Algoritmos Genéticos na Prática

1 /Nunes & Guimarães 38

Algoritmos GenéticosPrática

Profª. Rosângela Nunes

Prof. Norton Guimarães


Agenda

Introdução

Problema 01

Problema 02


Introdução


Introdução

● O Algoritmo Genético foi desenvolvido por John Holland, nos meados dos anos de 1960 e 1970, com base na teoria da Evolução de Charles Darwin e popularizado por David Goldberg, através da resolução de um problema, envolvendo o controle de transmissão de gasoduto.


O que são Algorítmos Genéticos?

“Uma técnica de busca baseada numa metáfora do processo biológico de evolução

natural” [LINDER, 2012].


Os Problemas

● Uma nova abordagem do problema clássico caixeiro viajante

● Tratamento Quimioterápico


O problema do caixeiro viajante

O problema consistem em um caixeiro viajante, partindo de sua cidade, deve visitar exatamente uma única vez cada cidade de

uma dada lista e retornar para casa tal que a distância total percorrida seja a menor

possível.


A Representação Binária

O encontro de uma cidade com outra será representado pelo bit 1 e a não ligação pelo bit 0.


A nova proposta

A leitura na matriz é dada da esquerda para direita e de cima para baixo no primeiro triângulo e da esquerda para direita e de baixo para cima no segundo triângulo.


A validação

Para ser válida a matriz deve atender:

1 - O número de elementos (1) deve ser igual ao número de cidades nos dois lados;

2 – Só pode ter um elemento (1) por linha e coluna;

3 – No mesmo vértice a soma de elementos (1) deve ser igual a 2.


A Seleção dos Pais

A seleção dos pais é de acordo com o seu ranking e escolhe sempre os menores.


A Seleção dos Pais

De acordo com a seleção devemos escolher os valores (17,22,23,24)


Operação de Crossover

Caminho ilegal! Fazer Mutação

SOMA


Operação de MutaçãoConta o número de elemento

com (1) o valor em cada linha e coluna para a cidade, se o número for superior a 2, em seguida, repetir excluindo a extremidade mais comprida do passeio resultante até que o número de elementos no caminho resultante é igual a 2. No entanto, se o número de elementos no caminho resultante é inferior a 2 adicionaremos as arestas que faltam no caminho pelo algoritmo guloso.


O resultado


O problema de Tratamento Quimioterápico

A escolha do melhor tratamento pelos médicos é uma tarefa complexa e, muitas vezes, pode determinar a vida de uma pessoa.O tratamento quimioterápico do câncer pode ser paliativo ou curativo.


A Representação

O vetor de decisão , onde (Ci j) representa o nível de concentração das drogas, n os ciclos do tratamento e das drogas que compõem o coquetel anti-cancer.

O vetor de decisão acima foi codificado por uma string binária em que cada concentração e Ci j é expressada por um conjunto de 4(quatro) alelos binários. Desta forma o cromossoma foi definido como


A Representação

Uma segunda forma de representação denominada cycle-wis e variable representation.


Solução 1

Seleção dos pais: Método de roleta viciada.

CrossOver de dois pontos

Mutação bit-wise


Solução 2

Adaptive Elitiist-Population based Genetic Algorithm – AEGA, foi utilizado.

Ajuste do tamanho da população de forma adaptativa com o objetivo de buscar pelo menos um indivíduo em cada pico e realizar esta busca em paralelo para todos os picos.

Operadores genéticos:

Operador de crossover elitista

Operador de mutação elitista.


Direção relativa entre dois cromossomos


A Operação Crossover

Se pais e filhos estiver na mesma base de atração

Eliminar o menos apto

Escolher os dois mais aptos


A Operação Elistista de Mutação

Escolha randômica

Indivíduo, Posição do cromossomo e Valor

Se filho estiver numa área do espaço de solução não explorado

Mantém pai e filho na próxima geração

Caso contrário

Mantém o mais apto


Referências

[1] DARWIN, C. A Origem das Espécies. LELLO & IRMÃO-EDITORES, 1859.

[2] HAUPT, R.; HAUPT, S. E. Practical Genetic Algorithms. Wiley, 2th edition, 2004.

[3] KHAN, H. F. e. a. Solving tsp problem by using generic algorithm. International Journal of Basic & Applied Sciences, 9(10):79–88, 12 2009.

[4] Liang, Y.; Lueng, K.; Mok, T. S. K. Automating the drug scheduling with differente toxicity clearance in cancer chemotherapy via evolutionary computation. Genetic and Evolutionary Computation Conference, 2006.


Referências

[5] LINDER, R. Algoritmos Genéticos. Brasport, 2th edition, 2008.

[6] PACHECO, Marco Aurélio e FUKASAWA, R. resolução do problema do entregador viajante. In: Revista de Inteligência Computacional Aplicada - PUC Rio, 2010.

[7] Petrovski, A.; MacCall, J. Smart problema solving environmnt for medical decision support. Genetic and Evolutionary Computation Conference, 2005.

Algoritmos Genéticos na Prática

Technology