Computación Evolutiva. Inteligencia Computacional Dra. Maricela Bravo

Transcripción

1 Computación Evolutiva Inteligencia Computacional Dra. Maricela Bravo

2 Introducción - Evolución La evolución es un proceso de optimización con el objetivo de mejorar la habilidad de un organismo o sistema para que sobreviva en ambientes competitivos y cambiantes

3 Teoría de la evolución de Jean Baptiste Lamarck La teoría de la evolución de Lamarck se basa en la herencia. Los individuos se adaptan a lo largo de su vida y transmiten sus rasgos a su desendencia. Los desendientes continuan adpatandose.

4 Teoría de la evolución de Jean Baptiste Lamarck El método de adaptación descansa en el concepto de uso y desuso. A lo largo del tiempo los individuos: Pierden las características que no requieren. Desarrollan aquellas que son útiles al ejercitarlas.

5 Teoría de la evolución de Charles Darwing Darwing propuso la selección natural que se convirtió en el fundamento de la evolución biológica.

6 Teoría de la evolución de Charles Darwing En un mundo con recursos limitados y poblaciones estables, cada individuo compite con los demás para sobrevivir. Aquellos individuos con las mejores características (rasgos) tienen más probabilidad de sobrevivir y de reproducirse, y las caracterísitcas se pasarán a su desendencia.

7 Teoría de la evolución de Charles Darwing Estas caracterísitcas deseables serán heredadas por las siguientes generaciones y se volverán dominantes entre la población. Durante la producción de un niño de cualquier organismo, eventos aleatorios causarán cambios aleatorios a las carcaterísticas del niño.

8 Computación Evolutiva Se refiere a sistemas computacionales para la solución de problemas que usan modelos computacionales de procesos evolutivos, tales como: Selección natural Sobrevivencia y reproducción del más apto

9 Algoritmos genéticos Inicialización Repetición Evaluación Mutación Selección Cruce

10 Inicialización Crear una población inicial. Usualmente esta población es generada aleatoriamente y puede ser de aulcquier tamaño, desde pocos hasta miles de individuos.

11 Incicialización public class Population { Individual[] individuals; public Population(int populationsize, boolean initialise) { individuals = new Individual[populationSize]; // Inicializa población if (initialise) { // Ciclo para crear individuos for (int i = 0; i < size(); i++) { Individual newindividual = new Individual(); newindividual.generateindividual(); saveindividual(i, newindividual);

12 Método para obtener el individuo más apto public Individual getfittest() { Individual fittest = individuals[0]; // Ciclo para encontrar el más apto for (int i = 0; i < size(); i++) { if (fittest.getfitness() <= getindividual(i).getfitness()) { fittest = getindividual(i); return fittest;

13 Evaluación Cada miembro de la población es evaluada y se calcula el grado de aptitud (fitness) para cada individuo. El valor de aptitud se calcula considerando que tan bien satisface los requerimientos deseados.

14 Representación del individuo public class Individual { static int defaultgenelength = 64; private byte[] genes = new byte[defaultgenelength]; private int fitness = 0; // Creación aleatoria de individuo public void generateindividual() { for (int i = 0; i < size(); i++) { byte gene = (byte) Math.round(Math.random()); genes[i] = gene;

15 Evaluación Estos requerimientos podrían ser simples: Un algoritmo más rápido es mejor. O complejos: Los materiales más fuertes son mejores, pero no deberían ser demasiado pesados.

16 Selección El objetivo es estar mejorando constantemente las poblaciones arriba del nivel del fitness. La selección ayuda a lograrlo descartando los malos diseños y solamente manteniendo los mejores individuos de la población. Existen algunos métodos de selección, cuyo objetivo es seleccionar individuos que sean más aptos para la siguiente generación.

17 public class Algorithm { /* GA Parametros*/ private static final double uniformrate = 0.5; private static final double mutationrate = 0.015; private static final int tournamentsize = 5; private static final boolean elitism = true; // Evoluciona una población public static Population evolvepopulation(population pop) { Population newpopulation = new Population(pop.size(), false); // Mantener el mejor individuo if (elitism) { newpopulation.saveindividual(0, pop.getfittest());

18 Cruce Durante el cruce se crean nuevos individuos mediante la combinación de aspectos de los individuos seleccionados. La esperanza es que al combinar ciertos rasgos de dos o más individuos se crea desendencia más apta, los cuales heredan los mejores rasgos de sus padres.

19 Cruza // Cruce de la población int elitismoffset; if (elitism) { elitismoffset = 1; else { elitismoffset = 0; // Itera sobre la población y crea nuevos individuos mediante cruza for (int i = elitismoffset; i < pop.size(); i++) { Individual indiv1 = tournamentselection(pop); Individual indiv2 = tournamentselection(pop); Individual newindiv = crossover(indiv1, indiv2); newpopulation.saveindividual(i, newindiv); // Mutación de la población for (int i = elitismoffset; i < newpopulation.size(); i++) { mutate(newpopulation.getindividual(i)); return newpopulation;

20 Cruza // Cruza de individuos private static Individual crossover(individual indiv1, Individual indiv2) { Individual newsol = new Individual(); // Ciclo para los genes for (int i = 0; i < indiv1.size(); i++) { // Cruza if (Math.random() <= uniformrate) { newsol.setgene(i, indiv1.getgene(i)); else { newsol.setgene(i, indiv2.getgene(i)); return newsol;

21 Mutación Es necesario que se agregue aleatoriedad en la genética de las poblaciones, de otra forma cada combinación de soluciones que se cree estaría en la población inicial. La mutación típicamente funciona haciendo cambios muy pequeños de forma aleatoria en el genoma del individuo. Repetición! Se cuenta con una nueva generación, se repite desde la etapa dos hasta que se alcanza la condición de terminación.

22 Algoritmos genéticos Inicialización Repetición Evaluación Mutación Selección Cruce

23 Contesta las siguientes preguntas A qué se refiere el parámtero uniformrate y para que se usa? A qué se refiere el parámtero mutationrate y para que se usa? A qué se refiere el parámtero tournamentsize y para que se usa? A qué se refiere el parámtero elitism y para que se usa?

24 Segundo ejemplo La población inicia con un nivel de aptitud aleatorio. Después de algunas generaciones el algoritmo debería producir una población con aptitud más fuerte. El valor máximo de aptitud es 10. La estrategia de reemplazo: elitismo 10%, el 10% mejor de la generación anterior sobrevive. Estado estable (solo se reemplaza el padre si el hijo es mejor o al menos igual de bueno). Estrategia de selección: método del torneo. Encuentra 4 individuos aleatoriamente en la población que no sean el mismo. Se enfrentan por pares y los ganadores hacen dos nuevos niños.

25 Análisis Realizar un análisis comparativo entre el ejercicio 1 y el ejercicio 2 identificando lo siguiente: Método de evaluación de cada uno Método de selección Métodos de cruce Mutación Cuál método de cada etapa es mejor y por qué? El tipo de problema es similar? Porponer un nuevo algoritmo con la mezcla de las mejores características de ambos. Entregar hoy por equipo en un pdf antes de las 12:00 am. Del 17 de junio.