SSII T4 AlgoritmosGeneticos

Universidad de Oviedo
Centro de Inteligencia Artificial
SISTEMAS INTELIGENTES
T4: Algoritmos Genticos
{jdiez, juanjo} @ aic.uniovi.es
Sistemas Inteligentes T4: Algoritmos Genticos
La idea es
! Qu pretende la IA?
Producir agentes inteligentes
! Cul es el mejor ejemplo de agente inteligente?

El Hombre
! Cmo ha logrado ser inteligente?

Gracias a la EVOLUCIN!!!
! La evolucin se ha mostrado como una solucin exitosa dentro de los sistemas biolgicos ! La inteligencia humana es el mejor ejemplo del poder de la evolucin ! Idea: seguir la teoras neo-darwinistas para hacer evolucionar los agentes inteligentes de un problema
Cmo funcionan?
! Simulan vagamente la evolucin biolgica ! Parten de una poblacin de agentes (hiptesis) diseados para realizar una determinada tarea ! La poblacin evoluciona cmo?
! ! !
Sobreviven los mejores agentes: SELECCIN ! Combinamos dos agentes: REPRODUCCIN ! Alteramos agentes: MUTACIN !
! Tras cada generacin, la poblacin resuelve mejor la tarea para la que se dise ! Al final nos quedaremos con el mejor agente
El Ciclo Evolutivo Seleccin Padres Cruce
Poblacin
Mutacin
Descendencia
Desmitificando un poco
! No producen hombres, ni nada parecido (de momento) ! Son sistemas de bsqueda ! Es una bsqueda informada, similar a la bsqueda por haz local (con cruce) ! Cundo dejamos de evolucionar? ! A pesar de todo, tienen ventajas:
! !
Trabajan en espacios de bsqueda complejos Fcilmente paralelizables
! xito indudable en ciertas tareas

Tcnicas evolutivas
! Programacin evolutiva [Fogel, 60]

! ! !
Evolucin al nivel de las especies Usa la mutacin y la seleccin es probabilstica No usan el cruce Evolucin al nivel de los individuos Usan operadores de recombinacin La seleccin es determinista Programacin Gentica
! Estrategias Evolutivas [Alemania, 64]

! ! !
! Algoritmos Genticos [Holland, 60]

!
Algoritmos Genticos
! John Holland, 60s, y 70s, Univ. Michigan ! Idea original estudio terico de la adaptacin y los planes reproductivos (nombre original) ! Se evoluciona el genotipo y no el fenotipo ! Representacin gentica independiente del dominio: cadenas binarias ! Seleccin probabilstica ! Operacin principal: cruce ! La mutacin desempea un papel secundario
Qu necesitamos para definir un GA?

! Representacin de las soluciones (genotipos) ! Funcin de evaluacin ! Estrategia de seleccin ! Operadores genticos (cruce, mutacin, ) ! Parmetros:
! ! ! !
Tamao de la poblacin Porcentaje de elitismo/cruce Probabilidad de mutacin Criterio de parada (calidad de la solucin, n mximo de generaciones, )
Algoritmo genrico (gentico)

GA ( F, F_T, p, r, m)
F: funcin de evaluacin, valora cada genotipo F_T: nivel de aceptacin p: nmero de individuos (hiptesis) en la poblacin r: porcentaje de la poblacin reemplazada por cruce m: probabilidad de mutacin
P = generar p hiptesis (aleatoriamente) (Poblacin inicial) Para cada h ! P, evaluar F(h) Mientras ( maxh!P F(h) < F_T ) hacer Crear una nueva poblacin Ps 1) Ps = Seleccin probabilstica de (1-r)*p miembros de P Cada hiptesis tiene Pr(h)=F(h)/"F(h) de ser elegida 2) Cruce: seleccionar r*p/2 parejas de individuos de P Cada pareja genera 2 descendientes # Ps 3) Mutacin: seleccin uniforme de m*p miembros de Ps Se actualiza P: P = Ps Para cada h ! p, evaluar F(h) Fin Mientras Retornar el mejor individuo: h, tal que F(h)=maxh!P F(h) Fin GA
Representacin de los genotipos

! Hay que definir cmo se representan las caractersticas genticas de los individuos (soluciones, hiptesis) de la poblacin ! Aspecto muy importante en la definicin de GA ! La representacin afecta a la definicin de los operadores genticos (seleccin, cruce, mutacin) ! Muchos tipos de representacin: ! Cadenas de bits (la ms tpica) ! Cdigo Gray (mantiene la adyacencia) ! Punto Flotante (Binaria, Real) ! Entera ! LISP, Expresiones, (Programacin Gentica)
Representacin: Cadenas de bits (I)

! Se utilizan cadenas de bits para representar los distintos genotipos existentes ! Es un tipo de representacin que se adapta a casi cualquier problema
Ej. Problema n-reinas: Podemos usar una matriz de bits
0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0
Demasiadas reinas
Representacin: Cadenas de bits (II)

! Ej. Optimizar la funcin x*sen(10*pi*x)+2 en [-1,2]
Para 6 decimales de precisin habr 3.000.000 valores (long. intervalo 3) 2097152 = 221 < 3000000 < 222 = 4194304 (1000101110110101000111) representa al nmero 0.637197 (fenotipo) En esta caso: cada genotipo representa un fenotipo (OK!)
Representacin: Cadenas de bits (III)

! Ej. Problema Nadar , atributos:
Pronstico: Soleado, Nublado, Lluvia Temperatura: Baja, Moderada, Alta Humedad: Normal, Alta Viento: Flojo, Fuerte Nadar: Si, No (Clase) Cada individuo representa una regla:
Pronstico Temperatura Humedad Viento Nadar
SI Pronstico = Lluvia Y ENTONCES Nadar = No
Viento = Fuerte
Interpretacin biolgica
! Cromosoma: cadena de ADN que contiene la informacin gentica de un individuo ! Gen: seccin de ADN que codifica una cierta funcin bioqumica (p.e. producir una protena) ! Alelo: cada valor posible para una cierta posicin gentica
Pronstico Temperatura Humedad Viento Nadar
0
Gen#1
Gen#2
Gen#3 Gen#4 Gen#5
Cromosoma
Representacin: otros aspectos

! Cromosomas de longitud variable
Nadar: cada individuo es un conjunto de reglas 100 000 10 00 10 ENTONCES Nadar = Si SI (Pronstico = Soleado ) Y (Humedad = Alta) ENTONCES Nadar = No 100 000 01 00 01 SI (Pronstico = Soleado ) Y (Humedad = Normal)
! Individuos correctos
La representacin de los individuos y los operadores genticos deben disearse para producir siempre individuos correctos 100 000 10 00 10 100 000 Faltan genes!!!
Cadenas de bits: Ventajas

! Representacin universal ! Es la que usan los ordenadores ! Justificacin terica (y biolgica):
! !
Representacin con muchos genes y con pocos alelos posibles Es lo habitual en los cromosomas naturales
! Se favorece la diversidad y la formacin de buenos bloques constructores

!
Bloque constructor: grupo pequeo de genes que ha coevolucionado y que si se introdujera en un cromosoma incrementara probablemente su aptitud
Cadenas de bits: Problemas

! Escalabilidad, cromosomas demasiado grandes ! Precisin limitada ! Diferencias entre el espacio genotpico y el fenotpico
5 (entero) = 101 6 (entero) = 110 Distancia 1 en el espacio fenotpico, y 2 en el genotpico Posible solucin: usar cdigo Gray
! Pero:
! !
Todas las representaciones tienen inconvenientes Es la representacin ms usada

Otras representaciones: enteros

! n-reinas: un entero por cada columna indicando en qu fila est la reina
Individuo: 1 6 2 5 7 4 8 3
! TSP: se representa cada ciudad con un nmero {1,,n} y cada individuo ser una permutacin de esos nmeros indicando el orden de recorrido
Individuo: 1 8 4 5 2 7 6 10 3 9
Cmo disear buenas representaciones?

! La representacin no debe tener sesgos, todos los individuos se deben encontrar representados de manera equitativa en el conjunto de genotipos posibles. Es decir, los genotipos deben representar bien los fenotipos ! La representacin no debera permitir soluciones no factibles ! La funcin de evaluacin debe aplicarse fcilmente (de forma rpida) sobre los genotipos de los individuos ! La representacin debe poseer localidad (cambios pequeos en el genotipo resultan en cambios pequeos en el fenotipo) ! La representacin debe ajustarse a un conjunto de operadores genticos de tal forma que se transmitan los bloques constructores de padres a hijos ! Una buena representacin debe minimizar la epstasis (la medida en que la contribucin de aptitud de un gen depende de los valores de los otros genes)
Funcin de evaluacin (o de fitness)

! Mide la aptitud de cada individuo. Nos permiten evaluar la calidad de los genotipos ! Hay muchas posibles:
! ! ! !
Precisin de la hiptesis Coste de la solucin (TSP) Nivel de complejidad: se prefiere la ms simple (Occam) Hbridas
! Es dependiente del problema ! Debe ser rpida, se ejecuta muchsimas veces ! Es clave en el algoritmo, en base a ella se decide la seleccin de individuos, y de ella depende en gran medida la velocidad de ejecucin (y por tanto las soluciones que se pueden alcanzar)
Seleccin de individuos
! Permite que las poblaciones mejoren sucesivamente ! Normalmente siempre se suele incluir el mejor individuo en la siguiente generacin (elitismo) ! La seleccin no se debe basar en elegir slo a los mejores individuos (problema de crowding) ! Aunque los mejores deben tener siempre ms probabilidad de ser elegidos (convergencia) ! Hay muchsimas tcnicas de seleccin
! ! ! !
Proporcional Por torneo Ranking
Seleccin Proporcional
! Este nombre describe un grupo de esquemas de seleccin originalmente propuestos por Holland ! Eligen individuos de acuerdo a su contribucin de aptitud con respecto al total de la poblacin
P (hi ) = f [hi ]
p j =1
f hj
[ ]
! Pueden provocar poca diversidad, propiciando que predominen los mejores individuos (crowding) ! Variantes:
Ruleta ! Sobrante Estocstico ! Universal Estocstica !
!
Seleccin por torneo y ranking

! Torneo:
! ! !
Se seleccionan uniformemente un grupo de individuos k Con probabilidad p se selecciona el mejor individuo El parmetro p permite controlar el crowding
! Ranking
! ! !
Similar al proporcional Se ordenan los individuos de acuerdo a su aptitud La probabilidad de seleccin es proporcional a la posicin en el ranking
Operador de cruce
! Combina individuos (tpicamente 2) para generar descendientes (usualmente 2) ! Mscara de cruce: mscara de bits que indica los miembros del primer y del segundo padres que se transmiten a la descendencia ! Single-Point
Padres: Mscara: Descendientes: 11101001000 00001010101 11111000000 11101010101 00001001000
! Two-Point
Padres: Mscara: Descendientes: 11101001000 00001010101 00111110000 11001011000 00101000101
! Uniform (bit aleatoriamente elegidos)

Padres: Mscara: Descendientes:
11101001000 00001010101 10011010011 10001000100 01101011001

Operador de mutacin
! Idea: introducir cambios aleatorios en las estructuras (genes) ! Provoca: una bsqueda estocstica por el espacio de hiptesis ! Single-Point
Individuo: Individuo mutado: 11101001000 11101011000 (bit aleatorio)
! Multi-Point
Se invierten mltiples bits (elegidos aleatoriamente)
Ejemplo: las n reinas (I)

! Representacin: entera, cada dgito indica la fila dentro de la columna i-sima donde est situada la reina i ! Fitness: pares de reinas no atacadas ! Seleccin: proporcional ! Cruce y mutacin: single-point
Ejemplo: 32752411
Ejemplo: las n reinas (II)
Esquemas
! Objetivo: identificar bloques constructores ! Describen familias de individuos ! Definicin: cadena contiene tres smbolos, 0, 1, *. El * representa que en esa posicin da igual un 1 un 0 ! Ejemplo: ***010*** ! Caracterizan las poblaciones de acuerdo al nmero de individuos que representan cada esquema
!
m(s,t)= n de individuos con el esquema s en la poblacin del instante t
Programacin Gentica
! Uso de estructuras de rboles para representar programas de computadora ! Se predetermina la mxima profundidad de los rboles, pero no su topologa precisa ! El tamao, forma y contenido de los rboles puede cambiar dinmicamente durante el proceso evolutivo
Funciones ms utilizadas
! Operaciones aritmticas: +,-,*, ! Funciones matemticas: seno, exp, ! Operaciones Booleanas: AND, OR,.. ! Operadores condicionales: IF ! Iteraciones: DO-UNTIL ! Recursin ! Cualquier funcin especfica
Cruce
Aplicaciones
! Problemas de optimizacin combinatoria ! Problemas de ajuste de parmetros ! Problemas de satisfaccin de restricciones, planificacin y asignacin de recursos espaciales y temporales ! Optimizacin (estructural, de topologas, numrica, combinatoria, etc.) ! Reconocimiento de patrones ! Generacin de gramticas (regulares, libres de contexto)

SSII T4 AlgoritmosGeneticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SSII T4 AlgoritmosGeneticos

Cargado por

Copyright:

Formatos disponibles

Universidad de Oviedo

Centro de Inteligencia Artificial

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

! Cul es el mejor ejemplo de agente inteligente?

! Cmo ha logrado ser inteligente?

Centro de Inteligencia Artificial

Centro de Inteligencia Artificial

El Ciclo Evolutivo Seleccin Padres Cruce

Centro de Inteligencia Artificial

Trabajan en espacios de bsqueda complejos Fcilmente paralelizables

! xito indudable en ciertas tareas

Centro de Inteligencia Artificial

! Programacin evolutiva [Fogel, 60]

! Estrategias Evolutivas [Alemania, 64]

! Algoritmos Genticos [Holland, 60]

Centro de Inteligencia Artificial

Centro de Inteligencia Artificial

Qu necesitamos para definir un GA?

Centro de Inteligencia Artificial

Algoritmo genrico (gentico)

Centro de Inteligencia Artificial

Representacin de los genotipos

Centro de Inteligencia Artificial

Representacin: Cadenas de bits (I)

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

Representacin: Cadenas de bits (II)

Centro de Inteligencia Artificial

Representacin: Cadenas de bits (III)

SI Pronstico = Lluvia Y ENTONCES Nadar = No

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

Gen#3 Gen#4 Gen#5

Centro de Inteligencia Artificial

Representacin: otros aspectos

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

Cadenas de bits: Ventajas

! Se favorece la diversidad y la formacin de buenos bloques constructores

Centro de Inteligencia Artificial

Cadenas de bits: Problemas

Todas las representaciones tienen inconvenientes Es la representacin ms usada

Centro de Inteligencia Artificial

Otras representaciones: enteros

Centro de Inteligencia Artificial

Cmo disear buenas representaciones?

Centro de Inteligencia Artificial

Funcin de evaluacin (o de fitness)

Centro de Inteligencia Artificial

Proporcional Por torneo Ranking

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

Centro de Inteligencia Artificial

Seleccin por torneo y ranking

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

! Uniform (bit aleatoriamente elegidos)

11101001000 00001010101 10011010011 10001000100 01101011001

Centro de Inteligencia Artificial

Sistemas Inteligentes T4: Algoritmos Genticos

Centro de Inteligencia Artificial

Ejemplo: las n reinas (I)