Componentes de um Algoritmo Gentico 1. Problema 2. Representao 3. Decodificao 4. Avaliao 5. Operadores 6. Tcnicas 7.

Parmetros

1. PROBLEMA

GAs so indicados em problemas complexos de otimizao- onde se busca uma soluo melhor: :
muitos parmetros e variveis; mal estruturados: com condies e restries, difceis de serem modeladas matematicamente; grandes espaos de busca onde no possvel a busca exaustiva.

2. REPRESENTAO

Representao fundamental na modelagem de um GA e deve:

descrever o espao de busca relevante ao problema; codificar geneticamente a essncia do problema: evoluo do cdigo evoluo da soluo

ser compatvel com os operadores (crossover e mutao) representao adequada sucesso, evoluo

2. REPRESENTAO
Mtodo de Soluo
Numrico Ordem Grupo Inteiro Misto

Representao
Binrio, Real Lista Vetor Inteiro Ex: Real e Ex: Lista

BINRIO CODIFICANDO REAL

O binrio um contador de unidades de preciso

Aspectos importantes: variveis do problema (x1 , x2 , ... , xt ) domnio de valores: xi (mni, mxi) em R preciso: p casas decimais (mxi-mni)x10p diferentes solues
domnio de xi
mni Preciso 1/10p mxi

Representao: k1 bits x1
onde,

k2 bits x2

...

kt bits xt

2k i (mxi-mni)x10p

Preciso = (mxi-mni) 2k i - 1

Decodificao para Real: xi real = xi bin .(mxi-mni) + mni ________ 2k i - 1 se xibin=(0 0 ... 0) se xibin=(1 1 ... 1) xi real = mni xi real = mxi

REPRESENTAO BINRIA simples de criar e manipular produz bons resultados facilita aplicaes de operadores fcil decodificao numrica ( inteiro,real ) facilita a demonstrao de teoremas porm, nem sempre adequada

3. DECODIFICAO
Construir a soluo para o problema a partir de um cromossoma: Cromossomas representam solues. Cromossoma 0011011 0011011 ADBCE Transformao bin inteiro Soluo x=27 x=2,1 x [0,10]
1 casa decimal

x=27 x 10/27 -1
3Km

A B C

cidades
7Km

1Km 4Km

E
3Km

ADBCE ( dist.=18)

4. AVALIAO
Elo entre o algoritmo gentico e o problema . f(cromossoma) = medida numrica de aptido Chances de seleo so proporcionais aptido.
f(i)

f(j)
j= 1

5. OPERADORES Atuam no processo de criao de novos indivduos (descendentes):

1. Crossover 2. Mutao 3. Inverso 4. Operadores especficos ao problema

6. TCNICAS
- Tcnicas de Representao - Tcnicas de Inicializao da Populao - Tcnicas de Eliminao da Populao Antiga - Tcnicas de Reproduo - Tcnicas de Seleo de Genitores - Tcnicas de Aptido - Tcnicas de Parametrizao - Tcnicas de Elitismo - Tcnicas de Seleo de Operadores

7. PARMETROS

- TAMANHO_POPULAO - TOTAL_INDIVDUOS - NMERO_GERAES - TAXA_CROSSOVER - TAXA_MUTAO - APTIDO_OPERADORES - ETC.

Desenvolvimento de um Algoritmo Gentico

procedure algoritmo_gentico begin t=0 ; primeira gerao inicializa P(t) ; populao inicial aleatria avalia P(t) ; calcula f(i) p/ cada indivduo while (not condio_parada) do begin t=t+1 ; prxima gerao seleciona P(t) de P(t-1) altera P(t) ; crossover e mutao avalia P(t) end end ; calcula f(i) p/ cada indivduo

Sistemas de Desenvolvimento
ICADEMO Genesis, Genesys WinGenesis GENOCOP GeneHunter Evolver 4.0 Escapade Sugal Bibliotecas especficas (C, Pascal, etc)
TNA/C++,

l l l l l l l l l

Algoritmos Genticos
Exemplos GA1-1 a GA6-1 l Especificao de tcnicas e parmetros por mdulos:
l

Mdulo de Avaliao Mdulo de Populao Mdulo de Representao

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina todos Troca da gerao Roleta Aptido a avaliao Nenhuma Nenhuma 100 4000 Use todos Crossover 1 ponto & Mutao 0,008 0,65 nenhuma

GA1-1

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Tcnica de Elitismo: Population Size: Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

Funo F6

Funo F6(x,y)
F6(x,0)
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0

-100

- 50

50

100

Caractersticas da F6

F6(x,y) = 0,5 - (sen x2 + y2 )2 - 0,5 (1,0 + 0,001 (x2 + y2 ))2

Objetivo: Maximizar F6 l Uma nica soluo tima: F6(0,0)=1 l Difcil de otimizar: vrios mnimos locais
l

Representao
l l

Binria codificando real

2 Variveis: x, y l Domnio: x,y [-100, +100] l Preciso: 4 a 5 casas decimais 6 7 l log2 2x10 Ki log2 2x10
l

Ki=22 total de 44 bits

Exemplo
l l l l l l

Cromossoma:
00001010000110000000011000101010001110111011

Dividido em x e y:
0000101000011000000001 1000101010001110111011

Convertidos para base 10:

165377 e 2270139

Multiplicados por: 200/222-1

7,885791751335085 e 108,24868875710696

Subtrados de mn:
x=-92,11420824866492 e y=8,248688757106959

Aplicados a F6(x,y):
F6(x,y)=0,5050708

Mdulo de Populao
l

Tcnica Inicializao da Populao:

Aleatria

Gerao aleatria de palavras de 44 bits

l

Tcnica Eliminao da Populao:

Elimina todos

Elimina pop_size indivduos da populao anterior

l

Tcnica de Reproduo:

Troca da gerao

Reproduz pop_size indivduos para a nova populao

l

Tcnica de Aptido:

Aptido a avaliao

Aptido numericamente igual avaliao

l

Tcnica de Seleo de Genitores:

Roleta

Parmetros
l

Tamanho da Populao:
pop_size

Exemplo 100

Nmero de Geraes:
num_ger
40

Total de Indivduos:
total_ind = pop_size x num_ger
4000

Parmetros
l

Tamanho da Populao:
pop_size

Exemplo 1000

Nmero de Geraes:
num_ger
4

Total de Indivduos:
total_ind = pop_size x num_ger
4000

Parmetros
l

Tamanho da Populao:
pop_size

Exemplo 10

Nmero de Geraes:
num_ger
400

Total de Indivduos:
total_ind = pop_size x num_ger
4000

Seleo pela Roleta

Objetivo: Selecionar indivduos aleatoriamente, proporcionando maiores chances de reproduo aos mais aptos.
Mtodo por Computador
l

l l

Encontre a soma da aptido de todos os membros da populao AT= Ai (0 i pop_size-1) Gere um nmero aleatrio 0 rand AT Pegue o primeiro membro da populao Ik cuja aptido somada s aptides dos membros precedentes maior ou igual a rand. Ai rand (i < k)

Exemplo da Roleta
Cromossoma Aptido

Ai

1 8 8

2 2 10

3 17 27

4 7 34

5 2 36

6 12 48

7 11 59

8 7 66

9 3 69

10 7 76

Nmero Aleatrio Selecionado

23 3

49 7

76 10

13 3

1 1

27 3

57 7

1 8

2 2

3 17

4 5 7 2

6 12

7 11

8 7

9 3

10 7

8 10

27

34 36

48

59

66 69

76

Mdulo de Reproduo
l

Tcnica de Seleo de Operadores: Operadores:

Taxa Mutao: Taxa Crossover:

Use todos

Use o primeiro operador da lista de operadores

l

Crossover & Mutao

0,008 0,65

Valores ideais das taxas so obtidos experimentalmente

Mutao
l l

Troca cada gene de um cromossoma se o teste de probabilidade for verdadeiro Taxa Mutao: 0,8% (0,008)
Teste Verdadeiro troca bit Teste Falso mantm

Cromossoma

Nmero Aleatrio

Novo Cromossoma

1 1 0

0 1 0

1 0 1

0 0,801 0,102 0,266 0,373 1 0 0,128 0,96 0,005 0,84 1 0 0,768 0,473 0,894 0,001 0

0 1 0

1 1 1

0 0 1

Crossover
l l

Partes de dois cromossomas genitores so trocadas a partir de uma posio escolhida aleatoriamente Taxa de Crossover : 65%
Teste Verdadeiro Efetua Cruzamento Teste Falso Copia os Genitores

P1 P2 F1 F2

1 0

0 0

1 1

1 1

0 0

1 0

1 0

0 0

1 1

1 1

0 0

0 1

ponto de corte aleatrio

Evoluo X Convergncia
l

Crossover: acelerador do processo de busca tira proveito das solues mais promissoras Mutao operador exploratrio dispersa a populao pelo espao de busca Convergncia (causas): populao com indivduos muito similares no h mais evoluo:
timo encontrado ou convergncia prematura (mnimo local)

para continuar a evoluir preciso introduzir mais diversidade na populao

Anlise de Desempenho
l l l

Melhor de um Experimento (valor) Curva dos Melhores por Gerao Curva da Mdia de Melhores de Vrios Experimentos

Mdia de Experimentos
l l

l l

Calcula a mdia dos melhores indivduos por gerao em vrios experimentos. Mede o desempenho do GA em encontrar uma soluo melhor na gerao seguinte GAs so estocsticos: desempenho varia a cada experimento So necessrios muitos experimentos para se conhecer o desempenho mdio do modelo de GA.

A(t) =

Ae (t) #_Experimentos

1 e #_Experimentos

t: gerao Ae(t): aptido do melhor indivduo em t no experimento e A(t): mdia em #_Experimentos das aptides dos melhores indivduos a cada gerao t

Mdia de Experimentos
Experimentos Melhores nas geraes 1a. 2a. 3a. 4a. Mdia 1 0,6 0,5 0,8 0,5 0,60 2 0,7 0,5 0,8 0,7 0,68 3 0,7 0,6 0,9 0,7 0,73 4 0,8 0,6 0,9 0,8 0,78
Mdia de Experimentos
Avaliao 1,00 0,50 0,00 1 2 3 4 5 Experimentos

ger ger ger ger

Caracterstica da Curva de Desempenho

bom desempenho no incio da evoluo pouco ou nenhum desempenho no final

Curva da Mdia de Experimentos

Aptido A(t)

30000 25000 20000 15000 10000 5000 0 1 5 9 13 17 21 25 29 33 37 41 45

Geraes

Curva Mdia de Experimentos para F6(x,y)

l

Usamos o nmero de dgitos 9 aps o ponto decimal para distinguir avaliaes muito prximas de 1,00 . Exemplo:
Avaliao dgitos 9

0,99873578 0,82435787 0,99995432

2 0 4

49

ICADEMO

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina todos Troca da gerao Roleta Aptido a avaliao Nenhuma Nenhuma 100 4000 Use todos Crossover 1 ponto & Mutao 0,008 0,65 nenhuma

GA1-1
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Tcnica de Elitismo: Population Size : Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

Novas Tcnicas e Parmetros

Tcnicas de Aptido l Elitismo
l

Reproduo Steady State l Ajuste dos Parmetros

l

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina o ltimo Steady State s/ duplicados Roleta Normalizao Linear (100 a 1) Nenhuma Nenhuma 100 4000 Use todos Crossover 1 ponto & Mutao 0,04 0,8 nenhuma

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Tcnica de Elitismo: Population Size : Total de Indivduos:

GA2-1 a GA2-5

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover:

Tcnica de Parametrizao:

Medida de Aptido
l

O que ocorre se alterarmos a F6 para:

F6 (x,y) = 0,5 - (sen x2 + y2 )2 - 0,5 (1,0 + 0,001 (x 2 + y2 ))2

Medida de Aptido
l

O que ocorre se alterarmos a F6 para:

F6Elevada(x,y) = 999,5 - (sen x2 + y2 )2 - 0,5 (1,0 + 0,001 (x 2 + y2 ))2

l l l

Formato F6 = formato F6 elevada Melhor cromossoma para F6 = melhor para F6 elevada Avaliao de F6 elevada = avaliao F6 + 999 Todavia, GA 1-1 para F6Elevada no apresenta desempenho algum.
PORQUE?

Aptido = Avaliao
Ai = fi : aptido do indivduo i

pi = Ai/ AT = fi / fJ : chances de seleo de I h pop_size sorteios, ento Di = pi x pop_size = (fi x pop_size) / fJ = Di = fi / fAV : nmero provvel de sorteios de i, ou nmero de descendentes na prxima gerao

l l

F6 avaliao best 0,979 worst 0,066 average 0,514 Dbest = 1,905 Dworst = 0,128 forte presso seletiva em favor do melhor

l l

F6 Elevada avaliao best 999,979 worst 999,066 average 999,514 Dbest = 1,0005 Dworst = 0,9996 melhor e pior cromossomas vo gerar o mesmo nmero de descendentes

O efeito da seleo quase nulo porque as avaliaes esto relativamente muito prximas. .

Tcnicas de Aptido
l

Aptido a Avaliao
Ai = fi
Exemplo: Ai = 999,979

Windowing
subtrair uma constante dos valores de fi

Normalizao Linear
atribuir valores a Ai baseados no rank do cromossoma

Windowing
l l

Obtenha a avaliao mnima na populao. Atribua a cada cromossoma I uma aptido igual a: Ai = (f i - Amn) Opcionalmente, atribua uma aptido mnima de sobrevivncia, maior que a aptido mnima calculada, como garantia de reproduo para os cromossomas menos aptos. Exemplo: Ai = (999,979 - 999,066)= 0,913

Normalizao Linear
l l l

Coloque os pop_size cromossomas em ordem decrescente de avaliao (i=1 o menos apto). Crie aptides, partindo de um valor mn e crescendo linearmente at o valor mx. Os valores de mx e mn (ou a constante de incremento) so parmetros da tcnica.

Ai = mn + (mx - mn) pop_size - 1

l

x (i - 1)

Quanto maior a constante de incremento, maior a presso seletiva sobre os melhores.

Exemplo Comparativo
Rank dos cromossomas Avaliao original Aptido avaliao Normalizao Linear, taxa=10 Normalizao Linear, taxa=20 Windowing

6 200 200 60 101 199

5 9 9 50 81 8

4 8 8 40 61 7

3 7 7 30 41 6

2 4 4 20 21 3

1 1 1 10 1 0

SUPER INDIVDUO: cromossoma 6

poucas chance de recombinao com outros indivduos; elimina competidores em poucas geraes; rpida convergncia.

COMPETIO PRXIMA: entre cromossomas 3, 4 e 5

preciso aumentar a presso seletiva sobre os melhores

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina todos Troca da gerao Roleta Normalizao Linear (100 a 1) Nenhuma Nenhuma 100 4000 Use todos Crossover 1 ponto & Mutao 0,008 0,65 nenhuma

GA2-1
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Tcnica de Elitismo: Population Size : Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

Elitismo
l

Melhor cromossoma de P(t) copiado em P(t+1), aps o mutao e crossover. Reduz o efeito aleatrio do processo seletivo. Garante que o melhor indivduo da prxima gerao melhor ou igual ao da gerao anterior.

l l

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina todos Troca da gerao Roleta Normalizao Linear (100 a 1) Nenhuma Copia o melhor 100 4000 Use todos Crossover 1 ponto & Mutao 0,008 0,65 nenhuma

GA2-2
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Tcnica de Elitismo: Population Size : Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

Algoritmo Gentico Tradicional

l l l l l

Representao Binria Reproduo com substituio da populao Elitismo Normalizao Linear Crossover de 1 ponto e Mutao
Algoritmo de partida em aplicaes Apresenta bom desempenho em vrios problemas

Reproduo Steady State

l l l

l l

Substituio parcial de indivduos a cada gerao (mais elitista) Bons indivduos (material gentico) so preservados, garantindo mais chances de reproduo Mtodo: Crie n filhos (seleo+crossover+mutao) Elimine os n piores membros da populao Avalie e introduza os filhos na populao GAP = frao da populao que trocada valor de GAP determina relao entre exploitation e exploration

Exemplo de Steady State

C19 C18 C17 C16 C15 C14 C13 C12 C11 C10 C9 C8 C7 C6 C5 C4 C3 C2 C1 120 110 100 99 95 81 76 67 58 44 42 36 22 20 19 17 10 8 5 120 110 100 99 95 81 76 67 58 44 42 36 22 38 6 121 88 58 17 121 120 110 100 99 95 88 81 76 67 58 58 44 42 38 36 22 17 6

38 6 121 88 58 17

avaliaes de P(t)

crie n novos

substitua os n piores

avaliaes de P(t+1)

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina o ltimo Steady State Testar de 5 em 5 Roleta Normalizao Linear (100 a 1) Nenhuma 100 4000 Use todos Crossover 1 ponto & Mutao 0,008 0,65 nenhuma

GA2-3
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Gap Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Population Size : Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

Steady State sem Duplicados

l l l l l

Substituio parcial de indivduos com excluso de duplicados Evita os duplicados que so mais frequentes com steady state (populaes mais estticas) Maior eficincia do paralelismo de busca, garantindo pop_size indivduos diferentes Descendentes duplicados so desprezados Maior overhead para teste de igualdade

Novos Tcnicas, Parmetros e Operadores

Crossover de 2 pontos l Crossover Uniforme
l l l

Operadores Independentes e Seleo de Operadores Interpolao dos Parmetros

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina o ltimo Steady State s/ duplicados Testar de 5 em 5 Roleta Normalizao Linear (100 a 1)

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Gap Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Population Size : Total de Indivduos:

GA3-1 a GA 3-3

Interpolar taxa de incremento (de 0,2 a 1,2) 100 4000 Roleta Crossover Uniforme Mutao 0,04 0,8 Interpolar Pesos dos Operadores de (70 30) a (50 50)

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

Crossover de 2 Pontos
l l l

Semelhante ao crossover de 1 ponto 2 pontos so escolhidos aleatoriamente Crossover de 1 ponto no consegue combinar todos os padres de dois genitores
1 0 0 0 1 1 1 0 0 1 0 1 1 0 0 1 1 1 1 1 0 1 1 0 1 0

P1 P2

1 0

pontos de corte P1 P2 F1 F2

1 0
1 0

1 0
1 0

0 0
0 0

1 1
1 1

1 0
0 1

0 1
1 0

0 1
1 0

1 0
0 1

0 1
1 0

1 1
1 1

1 1
1 1

0 1
0 1

1 0
1 0

1 0
1 0

Crossover Uniforme
l l

A contribuio de cada genitor decidida aleatoriamente por um padro Capacidade de combinar quaisquer padres
1 0
1

P1 P2 Padro F1 F2

0 1
1

0 0
0

1 1
1

0 1
0

1 0
0

1 1
1

Operadores Independentes
Determinados GAs podem incorporar diversos operadores genticos. l Operadores no devem ser usados todos, com a mesma intensidade, a cada fase da evoluo ( por ex: mais crossover no incio e mais mutao no final da evoluo ). l Uma roleta sorteia um operador a cada reproduo. l Pesos (chances) dos operadores, iniciais e finais, e taxa de interpolao so parmetros do algoritmo.
l

OP4

OP3 OP2 OP1

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina o ltimo Steady State s/ duplicados Testar de 5 em 5 Roleta Normalizao Linear (100 a 1) Nenhuma 100 4000 Roleta Crossover 2 pontos Mutao Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao: Pesos 0,01 0,7 Nenhuma (50 50)

GA3-1
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Gap Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Population Size : Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores:

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina o ltimo Steady State s/ duplicados Testar de 5 em 5 Roleta Normalizao Linear (100 a 1) Nenhuma 100 4000 Roleta Crossover Uniforme Mutao Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao: Pesos 0,01 0,7 Nenhuma (50 50)

GA3-2
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Gap Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Population Size : Total de Indivduos:

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores:

Desempenho
l

Aspectos importantes:
convergncia do GA proximidade dos melhores cromossomas a um mnimo local diversidade da populao valores dos parmetros do GA Exemplo: variao da aptido dos operadores durante evoluo.
30 25 20 15 30 25 20

30 25 20 15 10 5 0 1

6 66
2 3 4 5

6 66
6 7 8

10 5 0 1 2 3

6 66 6 6
4 5 6 7 8

6 6
9 10 11 12 13 14 15

15 10 5 0 1 2 3 4 5 6 7 8

66 6 6 6 6

9 10 11 12 13 14 15

9 10 11 12 13 14 15

Incio:
Crossover Mutao

Meio:
Crossover Mutao

Fim:
Crossover Mutao

Interpolao de Parmetros
l

Consiste na variao dos valores dos parmetros do GA durante a execuo, de modo a alcanar maior desempenho. Parmetros:
taxa de crossover taxa de mutao taxa incremento da normalizao da aptido aptido dos operadores

Interpolao define:
valores inicial e final do parmetro e frequncia de ajuste.

Mdulo de Avaliao
Funo de Avaliao: Funo binria F 6 Binria 44 bits Aleatria Elimina o ltimo Steady State s/ duplicados Testar de 5 em 5 Roleta Normalizao Linear (100 a 1)

GA3-3
ICADEMO

Mdulo de Populao
Tcnica de Representao: Tcnica Inicializao da Populao: Tcnica Eliminao da Populao: Tcnica de Reproduo: Gap Tcnica de Seleo de Genitores: Tcnica de Aptido: Tcnica de Parametrizao: Population Size : Total de Indivduos:

Interpolar taxa de incremento (de 0,2 a 1,2) 100 4000 Roleta Crossover Uniforme Mutao

Mdulo de Reproduo
Tcnica de Seleo de Operadores: Operadores: Taxa Mutao: Taxa Crossover: Tcnica de Parametrizao:

grfico

0,01 0,7 Interpolar Pesos dos Operadores de (70 30) a (50 50)