Intro heuristica

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

HICEE
Heurísticas e Algoritmos
Evolutivos (parte 1)
Projeto e Análise de Algoritmos
Christopher Shneider Cerqueira

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

HICEE
Problemas sem solução exata

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

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

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

HICEE
Exemplo:
09:079

HICEE
Qual o melhor?!?!
Todas são entradas para avaliação (n)
09:0710

HICEE
Exemplo:
09:0711

HICEE
Conceitos de (meta) heurística
http://www.dictionary.com/browse/heuristics?s=t

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

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

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

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

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

HICEE
Parte 1 – Algoritmos Genéticos

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

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

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

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

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

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

HICEE
09:0725

HICEE
Trabalho P3

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

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

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

Intro heuristica

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Intro heuristica

Ähnlich wie Intro heuristica (16)

Mehr von Christopher Cerqueira

Mehr von Christopher Cerqueira (20)

Kürzlich hochgeladen

Kürzlich hochgeladen (20)

Intro heuristica