1
Rio de Janeiro, 1 de Outubro de 2010.
Algoritmos Genéticos com Inspiração Quântica e Representação Mista
Aplicados à Neu...
2
1) Contextualização
2) Algoritmo AEIQ-BR
3) Algoritmo NEIQ-BR
4) Resultados
5) Conclusões
Algoritmos Genéticos com Inspi...
3
1) Contextualização
2) Algoritmo AEIQ-BR
3) Algoritmo NEIQ-BR
4) Resultados
5) Conclusões
Algoritmos Genéticos com Inspi...
4
Contextualização
• Ambiente de Estudo
Mineração de dados com algoritmos evolutivos (AE)
5
Contextualização
• Ambiente de Estudo
Mineração de dados com algoritmos evolutivos (AE)
Algoritmos
Genéticos
Programação...
6
Contextualização
• Ambiente de Estudo
Mineração de dados com algoritmos evolutivos (AE)
AE com Inspiração
na física Quân...
7
Contextualização
• Inspiração
“... mais recentes avanços na área de computação evolutiva
[6]. AEIQ são baseados em princ...
8
Contextualização
• Superposição de Estados
– Gato de Schrödinger
9
Contextualização
• Conceito de Q-Bit
– Em um computador quântico:
– Em um computador clássico:
 10 
1
22
 
...
10
Contextualização
• Superposição de Estados
– Gato de Schrödinger
11
Contextualização
• Ambiente de Estudo
Mineração de dados com algoritmos evolutivos (AE)
AE com Inspiração
na física Quâ...
12
• Características do AEIQ-B e AEIQ-R
Contextualização
Representação
Binária
Problemas
Combinatórios
Estado de um
Q-Bit
...
13
Contextualização
• Pretendemos:
Aplicação?AEIQ-BR
=+

AEIQ-B de
Han et al
AEIQ-R de
Abs da Cruz
(1)
14
Evolução
Diferencial
Contextualização
• Ambiente de Estudo
Mineração de dados com algoritmos evolutivos (AE)
Algoritmos...
15
Contextualização
• O que se encontra:
 Otimização da topologia das camadas escondidas e de entrada;
 Seleção dos padr...
16
• Ambiente de Estudo
AE com Inspiração
na física Quântica
AE em Redes
Neurais Artificiais
Kim et al
Jang et al
Abs da C...
17
Contextualização
• Neuroevolução
18
Contextualização
• O que se propõe é:
AEIQ-BR
=+
 NEIQ-BR
AEIQ-B de
Han et al
AEIQ-R de
Abs da Cruz
NEIQ-R de
Abs da C...
19
Contextualização
• Além disso ...
... resultados serão orientados por:
Teste em casos benchmark e reais com
diferentes ...
20
1) Contextualização
2) Algoritmo AEIQ-BR
3) Algoritmo NEIQ-BR
4) Resultados
5) Conclusões
Algoritmos Genéticos com Insp...
21
Algoritmo AEIQ-BR
• Pseudocódigo do Algoritmo AEIQ-BR
22
Algoritmo AEIQ-BR
• Figura Resumo do Algoritmo AEIQ-BR
23
Algoritmo AEIQ-BR
• Inicializa População Quântica Q(t)
1 2 3( ) , , , ..., .t t t t
NQ t q q q q 
 
    .t t t...
24
Algoritmo AEIQ-BR
• Inicializa População Quântica Q(t)
   1 1 1 2 2 2 3 3 3( ), ( ), ( ),...,, ( ) .t t t t t t t t...
25
Algoritmo AEIQ-BR
• Inicializa População Quântica Q(t)
1
,
( ) ( ; ; ) .
0,
t t t
ij ij ijt tt t t t t
ij ijij ij ij ij...
26
• Inicializa População Quântica Q(t)
Algoritmo AEIQ-BR
    1 2 3
1 1 2 2 3 3
1 2 3
( ), ( ), ( ),...,, ( ) ... .ij
...
27
Algoritmo AEIQ-BR
• Ou da forma mais simples:
1 2 3( ) , , , ..., .t t t t
NQ t q q q q 
 
    1 2 1 2 3
1 2 1...
28
Algoritmo AEIQ-BR
• Figura Resumo do Algoritmo AEIQ-BR
29
Algoritmo AEIQ-BR
• Observa População Quântica
0 1
(t
ij)2
(t
ij)2
Gerar um Número Aleatório
Atribui-se 0
ao gene
clá...
30
Algoritmo AEIQ-BR
• Observa População Quântica
1 2 3( ) , , , ..., .t t t t
NQ t q q q q 
 
    1 2 1 2 3
1 2 ...
31
Algoritmo AEIQ-BR
• Observa População Quântica
1 2 3( ) , , , ..., .t t t t
NQ t q q q q 
 
    1 2 1 2 3
1 2 ...
32
Algoritmo AEIQ-BR
• Observa População Quântica
1 2 3( ) , , , ..., .t t t t
NQ t q q q q 
 
    1 2 1 2 3
1 2 ...
33
Algoritmo AEIQ-BR
• Figura Resumo do Algoritmo AEIQ-BR
34
Algoritmo AEIQ-BR
• Figura Resumo do Algoritmo AEIQ-BR
35
Algoritmo AEIQ-BR
• Recombinação Clássica de P(t) com B(t-1)
1 2 3( ) , , , ..., .t t t t
NC t c c c c 
 
    ...
36
• Recombinação Clássica de P(t) com B(t-1)
Algoritmo AEIQ-BR
       1 2 3 1 2 3, , , ..., , , , ..., .t t t t t...
37
Algoritmo AEIQ-BR
• Recombinação Clássica de P(t) com B(t-1)
       1 2 3 1 2 3, , , ..., , , , ..., .t t t t t...
38
Algoritmo AEIQ-BR
• Figura Resumo do Algoritmo AEIQ-BR
39
Algoritmo AEIQ-BR
• Atualiza População Q(t) com B(t)
1 2 3( ) , , , ..., .t t t t
NC t c c c c 
 
       1...
40
Algoritmo AEIQ-BR
• Atualiza População Q(t) com B(t)
1 2 3( ) , , , ..., .t t t t
NC t c c c c 
 
       1...
41
Algoritmo AEIQ-BR
• Atualiza População Q(t) com B(t)
OPERADORES PARTE REAL
42
Algoritmo AEIQ-BR
• Figura Resumo do Algoritmo AEIQ-BR
43
Algoritmo AEIQ-BR
• Nosso controle atuará em:
– NQ, número de indivíduos quânticos;
– NC, número de indivíduos clássico...
44
1) Contextualização
2) Algoritmo AEIQ-BR
3) Algoritmo NEIQ-BR
4) Resultados
5) Conclusões
Algoritmos Genéticos com Insp...
45
Algoritmo NEIQ-BR
• Porque?
“Esta utilidade em se aplicar AEIQ-BR para evoluir uma
RNA recebe o nome de algoritmo NEIQ-...
46
Algoritmo NEIQ-BR
• Rede Neural
Classificação
47
Algoritmo NEIQ-BR
• Comparativo
48
Algoritmo NEIQ-BR
• Codificação no Cromossoma
– Quântico
 
          
          
1 1 1 1 ...
49
Algoritmo NEIQ-BR
• Codificação no Cromossoma
– Clássico
    ,t t t
h h h
b r
c c c 
  
          ...
50
Algoritmo NEIQ-BR
• Parâmetros de Controle Adicionais
– minT, o número mínimo de gerações que um neurônio permanecerá a...
51
Algoritmo NEIQ-BR
• Funções de Avaliação
52
Algoritmo NEIQ-BR
• Funções de Avaliação
  1
%
1 1
n
ij
i jt
h
acerto total n n
ij
i j
a
f c
a
 
 
 
 
 
 ...
53
1) Contextualização
2) Algoritmo AEIQ-BR
3) Algoritmo NEIQ-BR
4) Resultados
5) Conclusões
Algoritmos Genéticos com Insp...
54
Resultados Modelo NEIQ-BR
• Cases para Avaliação
Australian
Credit
German
Credit
Iris Data
Wisconsin
Diagnostic
Breast ...
55
• Préprocessamento
Resultados Modelo NEIQ-BR
NORMALIZAÇÃO
• Faixa Dinâmica
• Normalização
Padrão
TRANSFORMAÇÃO
• Codifi...
56
Resultados Modelo NEIQ-BR
• Banco de Dados
Base de Dados Amostras
Variáveis
Binárias
Variáveis
Contínuas
Número
Classes...
57
Resultados Modelo NEIQ-BR
• Descrição dos Experimentos
58
Resultados Modelo NEIQ-BR
• Cases para Avaliação
Australian
Credit
German
Credit
Iris Data
Wisconsin
Diagnostic
Breast ...
59
Resultados Modelo NEIQ-BR
• Ambiente Computacional
8 BANCO DE DADOS
X
12 ESTRATÉGIAS
X
3 VALIDAÇÕES
=
288 EXPERIMENTOS
60
Resultados Modelo NEIQ-BR
• MPPCE e DPPCE
61
Resultados Modelo NEIQ-BR
• MPPCE e DPPCE
62
Resultados Modelo NEIQ-BR
• METODOLOGIA para comparação com outros autores
– Testes utilizados
63
Resultados Modelo NEIQ-BR
• Comparação com outros autores
– Melhor Estratégia NEIQ-BR
64
Resultados Modelo NEIQ-BR
• Comparação com outros autores
– Melhor Estratégia NEIQ-BR
65
Resultados Modelo NEIQ-BR
• Comparação com outros autores
– Todas Estratégias NEIQ-BR
66
Resultados Modelo NEIQ-BR
• Comparação com outros autores
– Todas Estratégias NEIQ-BR
67
Resultados Modelo NEIQ-BR
• Comparação de variações dos parâmetros
Resultados Estatísticamente
Iguais
68
Resultados Modelo NEIQ-BR
• Evolução de populações por melhores estratégias
69
1) Contextualização
2) Algoritmo AEIQ-BR
3) Resultados Modelo NEIQ-BR
4) Conclusões
Algoritmos Genéticos com Inspiração...
70
Conclusões
• Conclusões
AEIQ-BR
=+
 NEIQ-BR
AEIQ-B de
Han et al
AEIQ-R de
Abs da Cruz
NEIQ-R de
Abs da Cruz
(1) (2)
71
Conclusões
• Conclusões
Otimizador Global
Representação Probabilística do Espaço de Soluções
Alta Capacidade de Explora...
72
Conclusões
• Conclusões
Teste em casos benchmark e reais com
diferentes níveis de dificuldade.
Avaliação dos resultados...
73
Conclusões
• Trabalhos Futuros
Tempo de Processamento, ou Custo Computacional.
Parametrização de  como velocidade de a...
74
“Obrigado.”
Anderson Guimarães de Pinho
“É mais pela educação que pela instrução que se transformará a humanidade.”
Ala...
Próximos SlideShares
Carregando em…5
×

Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução

1.313 visualizações

Publicada em

Apresentação final de dissertação para obtenção do título de mestre em métodos de apoio a decisão com ênfase em métodos estatísticos e inteligência computacional.

Publicada em: Educação, Tecnologia, Turismo
0 comentários
2 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
1.313
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
2
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução

  1. 1. 1 Rio de Janeiro, 1 de Outubro de 2010. Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução Anderson Guimarães de Pinho
  2. 2. 2 1) Contextualização 2) Algoritmo AEIQ-BR 3) Algoritmo NEIQ-BR 4) Resultados 5) Conclusões Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução
  3. 3. 3 1) Contextualização 2) Algoritmo AEIQ-BR 3) Algoritmo NEIQ-BR 4) Resultados 5) Conclusões Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução
  4. 4. 4 Contextualização • Ambiente de Estudo Mineração de dados com algoritmos evolutivos (AE)
  5. 5. 5 Contextualização • Ambiente de Estudo Mineração de dados com algoritmos evolutivos (AE) Algoritmos Genéticos Programação Genética Evolução Diferencial Algoritmos Culturais Programação Evolutiva AE com Inspiração na física Quântica
  6. 6. 6 Contextualização • Ambiente de Estudo Mineração de dados com algoritmos evolutivos (AE) AE com Inspiração na física Quântica Kim et al Jang et al Abs da Cruz Han et al Li et al Talbi et al Mahdabi et al Han e Kin Arpaia et al
  7. 7. 7 Contextualização • Inspiração “... mais recentes avanços na área de computação evolutiva [6]. AEIQ são baseados em princípios da física quântica como conceito de q-bit e superposição de estados [11]. O principal objetivo em se buscar inspiração na física quântica é utilizar conceitos de múltiplos universos para melhoria do desempenho dos algoritmos genéticos (AG) tradicionais.”
  8. 8. 8 Contextualização • Superposição de Estados – Gato de Schrödinger
  9. 9. 9 Contextualização • Conceito de Q-Bit – Em um computador quântico: – Em um computador clássico:  10  1 22          
  10. 10. 10 Contextualização • Superposição de Estados – Gato de Schrödinger
  11. 11. 11 Contextualização • Ambiente de Estudo Mineração de dados com algoritmos evolutivos (AE) AE com Inspiração na física Quântica Kim et al Jang et al Abs da Cruz Han et al Li et al Talbi et al Mahdabi et al Han e Kin Arpaia et al
  12. 12. 12 • Características do AEIQ-B e AEIQ-R Contextualização Representação Binária Problemas Combinatórios Estado de um Q-Bit Motivação em relação à AG tradicionais Excelente otimizador global Representação Real Problemas Numéricos Estado de um Q-Real Motivação em relação ao AEIQ-B Maior velocidade e precisão AEIQ-B de Han et al AEIQ-R de Abs da Cruz
  13. 13. 13 Contextualização • Pretendemos: Aplicação?AEIQ-BR =+  AEIQ-B de Han et al AEIQ-R de Abs da Cruz (1)
  14. 14. 14 Evolução Diferencial Contextualização • Ambiente de Estudo Mineração de dados com algoritmos evolutivos (AE) Algoritmos Genéticos Programação Genética Algoritmos Culturais Programação Evolutiva AE com Inspiração na física Quântica
  15. 15. 15 Contextualização • O que se encontra:  Otimização da topologia das camadas escondidas e de entrada;  Seleção dos padrões de entrada;  Obtenção dos pesos dos neurônios;  Seleção de funções de avaliação;  Na ativação do neurônio, selecionando funções e otimizando parâmetros;  No aprendizado da rede, otimizando regras e parâmetros. AE em Redes Neurais Artificiais
  16. 16. 16 • Ambiente de Estudo AE com Inspiração na física Quântica AE em Redes Neurais Artificiais Kim et al Jang et al Abs da Cruz Han et al Li et al Talbi et al Mahdabi et al Han e Kin Arpaia et al Lacerda et al Zhan et al Pedrajas et al Abraham Gomez et al Blanco et al Delgado e Pegalajar Paz e Kamath Abs da Cruz Capi e Doya Kim e Cho Pedrajas e Boyer Contextualização Mineração de dados com algoritmos evolutivos (AE) Abs da Cruz
  17. 17. 17 Contextualização • Neuroevolução
  18. 18. 18 Contextualização • O que se propõe é: AEIQ-BR =+  NEIQ-BR AEIQ-B de Han et al AEIQ-R de Abs da Cruz NEIQ-R de Abs da Cruz (1) (2)
  19. 19. 19 Contextualização • Além disso ... ... resultados serão orientados por: Teste em casos benchmark e reais com diferentes níveis de dificuldade. Avaliação dos resultados em termos de acurácia e área sob a curva ROC. Separação do banco de dados entre grupo de teste e treinamento. Comparação com resultados obtidos por outros pesquisadores. Apresentação de testes estatísticos para evidenciar eficácia de um modelo.
  20. 20. 20 1) Contextualização 2) Algoritmo AEIQ-BR 3) Algoritmo NEIQ-BR 4) Resultados 5) Conclusões Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução
  21. 21. 21 Algoritmo AEIQ-BR • Pseudocódigo do Algoritmo AEIQ-BR
  22. 22. 22 Algoritmo AEIQ-BR • Figura Resumo do Algoritmo AEIQ-BR
  23. 23. 23 Algoritmo AEIQ-BR • Inicializa População Quântica Q(t) 1 2 3( ) , , , ..., .t t t t NQ t q q q q        .t t t i i i b r q q q       1 2 1 2 1 2 , ..., . t t t i i iMt t t t i i i iMt t tb i i iM b q g g g                     1 1 1 2 2 2 3 3 3( ), ( ), ( ),...,, ( ) .t t t t t t t t t t t t t i i i i i i i i i i iG iG iG r r q g p x g p x g p x g p x    
  24. 24. 24 Algoritmo AEIQ-BR • Inicializa População Quântica Q(t)    1 1 1 2 2 2 3 3 3( ), ( ), ( ),...,, ( ) .t t t t t t t t t t t t t i i i i i i i i i i iG iG iG r r q g p x g p x g p x g p x     1 , ( ) ( ; ; ) . 0, t t t ij ij ijt tt t t t t ij ijij ij ij ij ij se a x b b ap x f x a b caso contrário        
  25. 25. 25 Algoritmo AEIQ-BR • Inicializa População Quântica Q(t) 1 , ( ) ( ; ; ) . 0, t t t ij ij ijt tt t t t t ij ijij ij ij ij ij se a x b b ap x f x a b caso contrário           . 2 t t ij ijt t ij ij a b E x    .t t t ij ij ijb a  Seja 1 , ( ) ( ) ( ) ( ; ; ) ,2 2 0 , t t ij ijt t t ij ij ijt t t t t t ij ij ij ij ij ij se x p x f x caso contrário                   Temos então que     1 2 3 1 1 2 2 3 3 1 2 3 ( ), ( ), ( ),...,, ( ) ... .ij t t t t i i i iGt t t t t t t t t t t t t i i i i i ij i i ij iG iG ij t t t tr r i i i iG r q g p x g p x g p x g p x                      Sendo assim e
  26. 26. 26 • Inicializa População Quântica Q(t) Algoritmo AEIQ-BR     1 2 3 1 1 2 2 3 3 1 2 3 ( ), ( ), ( ),...,, ( ) ... .ij t t t t i i i iGt t t t t t t t t t t t t i i i i i ij i i ij iG iG ij t t t tr r i i i iG r q g p x g p x g p x g p x                      1 2 3( ) , , , ..., .t t t t NQ t q q q q        .t t t i i i b r q q q       1 2 1 2 1 2 , ..., . t t t i i iMt t t t i i i iMt t tb i i iM b q g g g                 
  27. 27. 27 Algoritmo AEIQ-BR • Ou da forma mais simples: 1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                         
  28. 28. 28 Algoritmo AEIQ-BR • Figura Resumo do Algoritmo AEIQ-BR
  29. 29. 29 Algoritmo AEIQ-BR • Observa População Quântica 0 1 (t ij)2 (t ij)2 Gerar um Número Aleatório Atribui-se 0 ao gene clássico Atribui-se 1 ao gene clássico 1/2 1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                          Para cada gene quântico binário:
  30. 30. 30 Algoritmo AEIQ-BR • Observa População Quântica 1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                          Para cada gene quântico real: 1 , ( ) ( ) ( ) ( ; ; ) ,2 2 0 , t t ij ijt t t ij ij ijt t t t t t ij ij ij ij ij ij se x p x f x caso contrário                  
  31. 31. 31 Algoritmo AEIQ-BR • Observa População Quântica 1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                          Para cada gene quântico real: 0 , ( ) 2 1 ( ) ( ; ; ) , ( ) ( ) . 2 2 2 1 , ( ) 2 ij ij ij t ijt t ij ij t t t t ij ij ij ijt t t t t t t t ij ij ij ij ij ij ij ijt ij t t t se x x P x F x se x se x                                 t ijy 
  32. 32. 32 Algoritmo AEIQ-BR • Observa População Quântica 1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                          Para cada gene quântico real:   1 1 0 , 0 1 ( ) ( ; ; ) ( ) , 0 1 . 2 1 , 1 t ij tt t t t t t t t t ij ij ij ij ij ij ij ij ij ij r t ij se y x P y F y y se y se y                     0 1 (t ij)2 (t ij)2 Gerar um Número Aleatório Atribui-se 0 ao gene clássico Atribui-se 1 ao gene clássico 1/2
  33. 33. 33 Algoritmo AEIQ-BR • Figura Resumo do Algoritmo AEIQ-BR
  34. 34. 34 Algoritmo AEIQ-BR • Figura Resumo do Algoritmo AEIQ-BR
  35. 35. 35 Algoritmo AEIQ-BR • Recombinação Clássica de P(t) com B(t-1) 1 2 3( ) , , , ..., .t t t t NC t c c c c           1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x            Indivíduo Clássico Qualquer Dois indivíduos selecionados para cruzamento        1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x                   1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x           
  36. 36. 36 • Recombinação Clássica de P(t) com B(t-1) Algoritmo AEIQ-BR        1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x                   1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x            C. UNIFORME       , 0 , , t ij cb bPt ij tbF ij bB x se aleatório entre e C x x caso contrário      
  37. 37. 37 Algoritmo AEIQ-BR • Recombinação Clássica de P(t) com B(t-1)        1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x                   1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x            C. ARITIMÉTICO            , 0 , , t t t t ij ij ij cr rB rP rBt ij rF t ij rB x x x se aleatório entre e C x x caso contrário        
  38. 38. 38 Algoritmo AEIQ-BR • Figura Resumo do Algoritmo AEIQ-BR
  39. 39. 39 Algoritmo AEIQ-BR • Atualiza População Q(t) com B(t) 1 2 3( ) , , , ..., .t t t t NC t c c c c           1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x            1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                          OPERADORES PARTE BINÁRIA   1 t+1 ij 1 cos( ) ( ) , ( ) 0 ( ) cos( ) g = , cos( ) ( ) , ( ) 1 ( ) cos( ) b b t ij t ij btt ijij t t ij ij t ij bt ij seno se x seno seno se x seno                                                
  40. 40. 40 Algoritmo AEIQ-BR • Atualiza População Q(t) com B(t) 1 2 3( ) , , , ..., .t t t t NC t c c c c           1 2 3 1 2 3, , , ..., , , , ..., .t t t t t t t t t t t i i i i i i iM i i i iG b r b r c c c x x x x x x x x            1 2 3( ) , , , ..., .t t t t NQ t q q q q        1 2 1 2 3 1 2 1 2 3 ... ... . t t t t t t t i i iM i i i iGt t t i i i t t t t t t tb r i i iM i i i iGb r q q q                                          OPERADORES PARTE REAL 1 (( ) ),t t t t t ij ij ij r ijx       1 ((max(( ) ) min(( ) )) );t t t t t t ij ij ij r ij r ijx x         Único de B(t) Todos de B(t)
  41. 41. 41 Algoritmo AEIQ-BR • Atualiza População Q(t) com B(t) OPERADORES PARTE REAL
  42. 42. 42 Algoritmo AEIQ-BR • Figura Resumo do Algoritmo AEIQ-BR
  43. 43. 43 Algoritmo AEIQ-BR • Nosso controle atuará em: – NQ, número de indivíduos quânticos; – NC, número de indivíduos clássicos; – CQ, probabilidade de crossover quântico; – CCb, probabilidade de crossover clássico binário; – CCr, probabilidade de crossover clássico real; – T, número de gerações ou evoluções; – E , ângulo de rotação para velocidade de atualização dos genes clássicos binários.
  44. 44. 44 1) Contextualização 2) Algoritmo AEIQ-BR 3) Algoritmo NEIQ-BR 4) Resultados 5) Conclusões Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução
  45. 45. 45 Algoritmo NEIQ-BR • Porque? “Esta utilidade em se aplicar AEIQ-BR para evoluir uma RNA recebe o nome de algoritmo NEIQ-BR, numa extensão ao modelo de Vargas [6], o NEIQ-R, cuja representação da solução considerava somente características numéricas. A sigla NEIQ-BR vem de “NeuroEvolução Inspirada na física Quântica com representação mista Binária e Real””
  46. 46. 46 Algoritmo NEIQ-BR • Rede Neural Classificação
  47. 47. 47 Algoritmo NEIQ-BR • Comparativo
  48. 48. 48 Algoritmo NEIQ-BR • Codificação no Cromossoma – Quântico                         1 1 1 1 1 1 * 1 1 1 1 1 1 * ;...; ; ;...; . ;...; ; ;...; t t t t i i TE TI i TE TI i TE TI TI TO t i t t t tr i i TE TI i TE TI i TE TI TI TO r q                                   ,t t t i i i b r q q q                               1 1 1 2. 2. 1 2. 1 1 1 2. 2. 1 2. ;...; ; ;...; ; ;...; ; ;...; ;...; ; ;...; ; ;...; ; ;...; t t t t t t t t i iTE i TE i TE TI i TE TI i TE TI i TE TI i TE TI TOt i t t t t t t t tb i iTE i TE i TE TI i TE TI i TE TI i TE TI i TE TI TO b q                                           
  49. 49. 49 Algoritmo NEIQ-BR • Codificação no Cromossoma – Clássico     ,t t t h h h b r c c c                   1 1 1 2. 2. 1 2.;...; ; ;...; ; ;...; ; ;...;t t t t t t t t t h h hTE h TE h TE TI h TE TI h TE TI h TE TI h TE TI TOb b c x x x x x x x x                      1 1 1 1 1 1 * ;...; ; ;...;t t t t t h h h TE TI h TE TI h TE TI TI TOr r c x x x x      
  50. 50. 50 Algoritmo NEIQ-BR • Parâmetros de Controle Adicionais – minT, o número mínimo de gerações que um neurônio permanecerá ativo. – updateT, o intervalo entre gerações para execução de operadores quânticos. – TI, máximo de neurônios permitidos na camada intermediária.
  51. 51. 51 Algoritmo NEIQ-BR • Funções de Avaliação
  52. 52. 52 Algoritmo NEIQ-BR • Funções de Avaliação   1 % 1 1 n ij i jt h acerto total n n ij i j a f c a                             1/ 1 % 1/ 1 1 . . n ij c ci i jt h acerto total ponderado n n ij c ci i j a r f c a r                               1 1 1 (1 ) , 2 n i i Área FVP FFP FVP FFP              (1) (2) (3)
  53. 53. 53 1) Contextualização 2) Algoritmo AEIQ-BR 3) Algoritmo NEIQ-BR 4) Resultados 5) Conclusões Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução
  54. 54. 54 Resultados Modelo NEIQ-BR • Cases para Avaliação Australian Credit German Credit Iris Data Wisconsin Diagnostic Breast Cancer Wisconsin Prognostic Breast Cancer Wine Data Empréstimos Financeiros Crédito de Limite Especial
  55. 55. 55 • Préprocessamento Resultados Modelo NEIQ-BR NORMALIZAÇÃO • Faixa Dinâmica • Normalização Padrão TRANSFORMAÇÃO • Codificação binária em categóricas com 2 classes. • Codificação 1 de N em categóricas com mais de 2 classes. TRATAMENTO • Observações faltantes foram substituídas por: • Moda em variáveis nominais. • Média em variáveis numéricas. ( ) ( ) ( ) ij inormalizado ij i i x mínimo x x máximo x mínimo x    ijnormalizado ij X x X x     
  56. 56. 56 Resultados Modelo NEIQ-BR • Banco de Dados Base de Dados Amostras Variáveis Binárias Variáveis Contínuas Número Classes Australian Credit Approval 690 32 6 2 German Credit 1.000 52 7 2 Iris Data 150 - 4 3 Diagnostic Breast Cancer 569 - 30 2 Prognostic Breast Cancer 198 - 33 2 Wine Data 178 - 13 3 Empréstimos Financeiros 2.619 19 13 2 Crédito de Limite Especial 1.844 16 13 2
  57. 57. 57 Resultados Modelo NEIQ-BR • Descrição dos Experimentos
  58. 58. 58 Resultados Modelo NEIQ-BR • Cases para Avaliação Australian Credit German Credit Iris Data Wisconsin Diagnostic Breast Cancer Wisconsin Prognostic Breast Cancer Wine Data Empréstimos Financeiros Crédito de Limite Especial 3-FOLD-CROSS-VALIDATION
  59. 59. 59 Resultados Modelo NEIQ-BR • Ambiente Computacional 8 BANCO DE DADOS X 12 ESTRATÉGIAS X 3 VALIDAÇÕES = 288 EXPERIMENTOS
  60. 60. 60 Resultados Modelo NEIQ-BR • MPPCE e DPPCE
  61. 61. 61 Resultados Modelo NEIQ-BR • MPPCE e DPPCE
  62. 62. 62 Resultados Modelo NEIQ-BR • METODOLOGIA para comparação com outros autores – Testes utilizados
  63. 63. 63 Resultados Modelo NEIQ-BR • Comparação com outros autores – Melhor Estratégia NEIQ-BR
  64. 64. 64 Resultados Modelo NEIQ-BR • Comparação com outros autores – Melhor Estratégia NEIQ-BR
  65. 65. 65 Resultados Modelo NEIQ-BR • Comparação com outros autores – Todas Estratégias NEIQ-BR
  66. 66. 66 Resultados Modelo NEIQ-BR • Comparação com outros autores – Todas Estratégias NEIQ-BR
  67. 67. 67 Resultados Modelo NEIQ-BR • Comparação de variações dos parâmetros Resultados Estatísticamente Iguais
  68. 68. 68 Resultados Modelo NEIQ-BR • Evolução de populações por melhores estratégias
  69. 69. 69 1) Contextualização 2) Algoritmo AEIQ-BR 3) Resultados Modelo NEIQ-BR 4) Conclusões Algoritmos Genéticos com Inspiração Quântica e Representação Mista Aplicados à Neuroevolução
  70. 70. 70 Conclusões • Conclusões AEIQ-BR =+  NEIQ-BR AEIQ-B de Han et al AEIQ-R de Abs da Cruz NEIQ-R de Abs da Cruz (1) (2)
  71. 71. 71 Conclusões • Conclusões Otimizador Global Representação Probabilística do Espaço de Soluções Alta Capacidade de Exploração e Aproveitamento Maior Rápido Computacionalmente Robusto o Suficiente na Variação dos Parâmetros Estatísticamente Superior em 44% dos casos AEIQ-BR  NEIQ-BR (1) (2)
  72. 72. 72 Conclusões • Conclusões Teste em casos benchmark e reais com diferentes níveis de dificuldade. Avaliação dos resultados em termos de acurácia e área sob a curva ROC. Separação do banco de dados entre grupo de teste e treinamento. Comparação com resultados obtidos por outros pesquisadores. Apresentação de testes estatísticos para evidenciar eficácia de um modelo.
  73. 73. 73 Conclusões • Trabalhos Futuros Tempo de Processamento, ou Custo Computacional. Parametrização de  como velocidade de atualização quântica real de  e . Classificação vs. Previsão, Controle, Otimização. Casos benchmark na barreira de 3.000 registros. No curto prazo: particionamento e codificação de padrões. Testes estatísticos e dependência conjunta e impactância nos resultados de variação de parâmetros.
  74. 74. 74 “Obrigado.” Anderson Guimarães de Pinho “É mais pela educação que pela instrução que se transformará a humanidade.” Alan Kardec

×