Evolutionary Programming Naraiel Ferrari Overview geral • USA na década de 60 • Lawrence J. Fogel – “Intelligent behavior is a composite ability to predict one’s environment coupled with a translation of each prediction into a suitable response in light of some objective” (Fogel et al., 1966, p. 11) • Ideia: Capacidade de Adaptação Inteligência Prever Ambiente Overview geral • Aplicações: – Inicialmente: Predição com máquinas de estado – Estendido: Problemas de otimização (1990) • Destaques: – Semelhante ao ES – Auto adaptação dos parâmetros – Não há recombinação (crossover) Máquina De Estado Finito (FSM) • M = {Q,T,P,S,O} – Q: Estados – T: Entrada – P: Saída – S: Próximo Estado – O: Próxima Saída • Depende apenas do estado inicial e da sua entrada. Predição com FSM • Próxima Entrada? • Dados: – Estado Inicial: C – Estados: C B C A A B – Entrada: 0 1 1 1 0 1 = 29 • Saída: 110111 • Ideal: 010001 = 30 Técnica Evolutiva • Uma sequência de símbolos é apresentada a uma população de máquinas. • Compara-se a saída com o próxima símbolo de entrada • Avalia-se o resultado • Máquinas filhas são geradas (mutação): – – – – – Mude um símbolo de saída Mude uma transição de estado Adicione um estado Delete um estado Mude o estado inicial FSM for Prime Numbers • Sequencia de entrada: 1,2,3,4,5,7,8,9... • Símbolos apresentado: 0,1,1,0,1,1,0,0.. • Uma sequência não estacionária foi gerada. – função custo: • 1 para cada predição correta • 0 para cada predição incorreta • -0.01 vezes a quantidade de estados • Resultado: Após 202 símbolos de entrada, a melhor máquina apresentava apenas 1 estado e sempre previa um não primo. Otimização de Função Contínuas: meta-PE • Representação – x1,…,xn, 1,…,n • Mutação – i’ = i (1 + N(0,1)) – x’i = xi + i’Ni(0,1) • Recombinação – Não há crossover • Seleção – Determinística – (µ+ µ) • inicialize m indivíduos do tipo: v = (x,s) e armazene em P. Avalie todos os indivíduos • t 1 • enquanto NOT condição_de_parada faça, – mute os indivíduos de P e armazene em P’ – avalie os indivíduos gerados em P’ (filhos) – selecione m indivíduos de P∪P’ por torneio estocástico • t¬t+1 • fim enquanto Função Ackley • Resultados – ES: 7.48 × 10−8 – PE: 1.39 × 10−2 • Mutação Gaussiana – PE: 4.83 × 10−3 • Mutação de Cauchy