Resumo do artigo “Adaptive directed mutation for real-coded genetic algorithms” apresentado na aula de Algorítimos Genéticos na COPPE/UFRJ. http://www.paulocollares.com.br/resumo-de-artigo-mutacao-dirigida-adaptavel-para-algoritmos-geneticos-com-representacao-real/

1. Mutação Dirigida Adaptável para
Algoritmos Genéticos com Representação Real
Adaptive Directed
Mutation for real-coded
Genetic Algorithms

2. Conteúdo
• Introdução (Representação binária x real e mutação)
• Operador ADM (Adaptive Directed Mutation)
• Tendências de mutação
• Testes de benchmark
• Resultados

3. Representação Binária x Real
• Representação Binária
o Tradicional
o Fácil implementação
o Pouca precisão
• Representação Real
o Maior precisão
o Requer técnicas mais apuradas de operação

4. Mutação
• Evita a convergência prematura
• Diversidade da população
• Mutações clássicas:
o Mutação uniforme
o Mutação gaussiana
o Mutação não-uniforme
o Mutação aleatória
o Mutação polinomial
o etc

5. Operador ADM (Adaptive Directed Mutation)
• Evitar a possível concentração da população
em um ótimo local.
o Causado pelo crossover
• Evitar a busca não sistemática.
o Causada pela mutação aleatória

6. Operador ADM (Adaptive Directed Mutation)
• Probabilidade adaptável de mutação
o Para que os piores cromossomos tenham mais
chances de sofrerem a mutação
o Distância e direção são as principais características
da melhora de performance
o O novo ponto de busca é dirigido pela solução
baseada na aptidão de 3 gerações consecutivas
• Comparação com outros operadores da
literatura

7. Direção
Variação da função objetivo do indivíduo x durante 3 gerações
consecutivas (t-2, t-1 e t)
Variação do gene do indivíduo x durante 3 gerações consecutivas
(t-2, t-1 e t)

8. Mutação Adaptável
Esta mutação faz com que os melhores indivíduos da população
tenham menos chances de sofrerem uma mutação
Aptidão do indivíduo x da geração t
Aptidão média da população na geração t
Maior aptidão da população na geração t

9. Tendências de Mutação
• Em nove tendências evolucionárias, quatro
estratégias foram propostas:
• Mutação direcional em pequena escala
• Mutação aleatória em pequena escala
• Mutação aleatória em média escala
• Mutação aleatória em larga escala

10. Condição 1
1. A população esta divergindo (B)
2. A população esta convergindo (A)
3. A população está estacionada
1.
2.
3.

11. Condição 1
• Mutação direcional em pequena escala
• Mutação aleatória em pequena escala
• Mutação aleatória em média escala
sign(z)=1, se z>0
sign(z)=-1, se z<0
sign(z)=0, se z=0
𝑟𝑠: número aleatório entre -1 e 1

12. Condição 2
A população passou por um vale ou
por um ótimo (C e D)
1. Mutação se é melhor que a média
2. 3. Mutação se é pior que a média
1.
2.
3.

13. Condição 2
• Mutação direcional em pequena escala
• Mutação aleatória em pequena escala
• Mutação aleatória em média escala
sign(z)=1, se z>0
sign(z)=-1, se z<0
sign(z)=0, se z=0
𝑟𝑠: número aleatório entre -1 e 1

14. Condição 3
Não há variação do valor de
aptidão
1. Mutação direcional para auxiliar
na convergência(E)
2. Mutação aleatória para ajudar a
diversidade(F)
3. A população está estacionada
em uma planície (G)
1.
2.
3.

15. Condição 3
• Mutação direcional em pequena escala
• Mutação aleatória em pequena escala
• Mutação aleatória em grande escala
sign(z)=1, se z>0
sign(z)=-1, se z<0
sign(z)=0, se z=0
𝑟𝑠: número aleatório entre -1 e 1
𝑟: número aleatório entre 0 e 1
𝑋 𝑘
𝑈𝐵
e 𝑋 𝑘
𝐿𝐵
: limites da função

16. Testes
• Crossover
o BLX-α (α=0.25)
• Operadores de mutação
o Random mutation, Polynomial mutation, Non-uniform
mutation, Multi-non-uniform mutation
• População: 300
• Número máximo de gerações: 30.000
• Número de execuções: 30

17. Testes

18. Funções de benchmark
Foram usadas 41 funções de benchmark com os ótimos conhecidos

19. Resultados (Média do tempo e do número de gerações e eficiência)

20. Resultados (Média do tempo e do número de gerações e eficiência)
ADM x Random mutation X Polynomial mutation

21. Resultados (Média do tempo e do número de gerações e eficiência)
ADM x Non-uniform mutation x Multi-non-uniform mutation

22. Resultados (Média do tempo e do número de gerações e eficiência)
Resultado final

23. Conclusão
• Em comparação com os operadores
clássicos de mutação testados o ADM obteve
excelentes resultados
• Em comparação com outros operadores de
mutação dirigida, também obteve bons
resultados

24. Dúvidas?
Obrigado!