Algoritmo Genético
Allan Denis
<allancomll@gmail.com>
Falarei sobre:
História
Conceitos básicos
Aplicações
Artigo: Algoritmo
Genético no
transporte
público
Exemplo prático:
esc...
História
Algoritmos Genéticos são “baseados nos mecanismos de seleção e
genética naturais”. (Goldberg, 1989)
Premissas
Há uma
representação
binária das
soluções para o
problema
(cromossomo)
Os cromossomos
são comparáveis
e mescláveis em
quaisquer pontos
Função de aptidão (fitness)
𝑓: 𝐵 𝑛
→ ℝ
População Inicial
Seleção e elitismo
Operadores genéticos
Fluxo de execução
Avaliação
Seleção
Cruzamento
Mutação
População
inicial
Solução
aceitável
Critérios de parada
Solução
atende
requisitos
Número de
gerações
Tempo ou
custo de
execução
Estagnação de
resultados
Combi...
Aplicações
Evolved Antenna
(NASA)
http://nmp.jpl.nasa.gov/st5/
Vírus (reais) produzem componentes eletrônicos
por evolução assistida.
... e muito, MUITO mais!
Artigo: AG no transporte público
Artigo
• Problema
• Solução proposta
• Uso do AG
• Críticas
Exemplo prático: horário do curso
Lições aprendidas
Prós
• Solução eficaz (em relação à
combinatória)
• Simplicidade
• A máquina trabalha para você
• Evoluç...
Perguntas
Referências
How Evolution Works (disponível emyoutu.be/hOfRN0KihOU)
BELCHER, Angela. Using nature to grow batteries. Vídeo...
Algoritmo Genético
Próximos SlideShares
Carregando em…5
×

Algoritmo Genético

325 visualizações

Publicada em

Apresentação de Algoritmo Genético em TOSI 1

Publicada em: Tecnologia
  • Seja o primeiro a comentar

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

×