Algoritmos Geneticos-2011

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires
ALGORITMOS GENTICOS
Inteligencia Artificial Ciclo lectivo - 2011

Cursos: M. Ing. Mara Florencia Pollo Cattaneo Ing. Pablo Pytel Ing. Cinthia Vegega
INTELIGENCIA ARTIFICIAL
Problemas que no se pueden resolver por un enfoque algortmico tradicional Nueva forma de manejar la imprecisin y la incertidumbre
ALGORITMOS GENTICOS
Los Algoritmos Genticos son algoritmos matemticos de optimizacin de propsito general basados en mecanismos naturales de seleccin y gentica, proporcionando excelentes soluciones en problemas complejos con gran nmero de parmetros.
UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires
Inteligencia Artificial (AG v. 7)
TEORA EVOLUTISTA
PRINCIPALES POSTULADOS Las formas de vida no son estticas sino que evolucionan. El proceso de la evolucin es gradual, lento y continuo. Los organismos parecidos se hallan emparentados y descienden de un antepasado comn. La seleccin natural es la llave, que explica todo el sistema.
TEORA EVOLUTISTA
SELECCIN NATURAL
- La produccin de variabilidad: generacin de modificaciones espontneas en los individuos. - La supervivencia del ms fuerte (apto) en la lucha por la vida.
TEORA EVOLUTISTA
CONCEPTOS Ecosistema Poblacin Individuo Genotipo Fenotipo
ALGORITMOS GENTICOS
Teora Evolucin Ecosistema / Ambiente Individuo Genotipo / Cromosoma Gen Fenotipo
Algoritmos Genticos Problema Posible solucin Descripcin de la solucin Caracterstica o Atributo Funcin de Aptitud
ALGORITMOS GENTICOS
Generar poblacin inicial
Seleccin
Cruzamiento
Mutacin
No
Paro?
Poblacin Final
UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires Inteligencia Artificial (AG v. 7)
ALGORITMOS GENTICOS
Seleccin
Cruzamiento
Mutacin
No
Paro?
Poblacin Final
ALGORITMOS GENTICOS
P0
Seleccin
Cruzamiento
?
S
Mutacin
No
Paro?
Poblacin Final
GENERAR POBLACIN INICIAL
Mtodo
Al Azar Ad-Hoc
Poblacin
Cantidad de Individuos Varianza
o Constante o Variable
ALGORITMOS GENTICOS
P0
Seleccin
Cruzamiento
Mutacin
No
Paro?
Poblacin Final
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
Mutacin
No
Paro?
Poblacin Final
MTODOS DE SELECCIN
Torneo Ranking Ruleta Control sobre nmero esperado
SELECCIN - Torneo
Poblacin I1 I2 I3 I4 I5 I6 I7
f(x) 61 11 33 25 44 15 17
SELECCIN - Torneo
f(x) 61 11 33 25 44 15 17
I1
SELECCIN - Torneo
f(x) 61 11 33 25 44 15 17
I1 I4 I4 I5
SELECCIN - Ranking
Poblacin original
f(x) 61 11 33 25 44 15 17
f(x) 61 44 33 25 17 15 11
Poblacin ordenada
SELECCIN - Ruleta
Poblacin I1 I2 I3 I4 I5 I6 I7 Total
f(x) 61 11 33 25 44 15 17 206
p(x) 0.2961 0.0534 0.1602 0.1214 0.2136 0.0728 0.0825 1
P(x) 0.2961 0.3495 0.5097 0.6311 0.8447 0.9175 1.0000
SELECCIN - Ruleta
100% 90% 80% 70% 60% 50% 40% 30% 20%
I1 I3 I2 I5 I7 I6
0.9175 0.8447
0.6311
I4
0.5097
0.3495 0.2961
10% 0%
SELECCIN - Control s/nro. esperado
Poblacin I1 I2 I3 I4 I5 I6 I7 Total Promedio
f(x) 61 11 33 25 44 15 17 206 29.4286
f(x) / Prom. 2.0728 0.3738 1.1214 0.8495 1.4951 0.5097 0.5777
Selecciona 2 0 1 0 1 0 0
10
SELECCIN Control s/nro. esperado
Poblacin I1 I2 I3 I4 I5 I6 I7 Total Promedio
f'(x) 0,0728 0,3738 0,1214 0,8495 0,4951 0,5097 0,5777 3
p(x) 0,0243 0,1246 0,0405 0,2832 0,1650 0,1699 0,1926 1
P(x) 0,0243 0,1489 0,1893 0,4725 0,6375 0,8074 1,0000
SELECCIN - Control s/nro. esperado

100% 90% 80% 70% 60%
I5 I6 I7
0.8074
0.6375
50% 40% 30% 20% 10% 0%

0.4725
I4
0.1893
I3 I2 I1
0.1489 0.0243
11
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
Mutacin
No
Paro?
Poblacin Final
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
Mutacin
No
Paro?
Poblacin Final
12
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
PC
Mutacin
No
Paro?
Poblacin Final
MTODOS DE CRUZAMIENTO
Simple Multipunto Binomial

Mscara
Complemento Doble
Azar
13
Cruza Simple
PadreX
X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 Y 1 Y 2 Y 3 Y 4
PadreY
Y 5 Y 6 Y 7 Y 8 Y 9 Y 10
HijoA
X 1 X 2 X 3 X 4 Y 5 Y 6 Y 7 Y 8 Y 9 Y 10 Y 1 Y 2 Y 3 Y 4
HijoB
X 5 X 6 X 7 X 8 X 9 X 10
PUNTO DE CORTE = 4
Cruza Multipunto
PadreX
X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 Y 1 Y 2 Y 3 Y 4
PadreY
Y 5 Y 6 Y 7 Y 8 Y 9 Y 10
HijoA
X 1 X 2 X 3 X 4 Y 5 Y 6 Y 7 Y 8 X 9 X 10 Y 1 Y 2 Y 3 Y 4
HijoB
X 5 X 6 X 7 X 8 Y 9 Y 10
PUNTOS DE CORTE = 4 y 8
14
Cruza Binomial Mscara Complemento

PadreX
X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 Y 1 Y 2 Y 3 Y 4
PadreY
Y 5 Y 6 Y 7 Y 8 Y 9 Y 10
HijoA
X 1 Y 2 X 3 X 4 Y 5 X 6 X 7 Y 8 Y 9 Y 10 Y 1 X 2 Y 3 Y 4
HijoB
X 5 Y 6 Y 7 X 8 X 9 X 10
MSCARA A = XYXXYXXYYY
MSCARA B = complemento A
Cruza Binomial Mscara Doble

PadreX
X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 Y 1 Y 2 Y 3 Y 4
PadreY
Y 5 Y 6 Y 7 Y 8 Y 9 Y 10
HijoA
X 1 Y 2 X 3 X 4 Y 5 X 6 X 7 Y 8 Y 9 Y 10 X 1 X 2 Y 3 Y 4
HijoB
X 5 X 6 Y 7 X 8 Y 9 X 10
MSCARA A = XYXXYXXYYY
MSCARA B = XXYYXXYXYX
15
Cruza Binomial - Azar

PadreX
X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 Y 1 Y 2 Y 3 Y 4
PadreY
Y 5 Y 6 Y 7 Y 8 Y 9 Y 10
R1 = 0,3 R2 = 0,6 R3 = 0,2 R4 = 0,4 R5 = 0,1 R6 = 0,8 R7 = 0,9 R8 = 0,1 R9 = 0,7 R10 = 0,6
X Y X X X Y Y X Y Y
X 1 Y 2 X 3 X 4 X 5
Si R 0,5 Si R > 0,5
X Y
HijoA
Y 6 Y 7 X 8 Y 9 Y 10
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
PC
Mutacin
No
Paro?
Poblacin Final
16
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
PC
Mutacin
PM
No
Paro?
Poblacin Final
MUTACIN
PC
No
Ejecuta Mutacin?
ACTIVA MUTACIN
PM = PC No ejecuta Mutacin
PM = MUTA( PC ) Ejecuta Mutacin
PM
17
MUTACIN
PC
1 1 1 0 1 1 0 1 1 1 1 1 1 0 1 0 0 0 1 0 0 1 0 1 1 1 1 1 0 1 1 0 1 0 0 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1
EJECUTA MUTACIN?
- RandomM > ProbabilidadM - RandomM ProbabilidadM
NO MUTA MUTA
MUTACIN NO MUTA
PC
1 1 1 0 1 1 0 1 1 1 1 1 1 0 1 0 0 0 1 0 0 1 0 1 1 1 1 1 0 1 1 0 1 0 0 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 1 1 1 0 1 1 0 1 1 1 1 1 1 0 1 0 0 0 1 0 0 1 0 1 1 1 1 1 0 1
RandomM > ProbabilidadM
NO MUTA
PM
1 0 1 0 0 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1
18
MUTACIN MUTA
PC
1 1 1 0 1 1 0 1 1 1 1 1 1 0 1 0 0 0 1 0 0 1 0 1 1 1 1 1 0 1 1 0 1 0 0 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 1 1 1 0 1 1 1 1 1 1 0 1 0 0 0 1 0 0 1 0 1 1 1 1 1 0 1
RandomM ProbabilidadM
MUTA
PM
1 0 0 0 0 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1
RP
( 77 )
1 0 1
MTODOS DE MUTACIN
Simple
ProbabilidadM = constante
Adaptativa por Convergencia

ProbabilidadM = G{ Promedio [ f(Ix) ] }
Adaptativa por Temperatura

Ascendente Descendente
ProbabilidadM = G( Cant. Vueltas )
19
ALGORITMOS GENTICOS
P0
Seleccin
PS
Cruzamiento
PC
Mutacin
PM
No
Paro?
Poblacin Final
ALGORITMOS GENTICOS
Seleccin
PS
Cruzamiento
PC
Mutacin
PM
No
Paro?
Poblacin Final
20
CRITERIO DE PARO
Cantidad de Vueltas Tiempo Transcurrido f(Ix) > Valor Promedio [ f(Ix) ] Valor
ALGORITMOS GENTICOS
Pi = PM
Seleccin
PS
Cruzamiento
PC
Mutacin
PM
No
Paro?
Poblacin Final
21
ALGORITMOS GENTICOS
Seleccin
PS
Cruzamiento
PC
Mutacin
PM
No
Paro?
PF = PM
Poblacin Final
ANLISIS DE LA POBLACIN FINAL
Poblacin Final
Aptitud
Solucin
Interpretar
22
23

Algoritmos Geneticos-2011

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algoritmos Geneticos-2011

Transféré par

Droits d'auteur :

Formats disponibles

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Inteligencia Artificial Ciclo lectivo - 2011

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

Teora Evolucin Ecosistema / Ambiente Individuo Genotipo / Cromosoma Gen Fenotipo

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

GENERAR POBLACIN INICIAL

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

Torneo Ranking Ruleta Control sobre nmero esperado

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

p(x) 0.2961 0.0534 0.1602 0.1214 0.2136 0.0728 0.0825 1

P(x) 0.2961 0.3495 0.5097 0.6311 0.8447 0.9175 1.0000

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

SELECCIN - Control s/nro. esperado

Poblacin I1 I2 I3 I4 I5 I6 I7 Total Promedio

f(x) 61 11 33 25 44 15 17 206 29.4286

f(x) / Prom. 2.0728 0.3738 1.1214 0.8495 1.4951 0.5097 0.5777

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

SELECCIN Control s/nro. esperado

Poblacin I1 I2 I3 I4 I5 I6 I7 Total Promedio

f'(x) 0,0728 0,3738 0,1214 0,8495 0,4951 0,5097 0,5777 3

p(x) 0,0243 0,1246 0,0405 0,2832 0,1650 0,1699 0,1926 1

P(x) 0,0243 0,1489 0,1893 0,4725 0,6375 0,8074 1,0000

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

SELECCIN - Control s/nro. esperado

50% 40% 30% 20% 10% 0%

Inteligencia Artificial (AG v. 7)

Simple Multipunto Binomial

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

Cruza Binomial Mscara Complemento

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

Cruza Binomial Mscara Doble

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

Cruza Binomial - Azar

Si R 0,5 Si R > 0,5

UNIVERSIDAD TECNOLOGICA NACIONAL Facultad Regional Buenos Aires

Inteligencia Artificial (AG v. 7)

PM = MUTA( PC ) Ejecuta Mutacin