Algoritmo Genético

294 visualizações

Publicada em

Apresentação de Algoritmo Genético em TOSI 1

Publicada em: Tecnologia
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
294
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
8
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide
  • Mede a aptidão de um genótipo ao meio. Recebe o genótipo binário e retorna um número real.
  • Inserir gráfico de função de seleção (posição % no ranking X chance % de sobrevivência)
  • Algoritmo Genético

    1. 1. Algoritmo Genético Allan Denis <allancomll@gmail.com>
    2. 2. Falarei sobre: História Conceitos básicos Aplicações Artigo: Algoritmo Genético no transporte público Exemplo prático: escolha das disciplinas do curso Lições aprendidas
    3. 3. História
    4. 4. Algoritmos Genéticos são “baseados nos mecanismos de seleção e genética naturais”. (Goldberg, 1989)
    5. 5. Premissas
    6. 6. Há uma representação binária das soluções para o problema (cromossomo)
    7. 7. Os cromossomos são comparáveis e mescláveis em quaisquer pontos
    8. 8. Função de aptidão (fitness) 𝑓: 𝐵 𝑛 → ℝ
    9. 9. População Inicial
    10. 10. Seleção e elitismo
    11. 11. Operadores genéticos
    12. 12. Fluxo de execução Avaliação Seleção Cruzamento Mutação População inicial Solução aceitável
    13. 13. Critérios de parada Solução atende requisitos Número de gerações Tempo ou custo de execução Estagnação de resultados Combinação dos itens anteriores
    14. 14. Aplicações
    15. 15. Evolved Antenna (NASA) http://nmp.jpl.nasa.gov/st5/
    16. 16. Vírus (reais) produzem componentes eletrônicos por evolução assistida.
    17. 17. ... e muito, MUITO mais!
    18. 18. Artigo: AG no transporte público Artigo • Problema • Solução proposta • Uso do AG • Críticas
    19. 19. Exemplo prático: horário do curso
    20. 20. Lições aprendidas Prós • Solução eficaz (em relação à combinatória) • Simplicidade • A máquina trabalha para você • Evolução rápida Contras • Não encontra necessariamente a melhor solução • Função fitness pode ser pesada demais • Não determinístico
    21. 21. Perguntas
    22. 22. Referências How Evolution Works (disponível emyoutu.be/hOfRN0KihOU) BELCHER, Angela. Using nature to grow batteries. Vídeo disponível em ted.com/talks/angela_belcher_using_nature_to_grow_batteries GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning, Reading: Addison-Wesley Longman, Inc, 1989. MICHALEWICZ, Z.; FOGEL, D. B. How to Solve it: Modern Heuristics. [S.I.], Springer, 2000. github.com/AllanDenis/ajuste-de-matricula

    ×