Introdução a Computação Natural: Algoritmo Genético
aplicado a maximização de funções
Por Diego de Souza Silva
RA 090911
Introdução
Os algoritmos genéticos, assim como outros bioinspirados, são
heurísticas utilizadas na busca de resolução em p...
Roteiro
● Referencial Teórico,
● Materiais e Métodos,
● Resultados e Discussão,
● Bibliografia.
Referenciais Teóricos: Computação natural
Consiste em uma abordagem relativamente nova na resolução
de problemas computaci...
Algoritmo Genético
Algoritmos genéticos é uma classe dentre os algoritmos evolutivos
(beseados na evolução biológica) que ...
O experimento
O experimento proposto neste trabalho
consiste em desenvolver um algoritmo
genético clássico, utilizá-lo na ...
Configuração dos experimentos
Experime
nto
Indivíduos
por
população
Probabilid
ade de
Crossover
Probabilid
ade de
Mutação
...
Experimento 1
0 20 40 60 80 100 120
0.0000
0.5000
1.0000
1.5000
2.0000
2.5000
3.0000
Fitness Por Geração
Fitness Médio e M...
Experimento 2
0 20 40 60 80 100 120
0.0000
0.5000
1.0000
1.5000
2.0000
2.5000
3.0000
Fitness Por Geração
Fitness Médio e M...
Experimento 3
0 20 40 60 80 100 120
0.0000
0.5000
1.0000
1.5000
2.0000
2.5000
3.0000
Fitness Por Geração
Fitness Médio e M...
Experimento 4
0 20 40 60 80 100 120
0.0000
0.5000
1.0000
1.5000
2.0000
2.5000
3.0000
Fitness Por Geração
Fitness Médio e M...
Experimento 5
0 20 40 60 80 100 120
0.0000
0.5000
1.0000
1.5000
2.0000
2.5000
3.0000
Fitness Por Geração
Fitness Médio e M...
Experimento 6
0 1 2 3 4 5 6
0
0.5
1
1.5
2
2.5
3
Fitness Por Geração
Fitness Médio e Melhor Fitness para cada Geração
Fitne...
Experimento 7
0 100 200 300 400 500 600
0.0000
0.5000
1.0000
1.5000
2.0000
2.5000
3.0000
Fitness Por Geração
Fitness Médio...
Conclusão
Embora possa ignorar a melhor solução, o
algoritmo oferece boas respostas para o
problema de maximização desde q...
Próximos SlideShares
Carregando em…5
×

Algoritmo Genético para busca de máximo de função

1.229 visualizações

Publicada em

Apresentação de trabalho sobre algoritmos genéticos apresentado a disciplina Introdução a Computação Natural, no curso Tecnologia em Análise e Desenvolvimento de Sistemas da Faculdade de Tecnologia, UNICAMP Limeira.
Neste trabalho, um modelo de algoritmo genético foi aplicado no problema de busca de máximo de função;

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

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
1.229
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
11
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Algoritmo Genético para busca de máximo de função

  1. 1. Introdução a Computação Natural: Algoritmo Genético aplicado a maximização de funções Por Diego de Souza Silva RA 090911
  2. 2. Introdução Os algoritmos genéticos, assim como outros bioinspirados, são heurísticas utilizadas na busca de resolução em problemas complexos que ou não tem solução exata ou demanda mais tempo do que se é desejável para ser descoberta. Este trabalho consiste em utilizar um algoritmo genético clássico na maximização de uma função e analisar a qualidade das soluções encontradas por meio de gráficos gerados.
  3. 3. Roteiro ● Referencial Teórico, ● Materiais e Métodos, ● Resultados e Discussão, ● Bibliografia.
  4. 4. Referenciais Teóricos: Computação natural Consiste em uma abordagem relativamente nova na resolução de problemas computacionais caracterizada por se basear em eventos da natureza. Podemos definir a computação natural como uma linha de pesquisa que permite o desenvolvimento de novas ferramentas de computação na resolução de problemas e se baseia em mecenismos naturais para o desenvolvimento de novos algoritmos.
  5. 5. Algoritmo Genético Algoritmos genéticos é uma classe dentre os algoritmos evolutivos (beseados na evolução biológica) que usam técnicas inspiradas pelos conceitos da teoria Darwinista da evolução como hereditariedade, mutação, seleção natural e recombinação (ou crossing over). São implementados como uma simulação de computador em que uma geração de indivíduos que representam soluções são escolhidos os mais aptos a se gerarem descendentes-soluções. A evolução geralmente se inicia a partir de um conjunto de soluções criado aleatoriamente e é realizada por meio de gerações. A cada nova geração, a adaptação de cada solução na população é avaliada, alguns indivíduos são selecionados para a próxima geração, e recombinados ou mutados para formar uma nova população. A população gerada então é utilizada como entrada para a próxima iteração do algoritmo.
  6. 6. O experimento O experimento proposto neste trabalho consiste em desenvolver um algoritmo genético clássico, utilizá-lo na maximização da função f1: f1 = x * sin(4*pi*x) – y*sin(4*pi*y+pi)+1 com parâmetros diversos e gerando para cada versão dos parâmetros um gráfico com o fitness médio e melhor de cada geração.
  7. 7. Configuração dos experimentos Experime nto Indivíduos por população Probabilid ade de Crossover Probabilid ade de Mutação Gerações 1 20 90% 20% 100 2 5 90% 20% 100 3 50 90% 20% 100 4 20 90% 0% 100 5 20 90% 100% 100 6 20 90% 20% 5 7 20 90% 20% 500
  8. 8. Experimento 1 0 20 40 60 80 100 120 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  9. 9. Experimento 2 0 20 40 60 80 100 120 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  10. 10. Experimento 3 0 20 40 60 80 100 120 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  11. 11. Experimento 4 0 20 40 60 80 100 120 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  12. 12. Experimento 5 0 20 40 60 80 100 120 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  13. 13. Experimento 6 0 1 2 3 4 5 6 0 0.5 1 1.5 2 2.5 3 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  14. 14. Experimento 7 0 100 200 300 400 500 600 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000 Fitness Por Geração Fitness Médio e Melhor Fitness para cada Geração Fitness Médio Melhor Fitness Geração Fitness
  15. 15. Conclusão Embora possa ignorar a melhor solução, o algoritmo oferece boas respostas para o problema de maximização desde que se use populações suficientemente numerosas e se equilibre a probabilidade de reprodução por crossover e por mutação.

×