Aps o operador de mutao ser executado, o processo de gerao de uma nova populao foi ento concludo, deste modo, a seo seguinte apresenta como se d o processo de evoluo de uma populao. 2.1.6 Atualizao Na atualizao a populao antiga substituda por uma nova populao, formada pelo cruzamento dos indivduos selecionados da populao anterior. As formas mais conhecidas de atualizao so (x+y) e (x,y), tambm chamadas de estratgia soma e estratgia vrgula. Na estratgia soma, indivduos da populao anterior convivem com a populao formada por seus filhos. Essa estratgia tambm pode ser chamada de elitismo e geralmente uma percentagem muito pequena selecionada para a prxima gerao, pois corre-se o risco de uma convergncia prematura do AG. Na estratgia vrgula a populao anterior no convive com a prxima populao, perdendo-se ento solues boas encontradas. 2.1.7 Finalizao O operador de finalizao o responsvel por determinar se a execuo do Algoritmo Gentico (evoluo de populao) ser concluda ou no. Tal ao realizada a partir da execuo de testes baseados em uma condio de parada pr-estabelecida. Tal condio de parada pode variar desde a quantidade geraes desenvolvidas at o grau de proximidade dos valores de aptido de cada cromossomo, de determinada populao. (LUCAS, 2000, p. 23).
3. Descobrindo a Frase Secreta Utilizando Algoritmo Gentico

Para que seja possvel compreender melhor o funcionamento e aplicao dos operadores genticos, explicados anteriormente, este tpico apresenta a resoluo de um problema do mundo real, utilizando como base um modelo simples de AG. O problema a ser resolvido consiste em fazer com que o AG descubra uma frase digitada pelo usurio, utilizando como parmetro apenas a quantidade de caracteres que a compe. A partir disto, definiu-se que os indivduos (possveis solues) a serem criados deveriam ser compostos pela mesma quantidade de caracteres da frase informada pelo usurio, ou seja, caso a frase seja composta por 7 (sete) caracteres, ento os indivduos gerados possuiro 7 (sete) genes. Em seguida, para que fosse possvel determinar o quo aptos esto os indivduos gerados, para solucionar o problema, definiu-se que cada um dos cromossomos deveria ser submetido seguinte funo:
1 se x = 0 0 se x 0
f = 1 sinal (codASCfrase[i] codASCcromo[i] ) onde: sinal(x) =

i=1
Frmula 1. Formula da Funo de aptido (Modificado de LARCERDA, 2008, p. 36).

Para executar tal funo necessrio conhecer o cdigo ASCII de cada caractere da frase informada pelo usurio, como tambm dos caracteres que compem as frases (indivduos) geradas pelo AG. Por fim, definiu-se que o AG deveria finalizar a sua execuo quando o valor de aptido encontrado fosse igual a 0 (zero), tal deciso se justifica visto que executada a funo de aptido, caso a frase informada pelo usurio e uma frase gerada pelo AG sejam iguais o valor encontrado ser 0 (zero). Para a implementao de tal AG optou-se pela escolha das seguintes tcnicas: para realizar a seleo dos cromossomos pais utilizou-se o mtodo torneio; para efetuar o cruzamento entre os cromossomos selecionados fez-se uso da tcnica de pontos aleatrios e, para executar o operador de mutao nos cromossomos gerados, aplicou-se a tcnica de mutao aleatria. Alm disso, a ttulo de demonstrao, vale lembrar que a populao a ser criada ser composta por 6 (seis) indivduos e ter a probabilidade de 5% de mutao. Para que seja possvel compreender melhor como so processadas as operaes dentro do AG, ser realiza uma simulao apresentado passo a passo sua execuo. Sendo assim, suponha que o usurio digite a frase Encoinfo. Como pode ser verificado na figura 9, a primeira operao, realizada, pelo AG, a criao dos cromossomos (possveis solues) da populao inicial, de forma aleatria. Por conseguinte, cada um dos cromossomos criados submetido ao processo de avaliao de aptido, utilizando a funo definida anteriormente (Figura 9).
Figura 9. Resultado dos operadores de inicializao e funo de aptido.
Logo em seguida, como ilustrado na figura 10, realizada a seleo, por torneio, dos indivduos que participaro do processo de cruzamento.
Figura 10. Resultado do operador de seleo por torneio.
Aps selecionar os cromossomos que daro origem prxima gerao, realizado o cruzamento entre as caractersticas dos pares de cromossomos, utilizando para isto a tcnica de pontos aleatrios. Assim, como pode ser conferido na figura 11, aps o processo de cruzamento so gerados 6 (seis) novos indivduos.
Figura 11. Resultado dos operadores de cruzamento e mutao.
Com a finalizao do processo de cruzamento, executada a operao de mutao, como tambm pode ser verificado na figura 11, na nova populao gerada, ocorreu mutao com no quinto gene do segundo filho gerado pelo segundo par de cromossomos. Aps finalizar a execuo do operador de mutao, gerada uma nova populao a qual apresentada na figura 12, onde demonstrada a substituio da populao inicial pela a que acabar de ser gerada. Como a atualizao da populao, o AG verifica se a condio de parada especificada, foi alcanada, como pode ser verificado na figura 12 o quarto cromossomo que compe a nova populao possui valor de aptido igual a 0 (zero), o que faz com que a execuo do AG seja finalizada.
Figura 12. Resultado dos operadores de atualizao e finalizao.
De forma geral, ao analisar toda a implementao e resoluo do problema proposto, percebe-se que, apesar de ser um modelo simples de AG, este proporciona um entendimento geral no que diz respeito aos operadores genticos.
4. Concluses
O principal objetivo deste artigo era apresentar uma viso geral da tcnica de Inteligncia Artificial, denominada Algoritmo Gentico, a fim de expor seus principais conceitos, estrutura e forma de funcionamento, como tambm demonstrar de forma prtica a sua utilizao para a resoluo de um problema. A partir do estudo apresentado, possvel verificar que a tcnica de AG objetiva simular as operaes genticas da mesma forma como estas se do na natureza, por meio da criao de uma populao de indivduos, onde cada um destes reconhecido com um cromossomo, que passa por um processo que imita a seleo, reproduo e mutao, dentre outros, originando uma nova populao. Assim, esta tcnica mantm uma populao de indivduos, que representam possveis solues para um determinado problema do mundo real, armazenando informaes a respeito de um determinado espao de busca e utilizando o conhecimento obtido para realizar novas descobertas, permitindo, desta forma, que problemas sejam solucionados de forma otimizada. Com os testes executados com esta tcnica de IA foi possvel perceber que mesmo em uma implementao simples resultados satisfatrios so obtidos e que, caso o AG seja corretamente modelado para solucionar um problema especfico, possvel obter timos resultados.
Referncias Bibliogrficas
(COSTA FILHO e POPPI, 1999) COSTA FILHO, Paulo Augusto da; POPPI, Ronei Jesus. Algoritmos Genticos em Qumica. Qumica Nova. Campinas, v. 22, n. 3, jun. 1999. Disponvel em: <http://www.scielo.br/pdf/qn/v22n3/1094.pdf>. Acesso em: 6 mar. 2007. (GOLDBERG, 1989 apud TICONA, 2003) Goldberg, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley Publishing Company,
Inc., Reading, MA. apud TICONA, Waldo Gonzalo Cancino. Aplicao de Algoritmos Genticos Multi-Objetivo para Alinhamento de Seqncias Biolgicas. 2003. 112 p. Dissertao (Mestrado em Cincias Matemticas e de Computao) Instituto de Cincias Matemticas e de Computao Universidade de So Paulo So Carlos. Disponvel em: <http://www.lania.mx/~ccoello/EMOO/tesis_waldo_msc_final.pdf.gz>. Acesso em: 9 mai. 2007. (GOLDBERG, 1990 apud LIMA, 2008) GOLDBERG, D. E. Information Models, Views, and Controllers. Dr. Dobb's Journal, July 1990. apud LIMA, Ednaldo Oliveira. Algoritmo Gentico Aplicado Otimizao de Funes. 2008. 72 p. Monografia (Graduao em Cincia da Computao) Universidade Federal de Lavras Departamento de Cincia da Computao. Disponvel em: <http://www.comp.ufla.br/monografias/ano2008/Algoritmo_genetico_hibrido_aplicado _a_otimizacao_de_funcoes.pdf>. Acesso em: 1 out. 2008. (GOLDBERG e HOLLAND, 1988 apud BITTENCOURT, 2008) D.E. Goldberg and J.H. Holland. Genetic algorithms and machine learning: Introduction to the special issue on genetic algorithms. Machine Learning, 3, 1988. apud BITTENCOURT, Guilherme. Inteligncia Computacional. 2008. Disponvel em: <http://www.das.ufsc.br/gia/softcomp/node11.html>. Acesso em: 1out. 2008. (Apostila). (LACERDA, 2008) LACERDA, Estfane G. M. Algoritmos Genticos: Aspectos Prticos. 2008. 36 p.. Disponvel em: <http://www.dca.ufrn.br/~estefane/metaheuristicas/ag_pratica.pdf >. Acesso em: 01 out. 2008. (Apostila). (LIMA, 2008) LIMA, Ednaldo Oliveira. Algoritmo Gentico Aplicado Otimizao de Funes. 2008. 72 p. Monografia (Graduao em Cincia da Computao) Universidade Federal de Lavras Departamento de Cincia da Computao. Disponvel em: <http://www.comp.ufla.br/monografias/ano2008/Algoritmo_genetico_hibrido_aplicado _a_otimizacao_de_funcoes.pdf>. Acesso em: 1 out. 2008. (LINDEN, 2006) LINDEN, Ricardo. Algoritmos Genticos: Uma importante ferramenta da inteligncia computacional. Rio de Janeiro: Brasport, 2006. (LUCAS, 2000) LUCAS, Diogo Correa. Algoritmos Genticos: Um estudo dos seus conceitos fundamentais e aplicao no problema da grade horria. 2000. 66 p. Monografia (Graduao em Informtica) Universidade Federal de Pelotas Instituto de Fsica e Matemtica. Disponvel em: <http://www.ufpel.tche.br/prg/sisbi/bibct/acervo/info/2000/Mono-Diogo.pdf>. Acesso em: 4 abr. 2007. (ROSA, 2007) ROSA, Thatiane de Oliveira. Aplicao de Algoritmos Genticos para Comparao de Seqncias Biolgicas. 2007. 130 p. Monografia (Graduao em Sistemas de Informao) Centro Universitrio Luterano de Palmas, Palmas - TO. (RUSSELL e NORVIG, 2004) RUSSELL, Stuart; NORVIG, Peter. Inteligncia Artificial. 2. ed. Rio de Janeiro: Editora Campus, 2004. 1020 p.

Conceitos Basicos de Algoritmos Geneticos Teoria e Pratica

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Conceitos Basicos de Algoritmos Geneticos Teoria e Pratica

Diunggah oleh

Hak Cipta:

Format Tersedia

Conceitos Bsicos de Algoritmos Genticos: Teoria e Prtica

Thatiane de Oliveira Rosa1, Hellen Souza Luz2

Figura 1. Esquema de funcionamento do mtodo roleta (Modificado de LIDEN, 2006, p. 61-63).

Figura 2. Esquema de funcionamento do mtodo de torneio.

Figura 3. Esquema de funcionamento do mtodo dizimao.

Figura 4. Esquema de cruzamento de ponto nico.

Figura 5. Esquema de cruzamento de ponto duplo.

Figura 6. Esquema de cruzamento de pontos aleatrios.

Figura 7. Exemplo de mutao aleatria.

Figura 8. Exemplo de mutao por troca.

3. Descobrindo a Frase Secreta Utilizando Algoritmo Gentico

f = 1 sinal (codASCfrase[i] codASCcromo[i] ) onde: sinal(x) =

Frmula 1. Formula da Funo de aptido (Modificado de LARCERDA, 2008, p. 36).

Figura 9. Resultado dos operadores de inicializao e funo de aptido.

Figura 10. Resultado do operador de seleo por torneio.

Figura 11. Resultado dos operadores de cruzamento e mutao.

Figura 12. Resultado dos operadores de atualizao e finalizao.

Anda mungkin juga menyukai