1 Algoritmos genéticos Introducción Esquema básico CodificaciónEvaluación Selección Operadores Ejemplo

2 Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados por Goldberg, mediados 80, solución de problemas del mundo real Inspirados en el modelo de evolución biológica sexual Aplicables a problemas de búsqueda y optimización complejos

3 Aproximación a la evolución biológicaMétodo de búsqueda y optimización inspirados en la evolución biológica Posibles soluciones: población Selección de los individuos más aptos Generación de nuevos candidatos: reproducción sexual Recombinación (cruce) Mutación

4 Esquema básico función ALGORITMO-GENÉTICO(poblaciónInicial) returns una población entrada: poblaciónInicial, una población static: población(.), un array de población begin t  0 población(t)  poblaciónInicial EVALUAR(población(t)) while (not condiciónTerminación) do t  t +1 población1  SELECCIONAR(población(t-1)) población2  CRUZAR(población1) población3  MUTAR(población2) población(t)  REMPLAZAR(población3) end return(población(t))

5 Codificación Individuo: cromosoma Cromosoma: cadena de caracteresEn principio, cualquier representación es válida Codificación óptima: alfabeto binario (teorema de los esquemas) Codificación habitual: cadena de bits

6 Ejemplos de codificación maximización funciónf(x)=1-x2, parábola invertida con máximo en x=0 Único parámetro o atributo: variable x Codificamos el valor de la variable mediante un byte [0,255], ajustado al intervalo real [-1,1], donde queremos hallar el máximo de la función Valor binario Descodi-ficación real 148 0,161 145 0,137 41 -0,678 65 -0,490 2/255*x -1= y

7 8-reinas Atributo: posición de una dama en una columna (3 bits)Cromosoma: secuencia de atributos, 24 bits Col.1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8 1

8 Regla de los bloques de construcciónLa codificación es clave en la resolución del problema Heurística: parámetros relacionados ente sí (genes) deben de estar cercanos en el cromosoma Gran flexibilidad Cromosomas bi, tridimensionales Longitud variable

9 Evaluación En esta etapa hay que cuantificar la calidad de los individuos de la población Generalmente Decodificar el cromosoma Calidad de la solución Evaluación mediante función fitness o aptitud

10 Ejemplos de funciones de aptitudPara f(x)=1-x2, la función de aptitud es la misma Para 8-reinas: número total de pares de damas no amenazadas En cualquier solución: =28 Valor binario Descodi-ficación real Aptitud 148 0,161 0.974 145 0,137 .981 41 -0,678 .540 65 -0,490 .760

11 Selección Selección de los elementos que se reproducenA partir de la función de aptitud Varios métodos Rueda de ruleta Basado en el rango Selección de torneo Cambio de generación Manteniendo el tamaño de la población Aumentando el tamaño de la población

12 Rueda de ruleta Se asigna a cada individuo la probabilidad:Si algún individuo domina la población, se escala o normaliza Se elijen parejas aleatorias de individuos de acuerdo a su probabilidad Inconveniente: los individuos con más aptitud tiende a dominar la población en pocas generaciones 1 2 3 4

13 Rueda Valor binario Descodi-ficación real Aptitud ProbabilidadProbabilidad acumulada 148 0,161 0.974 0.299 145 0,137 0.981 0.301 0.600 41 -0,678 0.540 0.166 0.766 65 -0,490 0.760 0.233 1.000 1 2 3 4

14 Basado en el rango Se ordena la población por orden creciente de aptitud Se eliminan los M primeros (menor aptitud) Se eligen de forma aleatoria, con probabilidad dada por el rango, pares de individuos y sus descendientes se añaden a la población

15 Torneo Se seleccionan dos individuos aleatoriamenteSe elije el más apto con una probabilidad P y el menos apto con una probabilidad (1-P) Introduce más diversidad en la población

16 Cambio de generación Manteniendo el tamaño de la población intermediaReemplazar padres por hijos Reemplazar un par de individuos elegidos aleatoriamente por los hijos Otros Aumentando el tamaño de la población intermedia Crear población temporal con padres e hijos, seleccionando los mejores Dados n padres generar m (m>n) hijos y de ellos seleccionar los n mejores

17 Operador de cruce (crossover)Principal operador genético Simula el intercambio de material genético o genes Se aplica con probabilidad pc a individuos seleccionados Cruce ideal: recombina buenos bloques de construcción de sus progenitores Operadores Cruce de n-puntos Cruce multipunto Cruce especializado

18 Cruce de un punto Seleccionar aleatoriamente una posición en el cromosoma Intercambiar el final del cromosoma a partir de dicho punto padre 1 madre hijo 1 hijo 2

19 Cruce de dos puntos padre 1 madre hijo 1 hijo 2

20 Otros operadores de cruceMultipunto o uniforme Cada bit se hereda de un padre aleatoriamente Operadores especializados En aquellos problemas donde un cruce aleatorio puede generar individuos no válidos

21 Ejemplo cruce 1 punto 8 reinasLa selección aleatoria del punto de cruce no es interesante Genera individuos válidos La mezcla de bloques –genes- no parece asimilable a un operador del problema real Seleccionar aleatoriamente el gen a partir del que se hace el reemplazo Seleccionar aleatoriamente un entero 1 y 7 (número de genes) Equivale a intercambiar columnas contiguas entre tableros padres

22 Ejemplo cruce 1 punto 8 reinasCol.1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8 1 Col.1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8 1 Col.1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8 1 Col.1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8 1

23 Ejemplo cruce 1 punto 8 reinaspadres Aptitud:20 Aptitud:26 hijos Aptitud:25 Aptitud:27

24 Operador de Mutación En la evolución En los algoritmos genéticos:Las mutaciones son poco frecuentes En la mayor parte de los casos letales En promedio, contribuyen a la diversidad genética En los algoritmos genéticos: Se simula cambiando aleatoriamente el valor de un bit Se aplica con probabilidad baja (10-3 o menor) a cada bit de un nuevo individuo, habitualmente junto al cruce Dependiendo del tamaño de la población y del número de bits por individuo, la mutación puede ser extremadamente rara en una generación

25 Utilidad de la mutaciónGenera diversidad Puede ser de utilidad cuando un algoritmo genético está estancado Su abuso reduce al algoritmo genético a una búsqueda aleatoria Otros mecanismos de generación de diversidad Aumentar el tamaño de la población Garantizar la aleatoriedad de la población inicial

26 Otros operadores Cromosomas de longitud variable Operadores de nichoAñadir, eliminar Operadores de nicho Fuerzan a que cromosomas similares sólo reemplacen a cromosomas similares Intentan mantener la diversidad Distintas “especies” en la población Cada una de ellas puede converger a un máximo diferente

27 Ejemplo optimización: f(x)=x2 encontrar máximo entero en [1,32]Codificación binaria: cadena de 5 bits Tamaño población inicial: 4 individuos Población inicial: aleatoria Sortear cada bit de cada cadena con p=1/2 Función de aptitud f(x)=x2 Selección: ruleta Cambio de generación: manteniendo el tamaño de la población intermedia Reemplazar un par de individuos elegidos aleatoriamente por los hijos

28 Población inicial Población inicial x aptitud Probabilidad selecciónProbabilidad acumulada 1 01101 13 169 0.14 2 11000 24 576 0.49 0.63 3 01000 8 64 0.06 0.69 4 10011 19 361 0.31 1.00 Suma 1170 Media 293 mejor

29 Selección: ruleta Generar cuatro números aleatorios, distribución de probabilidad uniforme en intervalo (0,1) Un individuo i se selecciona si el número aleatorio obtenido está en el intervalo definido por la probabilidad acumulada del individuo i-1 y la del individuo i Suponer que se obtienen: 0.58, 0.84, 0.11 y 0.43 Individuos seleccionados: 2, 4, 1, 2

30 Población seleccionadaPoblación inicial x aptitud Probabilidad selección Probabilidad acumulada 2 11000 24 576 4 10011 19 361 1 01101 13 169 Suma 1682 Media 420.5 mejor

31 Cruce Emparejamiento: emparejarlos según se han seleccionado -2 con 4, 1 con 2- Probabilidad de cruce: 0.8 Generar número aleatorio, distribución uniforme, (0, 1) Suponer se obtienen 0.7, 0.3: se produce el cruce en ambos emparejamientos Generar puntos de cruce: numero aleatorio, distribución uniforme en [1, 2… ,L] con L longitud del cromosoma Suponer se obtienen 2,3

32 Creación descendientes2 1 4 h1 h2 1 2 h3 h4

33 Mutación Probabilidad mutación: 10-3Suponer no se produce ninguna mutación

34 Nueva población: reemplazar padres por hijosPoblación 1ª iteración x aptitud Probabilidad selección Probabilidad acumulada h1 11011 27 729 0.44 h2 10000 16 256 0.15 0.59 h3 01100 8 64 0.04 0.63 h4 11001 25 625 0.37 1.00 Suma 1674 Media 418,5 mejor

35 Ejercicio Considerar el problema de encontrar el máximo de la función f(x)=1-x2, en el intervalo [-1, 1] Utilizar la codificación y función de aptitud propuestas como ejemplo Método de selección: torneo Probabilidad de cruce: 0,8 Probabilidad de mutación:0,001 Cambio de generación: cambiar padres por hijos Obtener la población tras dos iteraciones