Algoritmos Genéticos e suas Aplicações em Sistemas Militares e

Algoritmos Genéticos
Aplicações em Sistemas Militares e Navais
09SET2015
CIAW
Prof. Alan Oliveira de Sá
Sumário
2






Motivação
Introdução
Tipos de Problemas
Algoritmos Genéticos
Aplicações Militares e Navais
Conclusões
Motivação
3



Problemas com alto custo computacional
Busca por soluções inovadoras
Não há um projetista melhor que a natureza
Antena banda-X
Missão Space Technology 5 (ST5)
NASA - 2006.
Motivação
4
“Uma lei geral, que conduz a evolução de todos os seres:
multiplicar, diversificar, deixar que o mais forte sobreviva e
que o mais fraco morra.”
― Charles Darwin, A Origem das Espécies
Introdução
5

Algoritmos Genéticos
 Proposto
por John Holland, 1960.
 Inspirado
no princípio Darwiniano de evolução das
espécies:
 Seleção
 Cruzamento
 Mutação
 Meta-heurística
Introdução
6

Relembrando Darwin:
 Meio
ambiente:
Introdução
7

Relembrando Darwin:
 Indivíduo:
Introdução
8

Relembrando Darwin:
 Seleção
natural:
Mais apto
Menos apto
Introdução
9

Relembrando Darwin:
 Mutação:
possibilidade de aumentar as aptidões
Tipos de Problemas
10

Otimização
 Máximo
global
 Mínimo global

Dimensões
 Hiperespaço


(multidimensional)
Problemas com grandes espaços de busca, onde
não é possível a busca exaustiva.
Problemas de difícil solução analítica.
Tipos de Problemas
11

Exemplo:
 Funções
transcendentes
Tipos de Problemas
12

Exemplo:
 Funções
transcendentes
Solução analítica?
Infinitos máximos / mínimos locais!
Tipos de Problemas
13

Exemplo:
 Funções
transcendentes
Busca exaustiva com
granularidade reduzida
Perda de máximos / mínimos
Tipos de Problemas
14

Exemplo:
 Funções
transcendentes
Busca exaustiva com
aumento da granularidade
Aumento do custo computacional
Tipos de Problemas
15

Exemplo:
 Funções
transcendentes
Como inspecionar o espaço de
busca de forma eficiente?
Algoritmos Genéticos
16

Analogias:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Algoritmos Genéticos
17

Analogias:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
(x,y)
Algoritmos Genéticos
18

Analogias:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Algoritmos Genéticos
19

Analogias:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
x
y
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Algoritmos Genéticos
20

Genitor 1:
Analogias:
x1
y1
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
Reprodução Sexual
Operador de Cruzamento
Genitor 2:
x2
y2
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Cria 1:
x1'
y1'
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Cria 2:
x2'
y2'
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Algoritmos Genéticos
21

Cria 1:
Analogias:
x1'
y1'
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
Reprodução Sexual
Operador de Cruzamento
Mutação
Operador de Mutação
Cria 2:
x2'
y2'
0 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0
Cria 1 mutante:
x1'
y1'
0 1 1 0 0 0 0 1 1 0 0 0 1 0 0 0
Cria 2 mutante:
x2'
y2'
0 1 1 0 0 1 0 1 0 0 0 0 1 1 0 0
Algoritmos Genéticos
22

Analogias:
f(x1,y1) > f(x2,y2)
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
Reprodução Sexual
Operador de Cruzamento
Mutação
Operador de Mutação
Aptidão do Indivíduo
Imagem da Possível Solução
(x2,y2)
(x1,y1)
Algoritmos Genéticos
23

Analogias:
Geração 1:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
Reprodução Sexual
Operador de Cruzamento
Mutação
Operador de Mutação
Aptidão do Indivíduo
Imagem da Possível Solução
Gerações
Ciclos Iterativos
Algoritmos Genéticos
24

Analogias:
Geração 2:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
Reprodução Sexual
Operador de Cruzamento
Mutação
Operador de Mutação
Aptidão do Indivíduo
Imagem da Possível Solução
Gerações
Ciclos Iterativos
Algoritmos Genéticos
25

Analogias:
Geração 3:
Evolução Natural
Algoritmos Genéticos
Meio Ambiente
Problema
Indivíduo
Possível Solução
População
Conjunto de Soluções
Cromossoma
Representação da Solução
Reprodução Sexual
Operador de Cruzamento
Mutação
Operador de Mutação
Aptidão do Indivíduo
Imagem da Possível Solução
Gerações
Ciclos Iterativos
Algoritmos Genéticos
26

Seleção - roleta:
Probabilidade de seleção do
mais apto
Não
Sim
Probabilidade de seleção do
menos apto
Não
Sim
Algoritmos Genéticos
27

Parâmetros:
População
 Taxa de cruzamento  caráter de refinamento
 Taxa de mutação  caráter exploratório

Refinamento:
Exploração:
Algoritmos Genéticos
28

O algoritmo:
Início
Gera população
inicial
Avalia aptidões
Seleção
Cruzamento
Mutação
Não
Critério de
parada
satisfeito?
Sim
Fim
Algoritmos Genéticos
29

Considerações:
 Determinístico
 Resultados
 Busca
x Estocástico;
ótimos x aproximadamente ótimos;
exaustiva x busca adaptativa; e
 Desafio:
modelagem da função de aptidão.
Aplicações Militares e Navais
30

Possibilidades de uso:
 Localização
colaborativa em rede de sensores sem fio
(WSN) e rede de sensores submarinos (USN)
 Otimização de superfícies aerodinâmicas /
hidrodinâmicas
 Reconhecimento e acompanhamento de alvos
Aplicações Militares e Navais
31

Localização colaborativa em WSN e USN:
 Sensores
utilizados para:
 Monitoramento
ambiental; e
 Guerra acústica submarina.
Aplicações Militares e Navais
32

Localização colaborativa em WSN e USN:

Sensores necessitam conhecer suas posições para:



Localização dos eventos medidos; e
Roteamento de dados baseado na localização.
Restrições de uso do GPS:




Tamanho dos dispositivos;
Fonte de energia;
Custo; e
Ambiente de operação.
Aplicações Militares e Navais
33

Localização colaborativa em WSN e USN:

Alternativa: Localização colaborativa baseada em poucas
referências.

Cada dispositivo se localiza e ajuda seus vizinhos a se
localizar por meio de Algoritmos Genéticos.
Aplicações Militares e Navais
34

Localização colaborativa em WSN e USN:

Algoritmo Genético: soluciona uma função que considera
distâncias e coordenadas dos vizinhos.
Exemplo de função em L:
Aplicações Militares e Navais
35

Localização colaborativa em WSN e USN:


Aplicação em enxame de robôs:
Possível aplicação em USN / VSNT:
Aplicações Militares e Navais
36

Otimização de superfícies aerodinâmicas /
hidrodinâmicas:
 Exemplo:
jet nozzle (Estratégias Evolucionárias)
 Objetivo:
encontrar a forma que maximize o empuxo
𝑇 = 𝑓 𝑑1 , 𝑑2 , 𝑑3 , … , 𝑑𝑛−1 , 𝑑𝑛
𝑑3
𝑑
2
𝑑1
𝑑𝑛−1 𝑑𝑛
Hiperespaço
Aplicações Militares e Navais
37

Otimização de superfícies aerodinâmicas /
hidrodinâmicas:
 Exemplo:
jet nozzle (Estratégias Evolucionárias)
 Objetivo:
Solução inicial:
encontrar a forma que maximize o empuxo
Solução final:
Aplicações Militares e Navais
38

Reconhecimento e acompanhamento de alvos1

1CT(EN)
Template matching: determinar a similaridade de uma
imagem comparada a um tamplate (imagem padrão).
MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e
Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015
Aplicações Militares e Navais
39

Reconhecimento e acompanhamento de alvos1

Aptidão  Coeficiente de correlação de Pearson.
(361×481 pixels)
Busca exaustiva: 174k avaliações
1CT(EN)
MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e
Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015
Aplicações Militares e Navais
40

Reconhecimento e acompanhamento de alvos1

Aptidão  Coeficiente de correlação de Pearson.
(361×481 pixels)
Algoritmos Genéticos: <174k avaliações
1CT(EN)
GA 52 x mais rápido que BE
MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e
Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015
Aplicações Militares e Navais
41

Reconhecimento e acompanhamento de alvos1

Aptidão  Coeficiente de correlação de Pearson.
(361×481 pixels)
Algoritmos Genéticos: <174k avaliações
1CT(EN)
GA 52 x mais rápido que BE
MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e
Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015
Aplicações Militares e Navais
42

Reconhecimento e acompanhamento de alvos1

Aptidão  Coeficiente de correlação de Pearson.
(361×481 pixels)
Algoritmos Genéticos: <174k avaliações
1CT(EN)
GA 52 x mais rápido que BE
MARCHETTI, Nedjah, N., Mourelle, L.M., Utilização de Otimização por Enxame de Partículas e
Algoritmos Genéticos em Rastreamento de Padrões, CBIC, 2015
Conclusões
43



Algoritmos genéticos fazem parte de um conjunto de
algoritmos simples e eficientes para a solução de um
amplo conjunto de problemas.
Soluções evoluídas artificialmente podem levar a
resultados que, pelos métodos tradicionais, não seriam
evidentes.
O reduzido custo computacional, torna o método
atrativo.
Conclusões
44


O método pode ser aplicado a diversos problemas de
otimização militares e navais. Desafio: modelagem dos
problemas.
Algoritmos Genéticos x outras meta-heurísicas
Perguntas
45
Obrigado!
E-mail: [email protected]
Centro de Instrução Almirante Wandenkolk
Centro de Eletrônica, Comunicações e Tecnologia da Informação