Bacterial Foraging Optimization Algorithm

71 visualizações

Publicada em

Um overview sobre o funcionamento do Bacterial Foraging Optimization Algorithm e algumas idéias de melhoria que demonstraram sucesso em experimentos.

Publicada em: Ciências
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
71
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
2
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Bacterial Foraging Optimization Algorithm

  1. 1. Bacterial Foraging Optimization Algorithm
  2. 2. Equipe ● João Farias (jgfd@cin.ufpe.br) ● Miguel Araújo (mra2@cin.ufpe.br) ● Pedro Castilho (plc@cin.ufpe.br)
  3. 3. Sumário 1. Foraging como um problema de otimização 2. Escherichia Coli 3. Bacterial Foraging Optimization Algorithm 4. Escolha de Parâmetros do BFOA 5. Improved Bacterial Foraging Optimization Algorithm
  4. 4. Foraging como um problema de otimização ● O que é Foraging? ● Como isso pode ser modelado como um problema de otimização? ● Social Foraging
  5. 5. Escherichia Coli
  6. 6. Escherichia Coli ○ Flagela ○ Tumble ○ Nado
  7. 7. Escherichia Coli ○ Reprodução ○ Eliminação-Dispersão ○ Atração-Repulsão
  8. 8. Bacterial Foraging Optimization Algorithm ● Passo Quimotático - Sem Atração ● Continua andando enquanto for favorável, por no máximo uma constante.
  9. 9. Bacterial Foraging Optimization Algorithm ● Passo Quimotático - Fator Social ○ Profundidade de Atração ○ Largura de Atração ○ Profundidade de Repulsão ○ Largura de Repulsão
  10. 10. Bacterial Foraging Optimization Algorithm ● Passo Quimotático - Fator Ambiental + Fator Social
  11. 11. Bacterial Foraging Optimization Algorithm ● Reprodução ○ Após N passos quimotáticos, as bactérias vão morrer ○ As melhores se reproduzirão por bi-partição ○ As piores serão removidas da população ○ Obs: População fixa
  12. 12. Bacterial Foraging Optimization Algorithm ● Eliminação-Dispersão ○ Após N passos reprodutivos, ■ Cada bactéria, com uma chance fixa, ● É eliminada da população; ● Outra bactéria surge aleatoriamente. ○ População fixa
  13. 13. Bacterial Foraging Optimization Algorithm ● BFOA ○ Define-se as constantes: ■ Tamanho da população (S); ■ Número de passos quimotáticos (n1); ■ Número de passos de reprodução (n2); ■ Número de passos de eliminação-dispersão (n3); ■ Possibilidade de eliminação-dispersão ( Ped ); ■ Tamanho do passo quimotático para cada bactéria ( C(i) );
  14. 14. Bacterial Foraging Optimization Algorithm ● BFOA 1. Colocar S bactérias randomicamente no espaço de busca; 2. Loop n1 vezes 2.1. Para cada bactéria, 2.1.1. Realize um tumble randômico 2.1.2. Ande na mesmo direção enquanto melhorar o fitness ( ambiental + social); 3. Realize 1 passo reprodutivo 4. Se não realizou n2 passos reprodutivos, vá para 2 5. Realize 1 passo de eliminação-dispersão 6. Se não realizou n3 passos de eliminação-dispersão, vá para 2
  15. 15. BFOA - Escolha de Parâmetros ● Tamanho da População ○ Grande: ■ Complexidade computacional ■ Maior chance de encontrar mínimos locais rapidamente ● Tamanho do Passo Quimotático ○ Grande: ■ Pula-se vales ○ Pequeno: ■ Demora de Convergência
  16. 16. BFOA - Escolha de Parâmetros ● Níveis de atração-repulsão ○ Social versus individual foraging ● Número de passos quimotáticos ○ Grande ■ Complexidade computacional ■ Progresso de otimização ○ Pequeno ■ Sorte e reprodução
  17. 17. BFOA - Escolha de Parâmetros ● Número de passos de eliminação-dispersão ○ Pequeno ■ Menor dependência de randomicidade ● Probabilidade de eliminação-dispersão ○ Grande ■ Busca randomica exaustiva ■ Ajuda a fugir de mínimos locais
  18. 18. Improved Bacterial Foraging Optimization Algorithm ● Problema do Escape
  19. 19. Improved Bacterial Foraging Optimization Algorithm ● Problema do Escape ○ Seleção eletista das bactérias propícias à eliminação-dispersão ○ Diminuir a quantidade de bactérias propícias à eliminação-dispersão com o tempo ○ Q = 1 − (2ged*L) ■ Ged -> Número da geração ■ L -> Percentual inicial das bactérias que não participam da eliminação-dispersão ■ Q -> Porcentagem de bactérias propícias à eliminação-dispersão
  20. 20. Improved Bacterial Foraging Optimization Algorithm ● Problema do Tamanho do Passo Quimotático ○ Tamanho fixo não atinge boa convergência e precisão ○ Tamanho do passo quimotático variado ○ If generation MOD 10 == 0, {g= generation DIV 10, STEP=STEP/2g}
  21. 21. Improved Bacterial Foraging Optimization Algorithm ● Resultados Experimentais ○ (a) Rosenbrock, (b) rotated hyper-ellipsoid
  22. 22. Improved Bacterial Foraging Optimization Algorithm ● Resultados Experimentais ○ (c) Ackley, (d) Rastrigin
  23. 23. Improved Bacterial Foraging Optimization Algorithm ● Resultados Experimentais ○ (e) Griewank
  24. 24. Referências ● K. M. Passino, “Biomimicry of bacterial foraging for distributed optimization and control,” IEEE Control Systems, vol. 22, no. 3, pp. 52-67, 2002. ● L. Jun, D. Jianwu, B. Feng and W. Jiansheng, “Analysis and Improvement on Bacterial Foraging Optimization Algorithm ”, Journal of Computing Science and Engineering, vol. 8 , no. 1, (2014), pp. 1-7.

×