This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.

com

A Evoluo das Espcies , os Algoritmos Genticos e o Teorema dos Esquemas Gilsiley Henrique Dar1 Compreender o papel da evoluo, consistiu em um grande desafio. Darwin e Lamarck que o digam. Mas Imit-la computacionalmente, e perceber que qualquer problema pode ser resolvido utilizando-se este modelo, est sendo um enigma que move inmeros pesquisadores. A esta mimetizao d-se o nome de algoritmos genticos. E desde meados da dcada de 70, do sculo passado, j se tem pesquisado sobre o assunto. Estes estudos, conduziram a simulao de diversos mecanismos evolutivos, tais como migrao, formao de nichos, elitismo, reproduo e mutao. Sendo tema de diversas discusses no meio acadmico. Este ensaio tem por objetivo revisar brevemente a teoria da evoluo, explicar o funcionamento bsico de um algoritmo gentico e expor atravs de um exemplo, o mecanismo que conduz a soluo do problema via algoritmos genticos chamado teorema dos esquemas. Palavras Chaves: Algoritmos Genticos, Evoluo, Darwinismo, Meta-Heurstica. Introduo Como dois temas distintos, como evoluo das espcies, uma teoria biolgica e a resoluo de problemas com a utilizao do computador, podem ser unificados? A explicao est na capacidade de abstrao humana aliada com a facilidade de ensaiar dos computadores. E com estes ingredientes foi que em 1975 John Holland, concebeu esta unio. Tomando como base as idias contidas no Darwinismo, expostas no livro A Origem das Espcies, frontispcio exibido na figura 1, Holland mimetizou-as e aplicou-as a problemas de otimizao. Desenvolveu uma tcnica robusta e genrica para resoluo de problemas conhecida como Algoritmos Genticos (AG). Para compreender como foi concebida esta idia, a seguir, introduz-se a teoria da evoluo. Teorema dos Esquemas, Teoria da

Figura 1 Frontispcio do livro de Charles Darwin.

gilsiley.daru@datasul.com.br

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

A Viso de Darwin Charles Darwin, ao visitar as ilhas Galpagos ficou intrigado com as espcies l contidas. Muitas possuiam caractersticas muito peculiares, as quais eram essenciais para sua sobrevivncia local. Desta forma, Darwin conjecturou que a presso que o meio exercia sobre os seres vivos, fazia com que somente os mais evoludos sobrevivessem. E as espcies que l se encontravam, possuiam caractersticas evolutivas, que as davam vantagem sobre qualquer espcie similar que no fosse da mesma regio. Eram as mais adaptadas aquele local. Como exemplo de interpretao da teoria, explica-se o longo pescoo da girafa pelo Darwinismo da seguinte forma: em uma populao de girafas existem as de pescoo mais comprido e outras mais curto. A seleo natural favorece as de pescoo mais comprido. Isto explicaria que com o passar do tempo e o meio favorecendo sempre as de pescoo mais comprido, estas predominassem e gradativamente aumentassem seus pescoos at que no houvesse mais vantagem natural. A luz do Darwinismo, adaptao mais presso eram iguais evoluo. Mas como as espcies se diferenciavam e onde esto as informaes que originam estas diferenas? A codificao natural Todas as espcies carregam suas caractersticas no seu cdigo gentico. Esta codificao externalizada pelas caractersticas dos seres vivos. O nmero de dedos, o tamanho do crebro, a cor dos olhos, doenas, cor da pele e qualquer outro detalhe. Tudo est descrito neste cdigo. O cdigo em si, conhecido como gentipo, enquanto que a caracterstica que ele representa recebe o nome de fentipo. Para entender a diferena, seja a sequncia hipottica exibida na figura 2, CTGUA12, onde {C,T,U,G,A}, so as protenas componentes do cdigo gentico, citosina (C), timina(T), guanina(G), adenina(A) e uracila(U), e os valores 1 e 2, os quais, 1 pode assumir ou C, ou A, e 2 pode ser qualquer protena do conjunto {C,T,U,G,A}. Construindo o conjunto das solues que 1 e 2 podem assumir, {CC, CT, CU, CG, CA, AC, AT, AU, AG, AA}, as cores das pelagens dos ces se modificam. Por exemplo, se fosse CG tera-se as cores do nmero 4, enquanto que AA produz as cores do co dez2. Mas qual a melhor? A teoria em funcionamento Para identificar a melhor espcie, a resposta dada pelo meio ao redor. Uma borboleta branca, pode ser facilmente identificada em uma floresta, porm em regies com neve, passa a ser uma defesa natural. O mecanismo funciona da seguinte maneira: Seja um conjunto populacional denominado populao inicial, sobre esta populao o meio exerce influncia para beneficiar os melhores cdigos genticos. Os indivduos mais evoludos acasalam-se e se reproduzem para manter suas espcies. Durante a reproduo, bagagem gentica dos dois indivduos trocada, de forma que o herdeiro possui um hbrido de seus pais. Desta forma a populao evolui, mantendo os gentipos de gerao a gerao. E mantendo suas caractersticas evolutivas, beneficiadas pelo fentipo melhor adaptado.
2

O exemplo aqui exposto apenas para fins elucidativos.

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

E como explicar aberraes ou coisas parecidas? Isto explicado pela mutao. So alteraes nos cromossomos que podem ser benficas ou no. Geralmente associa-se a mutao aberraes genticas. Mas ela mais comum do que parece. Muitas caractersticas que possumos hoje, foram devido a mutaes ocorridas e bem aceitas pelo meio, como por exemplo o desaparecimento da cauda. Ela responsvel pela variabilidade gentica em populaes estagnadas ou que convergiram para um timo local. Entenda-se timo, populaes que os indivduos possuem similaridades e bem adaptados ao meio em que vivem. Alm da mutao a migrao possui o papel de aumentar a variabilidade gentica. Mas, isolamento, criao de nichos e outros fatores contribuem para conduzir a caracterizao gentica especfica de cada espcie. E como isto utilizado para resoluo de problemas?

Gentipo G U A

Fentipo
Figura 2 - Diferena entre gentipo e fentipo

A relao entre os Algoritmos Genticos (AGs) e a evoluo Os Algoritmos Genticos (AGs) (Holland, 1975) so sistemas adaptveis que imitam alguns dos mecanismos descritos pela teoria da seleo natural das espcies e pela gentica das populaes. O criador dos AGs foi John Holland(1929-) que, no princpio dos anos 70, acreditou na possibilidade de resolver alguns problemas atravs de processos evolutivos semelhantes aos observados na natureza. Esta crena se deve ao fato de ele ter observado que para qualquer meio, alguma espcie se adaptaria. Neste caso, o meio explora a variabilidade e a reproduo mantm os gentipos mais evoludos. Uma vez ocorrido convergncia, ie, o indivduo mais bem adaptado ao meio predominante na populao, a procura passa a ser local, ie, dentre os indivduos dominantes quais os melhores. A mutao possui um papel de manter a variabilidade e busca em novos indivduos.

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

Em resumo os AGs, se utilizam da variabilidade gentica e reproduo para buscar eficientemente uma soluo. Mas como adapt-los a problemas reais? Adaptao dos AGs a problemas reais A essncia do funcionamento de um AG est na codificao do gentipo e definio de influncia do meio sobre os indivduos, isto , determinar precisamente quais fentipos so mais adaptados. Portanto, o primeiro passo em um AG definir como codificar um problema em gens. Esta representao costuma-se realizar por meio de cadeias binrias, ie, utilizam-se apenas dos nmeros 0 e 1, desviando-se um pouco das protenas utilizadas em um gen real. Aps esta representao deve-se identificar o grau de adaptao de um indivduo. Isto, dependendo do problema, representa o objetivo que se est procurando. Como por exemplo, a melhor alternativa de investimento, a melhor seqncia de operaes produtivas, a melhor distribuio de uma grade de horrio ... Tendo perpassado estas definies, um AG passa a funcionar ciclicamente. Este ciclo pode ser resumido pela figura 3. Gera-se aleatoriamente uma populao inicial. Avalia-se sua adaptao. Selecionam-se indivduos para reproduo. Aplica-se mutao e obtm-se a nova populao. Este ciclo se repete at que a populao apresente uma convergncia, isto , elementos evoludos sejam dominantes ou que se atinja o nmero de geraes desejadas.

Populao inicial Populao final Avaliao Populao atual Reproduo

Figura 3 - Ciclo de funcionamento de um AG

Seleo

Um exemplo de aplicao Para se entender a aplicao dos algoritmos genticos e como a evoluo e a adaptao exercem influncia sobre a populao e seus indivduos mais desenvolvidos, apresenta-se um exemplo, abordando o ciclo completo. O exerccio ldico possui o seguinte enunciado: um grupo de jovens montou uma pea de teatro, e baseado em uma pesquisa realizada descobriram que se a pea fosse exibida gratuitamente, um nmero aproximado de 100 pessoas teriam interesse em assist-la. Porm a cada real que aumentassem no preo do ingresso, 5 pessoas perderiam o interesse.

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

O grupo deseja saber qual o preo do ingresso que devem cobrar para que arrecade o maior valor possvel. O primeiro passo para se resolver um problema via algoritmo gentico desenvolver um gentipo, ou seja codificar o problema em uma cadeia de valores. A forma adotada aqui a codificao binria, ou seja, utilizam-se apenas zeros e uns, conhecida como codificao cannica. Uma anlise prvia conduz o valor do ingresso ao intervalo R$ 0,00 a R$ 15,00. Para representar este valor utilizado 4 bits, conforme a figura 4 abaixo. A tabela 1 resume todos os possveis valores do gentipo e o valor ou caracterstica observado (seu fentipo). Este fentipo ser o valor do ingresso. Assumindo, por exemplo, que o gentipo de um indivduo igual a 0110, seu fentipo , observando a tabela 1, seis. Ou pode-se calcul-lo pela figura 4, pois 0110 possui os valores um na posio 2 e 3, que representam os valores 2 e 4. Somando-se se obtm o fentipo 6, ou R$ 6,00. Gentipo Fentipo 1 1 0 Valor 0 ou 1 8 4 2 1 3 2 1 Figura 4 - Representao binria do problema do grupo de alunos. Tabela 1 Mapeamento do gentipo para o fentipo
0 0 0 0 0 0 0 0 Gentipo 0 0 0 0 0 1 0 1 1 0 1 0 1 1 1 1 0 1 0 1 0 1 0 1 Fentipo 0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 0 0 1 1 0 0 1 1 0 1 0 1 0 1 0 1 8,00 9,00 10,00 11,00 12,00 13,00 14,00 15,00

0 Posio 4

Valor

O prximo passo desenvolver uma funo de avaliao, isto , como medir quo adaptado um determinado gentipo ou indivduo est. Seu fentipo bom ou ruim? Para o exemplo, o interesse est em identificar qual valor do ingresso que dar o maior lucro. O lucro dado pelo nmero de pessoas provveis que iro assistir pea multiplicado pelo valor do ingresso. Como se sabe que a cada real diminui-se 5 pessoas, pode-se estimar o nmero de pessoas pela equao 1 e a receita obtida pela vendas dos ingressos pela equao 2.
n = 100 5 v r = nv

Eq. 1 Eq. 2

Onde n v r

= nmero de pessoas estimadas = valor do ingresso. = receita obtida pela venda dos ingressos.

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

O ganho ser a medida de adaptao de um indivduo ao meio ou fitness. Quanto maior este valor, mais adaptado o gene e maior probabilidade de perpetuar sua espcie. Para facilitar a aplicao diretamente sobre a populao, o ganho alterado para ficar em funo do fentipo. Substituiu-se a equao 1 em 2 e alterando-se v por fentipo, vem:

adaptao = (100 5 fentipo ) fentipo

Gerando uma populao inicial

Eq. 3

Aps estas definies, gera-se um conjunto de indivduos aleatoriamente. Para isto, podese utilizar uma tabela de nmeros aleatrios ou o mtodo de Monte Carlo. O nmero de indivduos um parmetro definido pelo experimentador, mas quanto maior, mais garantias de variabilidade gentica, e portanto de encontrar um indivduo altamente adaptado. Para este exemplo utilizado uma populao de 40 indivduos. O valor esperado de 2 ou 3 indivduos, para cada gentipo, pois cada um possui uma probabilidade de 1/16 ou 6,25% de existir, que multiplicados pelo tamanho da populao, fornece um valor entre 2 ou 3. A figura 5 exibe a distribuio gerada pelo mtodo de Monte Carlo. Como se est tratando com distribuies de probabilidade, espera-se que na mdia os valores sejam respeitados. Pode-se verificar que todos os indivduos ou gentipos possuem representatividade na populao e alguns casos, como 0010 e 1000, possuem at 5 elementos. Estas so as flutuaes estatsticas populacionais.
1a Gerao
6 5 4 3 2 1 0 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111

Nmero de Indivduos

Gentipo

Figura 5 - Distribuio de indivduos na populao 1 Gerao Analisando a Adaptao Agora deve-se analisar a adaptatividade de cada indivduo. Analisar o quanto cada um evoludo. Para isto, primeiro deve-se calcular o fentipo (o que pode ser obtido com o auxlio da tabela 1) de cada indivduo e depois calcular o seu fitness usando-se a Eq. 3. Os indivduos com maior adaptao ganham maior probabilidade de perpetuar seus genes. A figura 6 exibe a probabilidade que cada gene possui de se reproduzir. Esta probabilidade foi estimada primeiro, calculando-se para cada fentipo o seu ganho e multiplicando pelo nmero de indivduos e segundo, dividindo-se este valor pelo ganho total obtido por todos os fentipos, ou seja:

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

P( gentipoi ) =

(adaptao(gentipoi )) Nmero _ Indivduos(gentipoi )

1111 i = 0000

(adaptao(gentipo )) Nmero _ Indivduos(gentipo )

i i

Eq. 4

Probabilidade de Manter Gene

20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111

Porcentagem

Gentipo

Figura 6 Probabilidade de um indivduo perpetuar seus genes A tabela 2, exibe estes clculos. Tomando como exemplo o gentipo 1001. Seu fentipo calculado como sendo R$ 9,00 (vide tabela 1). Inserindo este valor na Eq. 3, obtm-se 495. Como tem-se 5 elementos na populao, isto corresponde a 2475, cinco indivduos multiplicado pela adaptao de 495 referente a sua contribuio. A populao tem uma adaptatividade de 14230, calculada pela equao 4. Tomando a frao que 2475 corresponde de 14230, obtm 17,39%. Esta a probabilidade do gentipo 1001 de perpetuar seus genes ou seja se reproduzir. Tabela 2 Clculos de probabilidade de perpetuao dos genes de cada tipo de indivduo
0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00 14,00 15,00 3 2 5 1 2 4 1 2 5 5 1 2 2 1 3 1 190,00 900,00 255,00 640,00 1.500,00 420,00 910,00 2.400,00 2.475,00 500,00 990,00 960,00 455,00 1.260,00 375,00 14.230,00 0,00% 1,34% 6,32% 1,79% 4,50% 10,54% 2,95% 6,39% 16,87% 17,39% 3,51% 6,96% 6,75% 3,20% 8,85% 2,64% 0,00% 1,34% 7,66% 9,45% 13,95% 24,49% 27,44% 33,84% 50,70% 68,10% 71,61% 78,57% 85,31% 88,51% 97,36% 100,00%

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

A figura 6 apresenta um grfico de barras, correspondente a probabilidade que cada gentipo possui de perpetuar sua bagagem gentica. possvel verificar que j existem alguns indivduos com uma probabilidade alta de dominarem a populao, como 1000 e 1001. Da mesma forma, o indivduo 0000, extinguir na prxima gerao, pois no possui nenhuma probabilidade de continuar. Escolha dos Indivduos para reproduo Estas probabilidades agora servem como base para a nova distribuio do emparceiramento ou reproduo. Para selecionar os pares, gera-se um nmero aleatrio, e atravs da funo acumulada, identifica-se o gentipo correspondente (para uma maior aprofundamento sobre gerao de nmeros aleatrios ver referncias). Esta abordagem ilustrada na figura 7, sorteia-se um nmero, por exemplo 0,6 ou 60%. E atravs da funo acumulada, entra-se com este valor no eixo y, traa-se uma paralela ao eixo x, at se encontrar um elemento, este o escolhido. Para o exemplo, o gentipo 1001. Procede-se desta forma at se possuir um nmero pre-definido de casais. Para este exemplo, sero 9 casais (nmero escolhido arbitrariamente).
Probabilidade Acumulada
120% 100%

Porcentagem

80% 60% 40% 20% 0% 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111

Gentipo

Figura 7 Funo probabilidade acumulado dos gentipos Efetuando a Reproduo Uma vez definido os casais, procede-se a gerao da prole, atravs de alguma tcnica de cruzamento. Como ilustrao, suponha que o casal formado composto dos gentipos 0111 e 1001. A gerao dos novos indivduos exibida pela figura 8. Arbitrariamente escolhe-se um ponto de corte, no caso exatamente o meio. A bagagem gentica de ambos trocada e o resultado o gene dos novos indivduos. Este processo imita a reproduo sexuada. Os novos indivduos so 0101 e 1011. Ponto de Corte Indivduo 1 Indivduo 2 0 1 1 0 1 0 1 1 Filho 1 Filho 2 0 1 1 0 1 0 1 1

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

Figura 8 Processo de Reproduo A nova populao constituda de 9 casais, 9 pares de filhos gerados pelo processo de reproduo, conforme figura 8, e 4 elitistas, ou seja os melhores indivduos da populao at aquele momento, que no caso foram 1010 (fitness 500), 1011 (fitness 495), 1001 (fitness 495) e 1100 (fitness 490). Realizando os ciclos A distribuio dos elementos nas 2 e 3 gerao exibida na figura 9. Os elementos mais evoludos j so predominantes e representam a maior parte da populao. A 2 gerao apresenta uma concentrao nos gentipos 0101, 0110, 0111, 1000 e 1001 de 29 representantes e na 3 gerao j so 33. Isto pode ser explicado pelos seus graus de adaptao, estes possuem os fentipos 8, 9 , 10 e 11 que por sua vez tem a adaptao 490, 495, 500 e 495.
2a Ge rao
Nmero de Indivduos
N m ero d e In d ivd uo s

3a Gerao
12 10 8 6 4 2 0 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111

12 10 8 6 4 2 0 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111

Gentipo

Gentipo

Figura 9 Nmero de indivduos por gentipo para as geraes 2 e 3. Explicao do mecanismo de funcionamento O teorema dos esquemas A explicao atualmente utilizada para o funcionamento dos Algoritmos Genticos baseada no teorema dos esquemas. Este teorema diz que a probabilidade dos esquemas evoludos maior e por conseqncia, atravs da evoluo, tendem a dominar. Para o exemplo do grupo de jovens, desenhado o grfico do fitness em funo do fentipo. Este fitness dado pela equao 3, e pode ser reescrita sob a forma da Eq. 5. adaptao = 100 fentipo 5 fentipo 2 Eq. 5

Esta a equao de uma parbola, com razes 0 e 20 e ponto de mximo localizado no fentipo 10. A figura 10 exibe a equao da adaptao em funo do fentipo, ou valor do ingresso. Lembrando que um fentipo possui um gentipo correspondente, pode-se analisar algumas caractersticas interessantes. O grfico da figura 10 foi dividido em duas reas. Do lado esquerdo, tem-se todos os valores de 0 at 7. Ou seja, os gentipos {0000, 0001, 0010, 0011, 0100, 0101, 0110, 0111}. O que todos os gentipos tem em comum? Apenas o nmero 0 na primeira posio. Generalizando, pode-se representar a rea esquerda da

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

figura 10 como 0###, onde # representa qualquer valor no conjunto {0,1}. Desta forma, a figura destaca, a esquerda o esquema 0### e a direita o esquema 1###. Agora o que isto tem a ver com, evoluo ou adaptao? Ao se analisar novamente o grfico, identifica-se que a rea da direita maior. Isto representa que os indivduos detentores deste esquema so melhores adaptados e dominaro a populao. O grfico exibe a proporo da rea do esquema em funo do total. Desta forma o esquema 0### possui uma representatividade de 39% contra 61% do esquema 1###. Isto implica que o gentipo 1### dominar a populao com a evoluo. Isto pode ser observado j na 2 gerao (figura 9), onde os esquema 1### representam mais que 50% da populao. Avaliao
600,00

Adaptao (R$)

400,00 200,00

39%
0,00 2,00 4,00 6,00 8,00

61%
10,00 12,00 14,00 16,00

Fentipo ou Valor do Ingresso(R$)

Figura 10 Percentuais de evoluo dos esquemas 0### e 1### Da mesma forma, aps a dominncia do esquema 1###, verifica-se que o esquema 10## tem maior representatividade do que o esquema 11##. Esta dominncia pode ser visualizada na figura 11. Observa-se que 10## tem 54% de probabilidade de dominncia contra 46% do esquema 11##. De fato, ao observar a figura 9 que representa os indivduos da 3 gerao, verifica-se que 53% da populao possui o esquema 10##. H saber, os gentipos 1000 (Fentipo 8 com 11 indivduo), 1001 (Fentipo 9 com 9 indivduos), 1010 (Fentipo 10 com 0 indivduos) e 1011 (Fentipo 11 com 1 indivduos). Avaliao
600,00

Adaptao (R$)

400,00 200,00 0,00 -

54%
2,00 4,00 6,00 8,00

46%

10,00 12,00 14,00 16,00

Fentipo ou Valor do Ingresso(R$)

Figura 11 Percentuais de evoluo dos esquemas 10## e 11### Aps vrias geraes a populao tende a ser dominada pelo esquema ou gentipo com maior adaptao. Uma anlise na distribuio da 3 gerao, resulta nos gentipos 0111(fentipo 7) com 7 representantes, 1000(fentipo 8) com 11 e 1001(fentipo 9) com 9.

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

Se fosse determinado que 3 geraes j so suficientes, o resultado obtido a partir dos algoritmos genticos para o problema do grupo de jovens este resultado, conduziria ao um valor do ingresso R$ 9,00. Obtendo-se como lucro estimado, R$ 495,00. O que fica muito prximo do resultado analtico que pode ser obtido pela derivao da equao 5 e igualando-se a 0. Este resultado expressado nas Equao 6a e 6b.

(adaptao) 100 fentipo 5 fentipo 2 = = 100 10 fentipo ( fentipo ) ( fentipo ) (adaptao) = 0 100 10 fentipo = 0 fentipo = 10 ( fentipo )
Concluses

Eq. 6a Eq. 6b

Observou-se que um resultado timo no foi obtido, porm muito prximo do melhor se chegou. Em situaes cotidianas, no se sabe qual o equacionamento correto, ou devido s inmeras variveis decisrias invivel se resolver o problema devido quantidade de solues possveis. Nestes casos, solues boas ou viveis j so mais que suficientes pois resolvem o problema real. Os algoritmos genticos possuem caractersticas que o do robustez, conforme visto pelo teorema dos esquemas, que demonstra como feito para se chegar ao timo, e flexibilidade, pois ao se trabalhar com uma populao de solues possvel no ter apenas uma soluo mais sim uma populao de boas solues. A grande dificuldade em sua utilizao encontra-se primeiro em seu entendimento, pois devido a mimetizao com a natureza torna-se aparentemente desacreditado, e segundo nos mapeamentos do problema real em uma cadeia gentica, a qual consiste ainda nos dias de hoje, como desafio para inmeros pesquisadores. Atualmente os AGs j so utilizados como ferramentas para resoluo de inmeros problemas, como gerao de grades de horrios, alocao de profissionais em empresas de telemarketing, sequenciamento da produo, entre outros. Isto porque na maioria destas situaes, no se est interessado na melhor resposta, apesar de ser desejada, mas sim em alguma resposta para o problema. Os AGs alm de fornecerem uma soluo prov outras alternativas, consitidas de seus elementos da populao final. A explicao total de seu funcionamento ainda uma incgnita, o que os torna enigmticos. Atrao pelo desconhecido que move a cincia, e os AGs foram e continuam sendo motivo de muita pesquisa, primeiro para compreend-los melhor e segundo para descobrir novas aplicaes. Referncias Bibliogrficas [1] Beasley, David, et al. An Overview of Genetic Algorithms Part I Fundamentals. University Computer 1993, 15(2), 58-69. [2] Beasley, David, et al. An Overview of Genetic Algorithms Part I Research Topics. University Computer 1993, 15(7), 170-181 [3] Coello, Carlos Artemio Coelloe. Algoritmos Genticos Y sus Aplicaciones. Instituto Politcnico Nacional, 1999.

This file was generated with an evaluation version of the Amyuni(r) PDF Converter : http://www.amyuni.com

[4] Spiegel, Murray R. Probabilidade e Estatstica. Coleo Schaum, Ed. Makron Books. [5] Goldberg, David et al. The Compact Genetic Algorithm. Universidade de Illinois. 1999. [6] Coello, Carlos Artemio Coello. An Introduction to Evolutionary Multiobjective Optimization. Instituto Politcnico Nacional, 2002. [7] Castro, Rodrigo Evangelista. Otimizao de Estruturas com Multi-Objetivos via Algoritmos Genticos. Tese de Doutorado, Rio de Janeiro, 2001. [8] Mendes, Alexandre de Souza. Algoritmos Memticos Aplicados aos Problemas de Sequenciamento em Mquinas. Tese de mestrado, Campinas, 1999. [9] Whitley, Darell. A Genetic Algorithm Tutorial. Colorado State university. [10] Holland, John. Adaptacion In Natural and Artificial System. Universidade de Michigan. [11] Gunther, Rudolf. Convergency Analysis of Canonical Genetich Algorithms.