1 / 21

Programação Evolutiva e Lógica Fuzzy

Programação Evolutiva e Lógica Fuzzy. CMP 135 Arquiteturas Especiais de Computadores Fauzi Shubeita - UFRGS 2003. “Nenhum computador tem consciência do que faz, mas, na maior parte do tempo, nós também não." (Marvín Minsky). Tópicos. Computação Evolutiva

nelle-pickett
Télécharger la présentation

Programação Evolutiva e Lógica Fuzzy

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Programação Evolutiva e Lógica Fuzzy CMP 135 Arquiteturas Especiais de Computadores Fauzi Shubeita - UFRGS 2003

  2. “Nenhum computador tem consciência do que faz, mas, na maior parte do tempo, nós também não." (Marvín Minsky)

  3. Tópicos • Computação Evolutiva • Taxonomia da Computação Evolutiva • Definição • Algoritmos Genéticos • Programação Evolutiva • Estratégias de Evolução • Sistemas Classificadores • Programação Genética • Lógica Fuzzy • Definição • Aplicações da Lógica Fuzzy

  4. Taxonomia da Computação Evolutiva

  5. Computação Evolutiva - Conceito Computação Evolutiva consiste numa máquina “aprendente” otimizada, baseada nos moldes dos mecanismos de evolução biológica e seleção natural.

  6. Computação Evolutiva - Áreas • Algoritmos Genéticos (J. H. Holland 1975) • Programação Evolutiva (L. J. Fogel 1960) • Estratégias de Evolução (I. Rechemberg 1973) • Sistemas Classificadores (Post 1943) • Programação Genética (J. R. Koza 1992)

  7. Algoritmos Genéticos • Deriva do processo evolutivo natural • É uma simulação do processo genético natural. • Indivíduos representados por Cromossomos, um conjunto de strings de caracteres análogos a timina, guanina, adenosina e citosina derivados do DNA. • Usa processo estocásticos mas os resultados são não aleatórios.

  8. Algoritmos Genéticos • Cruzamento (adequação proporcional) • Competição entre indivíduos de subgrupos (seleção por torneio) • Mutação

  9. Algoritmos Genéticos • Cria-se uma população (através de crossover, reprodução por adequação proporcional e mutação). • Descarta-se a população original e repete-se o ciclo, esse denominado de Geração. • A partir então da população Zero, por adequação é feito o aprimoramento da população.

  10. Programação Evolutiva • Similar aos Algoritmos Genéticos • Enfatiza o relacionamento comportamental entre progenitores e sua descendência • Semelhante ao campo que investiga Estratégias de Evolução

  11. Programação Evolutiva • Uma população de possíveis soluções é escolhida aleatoriamente. • Cada solução é replicada em uma nova população • Cada solução descendente é avaliada pela computação de sua adequação pelo método Estocástico.

  12. Programação Evolutiva Diferencia-se dos Algoritmos Genéticos por: • Não empregar Crossover (cruzamento). • AG codificam as soluções de problemas como um string de tokens significativos - o genoma. Em PE a solução é dependente do problema

  13. Estratégias de Evolução • Concebido para solucionar problemas técnicos de otimização. • Utilizado pelas áreas de Engenharia • Regra de 1/5 • Recombinação por acasalamento aleatório, mutação e seleção. • Estratégia plus e virgula

  14. Estratégias de Evolução • Empregam Teorias da Probabilidade e Estatística para interpretar resultados. • Auto-Adaptação dependente da Aleatoriedade, Tamanho da População, Cooperação e Deterioração.

  15. Sistemas Classificadores • Percebem, classificam e reagem ao ambiente. • Abordagem dos Animat’s (animal + robot) • Compostos por: Ambiente, Receptores, Efectores e o Sistema em si. • Baseado em regras If-Then (idéia de caixa-preta).

  16. Programação Genética • São programas, que quando executados oferecem diferentes soluções. • Representados em PG como árvores, ao invés de linhas de código. • Utiliza Crossover para seleção aleatória. • Implementados em Lisp ou ambientes não-Lisp.

  17. Lógica Fuzzy (Difusa)

  18. Lógica Fuzzy (Difusa) • Teoria sobre conjuntos lançada pelo Prof. Lofti A. Zadeh, publicada em 1965 (U. Berkeley). • Generaliza os conceitos da Teoria Clássica de Conjuntos. • Baseada no conceito de “verdade parcial”. • Combina lógica multivalorada, IA e Redes Neurais para representar o pensamento Humano

  19. Lógica Fuzzy (Difusa) • Função de Pertinência, onde é explorada a relatividade de expressões como “Alto, Quente, Próximo...”. • Teoria do Protótipos (Eleanor Rosch 1976) • Um sim ou um não como resposta, é na maioria das vezes, incompleta.

  20. Lógica Fuzzy (Difusa) Utilizada em: • Sistemas Especialistas, Computação com Palavras, Raciocínio Aproximado, Controle de Processos, Robótica, Reconhecimento de Padrões, Processo de Tomada de Decisão... • Ar-Condicionado, Freios ABS, Câmbio Automático, Máquina Copiadoras, Elevadores,Televisores, Torradeiras...

  21. Referências • O. Cordón, F. Herrera, F. Hoffmann and L. Magdalena. Genetic Fuzzy Systems––Evolutionary Tuning and Learning of Fuzzy Knowledge Bases, World Scientific, Singapore (2001). • A. Geyer-Schulz. Fuzzy Rule-Based Expert Systems and Genetic Machine Learning, Physica, Heidelberg (1995). • C. Karr, Genetic algorithms for fuzzy controllers. AI Expert 6 2 (1991) • D.T. Pham and D. Karaboga, Optimum design of fuzzy logic controllers using genetic algorithms. J. System Eng. 1 (1991)

More Related