Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Intro heuristica

42 views

Published on

Intro heuristicas, meta heuristicas, algoritmo genético

Published in: Education
  • Be the first to comment

  • Be the first to like this

Intro heuristica

  1. 1. Mission Simulation Lab HICEE Ficha: Nome: 03 - Problemas NP-completos, heurísticas e algoritmos aproximados Local: UNIFEI Data: 2017-10-17 – 08h30  09h00 Duração: 30min Público Alvo: Alunos de Graduação 09:071
  2. 2. Mission Simulation Lab HICEE Heurísticas e Algoritmos Evolutivos (parte 1) Projeto e Análise de Algoritmos Christopher Shneider Cerqueira
  3. 3. Mission Simulation Lab HICEE Introdução Hoje: • Problemas sem solução exata • Conceitos de (meta) heurística • Parte 1 – Algoritmos Genéticos • Apresentação do trabalho da P3 Prox: • Parte 2 – Algoritmos Genéticos (escolher soluções) 09:073
  4. 4. Mission Simulation Lab HICEE Problemas sem solução exata
  5. 5. Mission Simulation Lab HICEE Avaliação dos problemas ▪Problemas podem ser resolvidos por algoritmos polinomiais  “fáceis” ▪Enquanto problemas que não podem ser resolvidos por algoritmos polinomiais  “difíceis” ▪Problemas considerados difíceis ou intratáveis são comuns: E lembrem… o papel do cientista/analista é dar soluções para esses problemas!!! 09:075
  6. 6. Mission Simulation Lab HICEE Avaliação dos problemas ▪Importante conhecer uma grande quantidade de problemas clássicos e seus algoritmos eficientes ▪Isso vai ajudar a ter os recursos mentais para resolver problemas gerais encontrados no desenvolvimento de “softwares” ▪Para muitos desses problemas conhecemos soluções polinomiais. ▪Embora para alguns a solução não é facilmente visualizável. ▪Identificando o problema, o cientista/analista chega a duas opções: ▪Ou existe um algoritmo exato: poli/exp ▪Ou não existe... heurísticas. 09:076
  7. 7. Mission Simulation Lab HICEE Diante de um problema difícil, o que podemos fazer? ▪Tratar com um algoritmo ótimo ▪algoritmos exatos ▪Tratar com algoritmos que chegam próximo ao ótimo ▪Estabelecendo um tamanho máximo de procura ▪Tratar com algoritmos que tentam aproximar do ótimo. ▪Não existe garantia do ótimo ▪São chamados de algoritmos heurísticos. 09:077
  8. 8. Mission Simulation Lab HICEE Exemplo: 09:079
  9. 9. Mission Simulation Lab HICEE Qual o melhor?!?! Todas são entradas para avaliação (n) 09:0710
  10. 10. Mission Simulation Lab HICEE Exemplo: 09:0711
  11. 11. Mission Simulation Lab HICEE Conceitos de (meta) heurística http://www.dictionary.com/browse/heuristics?s=t
  12. 12. Mission Simulation Lab HICEE Heurísticas ▪Heurísticas, ou meta-heurísticas podem ser usadas para resolver de maneira robusta e/ou eficientemente problemas específicos de difícil solução ou que apresentem complexidades no espaço de projeto. ▪Aqui definiremos, ▪Heurísticas: como procedimentos para geração de soluções melhores em problemas específicos e; ▪Meta-heurísticas: como estratégias genéricas para busca de soluções em diferentes tipos de problemas. http://leeds-faculty.colorado.edu/glover/468%20- %20A%20History%20of%20Metaheuristics%20w%20Sorensen%20% 26%20Sevaux.pdf 09:0713
  13. 13. Mission Simulation Lab HICEE Características típicas das meta heurísticas (Blum e Roli, 2003) BLUM, C. e ROLI, A. Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison. ACM Computing Surveys, Vol. 35, No. 3, September 2003, pp 268-308. 09:0714
  14. 14. Mission Simulation Lab HICEE MAAAAS eu posso criar minha própria (meta) heurística?!?!? 1. Divida o Espaço de Projeto (EP) em R regiões uniformemente espaçadas; 2. Gere um dado número N de soluções, aleatoriamente, em cada região; 3. Identifique a região Rmelhor que tem as melhores soluções; 4. Realize uma busca local a partir dos pontos gerados na sub-região; 5. Verifique o critério de parada. Se atingido, pare e retorne a melhor solução encontrada; se não vá para o passo 6; 6. Faça EP = Rmelhor e vá para o passo 1. 09:0715
  15. 15. Mission Simulation Lab HICEE Gogogogo 1. Divida o Espaço de Projeto (EP) em R regiões uniformemente espaçadas; 2. Gere um dado número N de soluções, aleatoriamente, em cada região; 3. Identifique a região Rmelhor que tem as melhores soluções; 4. Realize uma busca local a partir dos pontos gerados na sub-região; 5. Verifique o critério de parada. Se atingido, pare e retorne a melhor solução encontrada; se não vá para o passo 6; 6. Faça EP = Rmelhor e vá para o passo 1. 09:0716
  16. 16. Mission Simulation Lab HICEE Algumas meta-heurísticas: ▪Método de Nelder-Mead. ▪Método DIRECT (Dividing RECTangles) ▪Recozimento Simulado (Simulated Annealing - SA); ▪Colônia de Formigas (Ant Colony Optimization - ACO); ▪Enxame de Partículas (Particle Swarm Optimization - PSO); ▪Busca Tabu (Tabu Search); ▪Algoritmos Evolutivos (Evolutionary Algorithms). 09:0717
  17. 17. Mission Simulation Lab HICEE Parte 1 – Algoritmos Genéticos
  18. 18. Mission Simulation Lab HICEE Introdução à Algoritmos Evolutivos A viagem do Beagle: de 1831 a 1836 Darwin viajou como naturalista no navio da marinha Inglesa Beagle que tinha como missão explorar as regiões costeiras pouco conhecidas ao redor do mundo. “Sobre a origem das espécies por meio da Seleção Natural, ou a preservação das espécies favorecidas na luta pela vida” (1857). 09:0719
  19. 19. Mission Simulation Lab HICEE Darwin observou e conclui que: Populações têm potencial para crescimento rápido Os recursos naturais são escassos Luta pela sobrevivência Indivíduos apresentam variação em estrutura e comportamento Seleção Natural: na média o indivíduo mais adaptado deixa mais descendendes Algumas características são herdadas Evolução: As populações mudam ao longo do tempo por meio da seleção natural 09:0720
  20. 20. Mission Simulation Lab HICEE “ Experimentos com hibridização de plantas” (1865). • Primeiro a estudar de forma sistemática como as características de uma geração são passadas para a próxima. • As características dos seres vivos são herdadas da geração anterior por meio de regras de hibridização. • Em um estudo com ervilhas, associou “Fatores” internos às características externas dos indivíduos (em 1910 estes • “fatores” imaginados por Mendel • passaram a ser denominados de • Genes). Crossing-over: Troca de material genético entre dois chromossomos. Mutação: Modificação de um ou mais gens no cromossomo. 09:0721
  21. 21. Mission Simulation Lab HICEE Algumas conclusões ▪A evolução natural é resultado de um processo de seleção, ao longo de gerações, dos indivíduos e espécies melhor adaptados ao seu ambiente. ▪As Características dos indivíduos são transmitidas de uma geração para a outra por meio dos seus gens. O genótipo da nova geração é formado pela recombinação do genótipo da geração anterior e eventuais mutações. 09:0722
  22. 22. Mission Simulation Lab HICEE O que é um Algoritmo Evolutivo? ▪Uma população de indivíduos. ▪Uma representação para os indivíduos. ▪Uma noção de adaptabilidade (fitness). ▪Um ciclo de “vida e morte” dos indivíduos baseado na adaptabilidade: Seleção. ▪ Uma noção de herança. Elementos Principais 09:0723
  23. 23. Mission Simulation Lab HICEE O que é um Algoritmo Evolutivo? Gere uma população inicial Selecione Indivíduos para serem país Produza filhos. Selecione a nova população Repita até que um critério de parada seja atingido 09:0724
  24. 24. Mission Simulation Lab HICEE 09:0725
  25. 25. Mission Simulation Lab HICEE Trabalho P3
  26. 26. Mission Simulation Lab HICEE Projeto/Seminário – P3 ▪Montar/disponibilizar uma biblioteca de algoritmos meta- heurísticos dos pseudocódigos do artigo: “Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison” ▪Cada grupo pegará um algoritmo. ▪O que será fornecido aos grupos ▪A Classe de Interface ▪As fontes de dados [ uma discreta e uma contínua] ▪As opções de configuração ▪As funções objetivo com os critérios de parada. ▪Seminário ▪Explicação do método (inspiração) / Demonstração do algoritmo / Apresentação dos resultados 09:0727
  27. 27. Mission Simulation Lab HICEE Conjunto de dados Controles Caixa Mágica Melhor(es) resultados dos dados Conjunto de Funções objetivos • Tempo de busca • Quantidade de iterações • Complexidade de cada iteração • Proximidade da solução ótima 09:0728
  28. 28. Mission Simulation Lab HICEE Métodos com algoritmos no artigo ▪TRAJECTORY METHODS ▪Basic Local Search: Iterative Improvement ▪Simulated Annealing ▪Tabu Search ▪Explorative Local Search Methods ▪Greedy Randomized Adaptive Search Procedure ▪Variable Neighborhood Search ▪Guided Local Search ▪Iterated Local Search ▪POPULATION-BASED METHODS ▪Evolutionary Computation ▪Scatter Search and Path Relinking ▪Estimation of Distribution Algorithms ▪Ant Colony Optimization 09:0729

×