Algoritmos Genéticos
Análise de algoritmo de procura de ótimo global de um problema de evolução celular
Luan Carlos Araldi
Leonardo Prange
UNIVALI
Oque é Algoritmo Genético?
Metaheurística inpirada pelo conceito de seleção natural
Busca a melhor solução para o problema
Algoritmos de busca e otimização
Simples implementação com natureza complexa
Como é construído
- Geração de população aleatória
- Cálculo de método de fitness
- Realiza método de escolha para o acasalamento
- Realiza acasalamento dos escolhidos
- Checa se existe mutação
- Checa se o ponto de parada foi atingido
- Se ponto de parada foi atingido para execução, senão volta ao passo 2
Problema
Quantas gerações são necessárias para que a evolução das celulas atinja o alvo especificado?
Vermelho
Verde
Azul
0 - 255
Problema
30 Cromossomos (Bolinhas Coloridas)
3 Genes (RGB)
Método Fitness
Método de Parada
Ótimo Global encontrado
Distância entre a cor alvo e atual igual a 0 (mesma cor)
Método de Torneio
1
2
3
4
5
6
7
8
1
4
5
8
1
7
3
2
5
8
6
8
1
2
8
8
1
8
3
7
4
6
2
5
8
7
4
2
1
3
6
4
5
2
7
8
1
4
2
8
Taxa de Mutação
1% ~10%
Para localização rápida de um ótimo global !
0,1% ~1%
Para localização rápida de um ótimo local !
Exceto a cor branca... (255, 255, 255)
População de Busca
RGB (191, 77, 77)
População de Busca
460 Gerações
Conclusões
Taxa de mutação dinâmica referente a cor alvo
População dinâmica dependendo do atual comportamento do modelo
Implementação de outros métodos de escolha de cromossomos
Desenvolvimento de uma biblioteca de geração de algoritmos genéticos em Node.js
Referências
http://www.cameron.edu/~pdiaz-go/GAsPopMetric.pdf
https://en.wikipedia.org/wiki/Color_difference
http://www.theprojectspot.com/tutorial-post/creating-a-genetic-algorithm-for-beginners/3
http://web.mit.edu/deweck/www/PDF_archive/3%20Refereed%20Conference/3_29_AIAA_2004_1911.pdf
https://github.com/LuanAraldi/artificial-bacterias
