Exercício 2
Aplicação De Algoritmos Evolutivos
Romualdo André da Costa
@romualdoandre
Introdução
Shifted Sphere
Shifted Rastrigin's Function
Labirinto
DEAP
Representação Real
● População aleatória com distribuição uniforme
● Crossover BLX-α (Eshelman e Shaffer, 1993)
– c = p 1 ...
Representação binária
● Biblioteca bitstring
● 32 bits
● Crossover em dois pontos
● Mutação flip bit
● Seleção (μ+λ)
● Tor...
Hill Cimbing with Random Restarts
● Essentials of Metaheuristics (Luke, 2009)
● Função tweak: mutação gaussiana
Fonte: htt...
Resultados (Shifted Sphere)
População (float) Cx=0.5, mut=0.5 Cx=0.7, mut=0.3
Melhor/média Melhor/média
100 2561.98/2561.9...
Discussão
● Representação
● Mutação e crossover binários não conseguem
variedade o suficiente.
● Tweak não explora o espaç...
Labirinto
● d, e, c e b
● Mutação swap
● Crossover de dois pontos
● Máximo de 100 passos
● Multi objetivo: passos e distân...
Resultados
População Cx=0.5, mut=0.5 Cx=0.7, mut=0.3
Melhor/média (distância,
passos)
Melhor/média (distância,
passos)
100...
Resultados
Discussão
● + população && + mutação = + diversidade
● Mínimos locais
● Animação!
Exercício 2: Aplicações de Algoritmos Evolutivos
Próximos SlideShares
Carregando em…5
×

Exercício 2: Aplicações de Algoritmos Evolutivos

288 visualizações

Publicada em

Exercício da disciplina Inteligência Computacional no PGCA-UEFS

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

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
288
No SlideShare
0
A partir de incorporações
0
Número de incorporações
6
Ações
Compartilhamentos
0
Downloads
4
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Exercício 2: Aplicações de Algoritmos Evolutivos

  1. 1. Exercício 2 Aplicação De Algoritmos Evolutivos Romualdo André da Costa @romualdoandre
  2. 2. Introdução Shifted Sphere Shifted Rastrigin's Function Labirinto
  3. 3. DEAP
  4. 4. Representação Real ● População aleatória com distribuição uniforme ● Crossover BLX-α (Eshelman e Shaffer, 1993) – c = p 1 + β ( p 2 − p 1 ) – Β U (- α ,1+ α )∈ ● Mutação Gaussiana ● Seleção (μ+λ) ● Torneio
  5. 5. Representação binária ● Biblioteca bitstring ● 32 bits ● Crossover em dois pontos ● Mutação flip bit ● Seleção (μ+λ) ● Torneio
  6. 6. Hill Cimbing with Random Restarts ● Essentials of Metaheuristics (Luke, 2009) ● Função tweak: mutação gaussiana Fonte: http://echorand.me/2010/03/14/hill-climbing-a-simple-optimization-method/
  7. 7. Resultados (Shifted Sphere) População (float) Cx=0.5, mut=0.5 Cx=0.7, mut=0.3 Melhor/média Melhor/média 100 2561.98/2561.98 3117.88/3118.15 200 2012.73/2012.73 2180.09/2180.09 População (bin) Cx=0.5, mut=0.5 Cx=0.7, mut=0.3 Melhor/média Melhor/média 100 277689/277689 275453/277537 200 280273/280273 284555/284555 Avaliações (Hill) Melhor 30300 308915.07 60600 180710.75
  8. 8. Discussão ● Representação ● Mutação e crossover binários não conseguem variedade o suficiente. ● Tweak não explora o espaço de busca. ● Hill Climbing: menos memória, mais lento para convergir. ● Preso em mínimos locais.
  9. 9. Labirinto ● d, e, c e b ● Mutação swap ● Crossover de dois pontos ● Máximo de 100 passos ● Multi objetivo: passos e distância ● Paredes ● Torneio
  10. 10. Resultados População Cx=0.5, mut=0.5 Cx=0.7, mut=0.3 Melhor/média (distância, passos) Melhor/média (distância, passos) 100 (0, 55),(0, 55) (0, 73), (0, 73) 200 (0, 48), (0, 48) (0, 52), (0, 52)
  11. 11. Resultados
  12. 12. Discussão ● + população && + mutação = + diversidade ● Mínimos locais ● Animação!

×