TEHNICI DE OPTIMIZARE

EVOLUTIVE
Coordonator tiinific: Absolvent:
Conf.univ.dr. Corina Rotar Medrea Alexandru
Obiective
Lucrarea de fa are ca obiective prezentarea tehnicilor
de optimizare evolutive care reprezint o alternativ la
metodele clasice de rezolvare a problemelor cu ajutorul
calculatorului.
Structural lucrarea se prezint astfel:

-CAPITOLUL I Introducere
-CAPITOLUL II Algoritmi evolutivi
-CAPITOLUL III Optimizare
-CAPITOLUL IV Rezolvarea problemelor de optimizare cu algoritmi evolutivi
-CAPITOLUL V Descrierea aplicaiei
-n finalul lucrarii Concluziile i Bibliografia
Calculul inteligent
Calculul inteligent este un domeniu specific pentru
Inteligena Artificial i este alctuit din tehnici complexe
de rezolvare a unor probleme
Principalele direcii ale calculului inteligent sunt:

-Calcul neuronal. Sursa de inspiraie o reprezint structura i funcionarea
creierului.

-Calcul evolutiv. Sursa de inspiraie o reprezint principiile evoluionismului de
tip darwinist.

-Calcul fuzzy. Este folosit atunci cnd datele problemei (i relaiile dintre
acestea) nu pot fi descrise exact ci exist un grad de incertitudine ("fuzziness").
Principalele paradigme ale
calculului evolutiv
1. Algoritmii genetici- dup cum sugereaz i numele,
folosesc principii din genetica natural. Cteva principii
fundamentale ale geneticii sunt mprumutate i folosite
artificial pentru a construi algoritmi de cutare care
sunt robuti i cer informaii minime despre problem.

2. Strategii evolutive -fost dezvoltate de ctre Ingo
Rechenberg [1] i Hans Peter Schwefel [2], ca metode
de rezolvare pentru problemele de optimizare a
parametrilor. Prima strategie evolutiv a fost bazat pe
o populaie constnd dintr-un singur individ. De
asemenea, este folosit un singur operator n procesul
de evoluie: mutaia.
3. Programare evolutiv- Tehnicile programrii evolutive
originale au fost dezvoltate de Lawrence Fogel [4]. El
urmrea o dezvoltare a inteligenei artificiale n sensul
dezvoltrii abilitii de a prezice schimbrile ntr-un
mediu nconjurtor.

4. Programarea genetic- a fost descoperit relativ recent
de John Koza [3]. n programarea genetic, populaile a
sutelor sau miilor de indivizi sunt reproduse genetic.
Aceast reproducere este facut folosind principiul
Darwinian de supravieuire i reproducere a celui mai
adaptat cu o operaie de recombinare genetic
(crossower) apropiat pentru impreunarea indivizilor.
Tehnica Ant Colony Optimization
(ACO)
- Metaeuristica propus de M. Dorigo [5] in 1992.
- Metoda este inspirat din comportamentul furnicilor
adevrate.
- Abordare multi-agent pentru rezolvarea problemelor grele de
optimizare combinatorial.
- Comis-voiajorul, dirijarea vehiculelor, ordonarea secvenial, colorarea grafurilor,
rutarea in reele de comunicare
- Furnicile folosesc feromoni pentru a gsi cel mai scurt drum
- Cu ct sunt mai multe furnici care urmeaz acceai cale ,cu
att acea cale devine mai atractiv.

Comportamentul furnicilor
- Drumul furnicilor de la muuroi la hran n absena unui obstacol
- Apariia obstacolului n drumul furnicilor produce o mprire probabilistic a
grupului n cele dou variante ocolitoare: stnga i dreapta.
- Configuraia final a coloniei de furnici n drumul cel mai scurt
Descrierea problemei
Problema folosete optimizarea cu colonii de furnici
pentru a gsi cea mai scurt cale dintre muuroiul de
furnici i sursa de hran.
Se d:
- un numr de puncte : N;
-un numr de generaii: maxIter;
-un numr de furnici : Nr_furnici ;
-punctul de plecare : p_start;
-punctul de sosire: p_stop.
-coeficientul Alpha si Beta
Fiecare furnic artificial din colonie trebuie s gseasc cel mai scurt
drum ntre un nod surs p_start i un nod destinaie p_stop n graful sub
forma cruia se reprezint problema.
Descrierea problemei
Interfaa aplicaiei
Descrierea problemei
Algoritmul ACO
-iniializarea
-mutarea in punctul urmtor se face cu o probabilitate data de formula:


- =urma de feromoni
- = atractivitatea
- , doi parametri suplimentari prin care se controleaz influena pe
care o vor avea parametrii specifici , respectiv
- - vecintatea posibil a furnicii k
( )
( )
( )
( )

=
k V l
il il
ij ij k
ij
t
t
t p
| o
| o
q t
q t
,
ij
t
ij
q
o
|
ij
t ij
q
( ) k V
Descrierea problemei
- Punctele parcurse de furnica sunt reinute in lista tabu
- incheierea unei generaii se face cnd toate furnicile au parcurs un
drum pn la punctul de sosire
- depozitarea de feromoni pe muchiile drumurilor parcurse de furnici



- evaporarea urmei de feromoni cu un factor subunitar
Descrierea problemei
Modul de rulare al programului:

Static- n acest mod pe parcursul rulrii nu se modific
mediul de rulare (muchile dintre 2 puncte rmn
aceleai), soluia fiind unic.

Dinamic- n acest mod poate s apar o muchie sau s
dispar, soluia modificndu-se pe parcursul rulrii
programului.
Descrierea problemei
Test pe aplicaie
Testul prezint modul n care evolueaz feromonii pe drumul cel mai
bun din punctul de start si punctul de stop.
Valorile alese sunt :
-Nr_noduri =20;
-Nr furnici=100;
-Nr generatii=50;
-Punct start=18;
-Punct stop=3;
-Alpha=1;
-Beta=0,2;
Descrierea problemei
Drumul cel mai scurt intre punctele 18 si 3 este format din drumul
dintre muchile 18-1, 1-2, 2-3. Astfel pe parcursul rulrii aplicaiei pe
drumul cel mai scurt urma de feromoni se face mai rapid, calea
devenind mai atractiv.
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
1 501 1001 1501 2001 2501 3001 3501 4001 4501
Nr furnici * Nr generatii
v
a
l
o
a
r
e

f
e
r
o
m
o
n
prima rulare
a doua rulare
a treia rulare
drum secundar
In figura se observ aceast diferen de cretere a urmei de
feromoni. Prima rulare, a doua rulare i a treia rulare reprezint
drumul cel mai bun dintre punctele 18 si 3 iar drumul secundar este
dat de muchile 18-15, 15-7, 7-6,6-8, 8-3.
Concluzii
n algoritmii genetici metoda de optimizare este
foarte diferita faa de algoritmii clasici:
folosesc o codare a parametrilor, nu a parametrilor
nsui;
lucreaz pe o populaie de puncte, nu pe un punct
unic;
folosete doar valorile funciei de optimizat, nu funcia
lor derivata sau alte cunotine;
folosete funcii probabilistice de tranziie nu cele
deterministe.
Bibliografie
1. Rechenberg, I., Evolutionsstrategie: Optimierung technischer
Systeme und Prinzipien der biologischen Evolution , Frommann-
Holzboog, Stuttgart, 1973
2. Schwefel, H.-P., Numerical optimazaion of computer models ,
Wiley, Chichester, 1981
3. Koza, J.R., Genetic Programming: On the Programming of
Computers by Means of Natural Selection, MIT Press, 1992.
4. Fogel L.J., Owens A.J., Walsh M.J., Artificial Intelligence through
Simulated Evolution, John Wiley, NY, 1966.
5. Dorigo M., Sttzle T., Ant Colony Optimization, MIT Press, 2004.