OCOMO UM PROBLEMA

RELATIVAMENTE

COMPLEXOPODE SER SOLUCIONADO

POR UM ALGORITMO DE

FÁCIL USOE BAIXO CUSTO

COMPUTACIONAL

DA

PROBL

MOCHI

EMA

LA

DO QUE SE

TRATA ESSA

APRESENTAÇÃO?

1

2

3

O Problema da Mochila, de Richard Karp

O Algoritmo Genético, desenvolvido por John Henry Holland

O desenvolvimento de um Algoritmo Genético Híbrido para o Problema da Mochila

PROBLEMA

DA

MOCHILA

Ocupar a mochila com o MAIOR VALOR POSSÍVEL,

não ultrapassando o seu PESO MÁXIMO.

TEMPO (s)

NÚMERO

DE ITENS

ENTÃO, QUAL A SOLUÇÃO

ALGORITMO

GENÉTICO

EVOLUÇ

EVOLUÇ

EVOLUÇ

EVOLUÇ

EVOLUÇ

EVOLUÇ

EVOLUÇ

EVOLUÇ

APTIDÃO

APTIDÃO

Indivíduos MAIS FORTES têm mais chances

de sobreviver e de GERAR DESCENDENTES

SELEÇÃO

SELEÇÃO

SELEÇÃO

SELEÇÃO

SELEÇÃO

SELEÇÃO

CRUZAMENTO

CRUZAMENTO

CRUZAMENTO

+

CRUZAMENTO

+

CRUZAMENTO

+ =

CRUZAMENTO

+ =

MUTAÇÃO

MUTAÇÃO

MUTAÇÃO

MUTAÇÃO

REPOSIÇÃO

REPOSIÇÃO

REPOSIÇÃO

REPOSIÇÃO

PSEUDO-CÓDIGO DE UM AG PADRÃO

PSEUDO-CÓDIGO DE UM AG PADRÃO

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

4 – REALIZAR O CRUZAMENTO DOS PAIS, DADA UMA PROBABILIDADE

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

4 – REALIZAR O CRUZAMENTO DOS PAIS, DADA UMA PROBABILIDADE

5 – REALIZAR A MUTAÇÃO DAS W SOLUÇÕES GERADAS,

COM UMA DADA PROBABILIDADE

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

4 – REALIZAR O CRUZAMENTO DOS PAIS, DADA UMA PROBABILIDADE

5 – REALIZAR A MUTAÇÃO DAS W SOLUÇÕES GERADAS,

COM UMA DADA PROBABILIDADE

6 – AVALIAR A APTIDÃO DAS SOLUÇÕES GERADAS

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

4 – REALIZAR O CRUZAMENTO DOS PAIS, DADA UMA PROBABILIDADE

5 – REALIZAR A MUTAÇÃO DAS W SOLUÇÕES GERADAS,

COM UMA DADA PROBABILIDADE

6 – AVALIAR A APTIDÃO DAS SOLUÇÕES GERADAS

7 – ATUALIZAR A POPULAÇÃO

PSEUDO-CÓDIGO DE UM AG PADRÃO

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

4 – REALIZAR O CRUZAMENTO DOS PAIS, DADA UMA PROBABILIDADE

5 – REALIZAR A MUTAÇÃO DAS W SOLUÇÕES GERADAS,

COM UMA DADA PROBABILIDADE

6 – AVALIAR A APTIDÃO DAS SOLUÇÕES GERADAS

7 – ATUALIZAR A POPULAÇÃO

FIM DO ENQUANTO

PSEUDO-CÓDIGO DE UM AG PADRÃO

IMPRIMIR A MELHOR SOLUÇÃO OBTIDA

2 – AVALIAR AS SOLUÇÕES GERADAS.

1 – GERAR UMA POPULAÇÃO DE SOLUÇÕES.

ENQUANTO UM CRITÉRIO DE PARADA NÃO FOR SATISFEITO, FAÇA

3 – SELECIONAR UM CONJUNTO K DE PAIS.

4 – REALIZAR O CRUZAMENTO DOS PAIS, DADA UMA PROBABILIDADE

5 – REALIZAR A MUTAÇÃO DAS W SOLUÇÕES GERADAS,

COM UMA DADA PROBABILIDADE

6 – AVALIAR A APTIDÃO DAS SOLUÇÕES GERADAS

7 – ATUALIZAR A POPULAÇÃO

FIM DO ENQUANTO

DADOS

TAMANHO DA POPULAÇÃO:

TAMANHO DA POPULAÇÃO:

100

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

100

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

100

0,05

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

NÚMERO DE GERAÇÕES:

100

0,05

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

NÚMERO DE GERAÇÕES:

100

0,05

20n

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

NÚMERO DE GERAÇÕES:

INSTÂNCIAS PARA CADA CAPACIDADE:

100

0,05

20n

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

NÚMERO DE GERAÇÕES:

INSTÂNCIAS PARA CADA CAPACIDADE:

100

0,05

20n

5, ALEATÓRIAS

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

NÚMERO DE GERAÇÕES:

ITENS A SEREM AVALIADOS:

INSTÂNCIAS PARA CADA CAPACIDADE:

100

0,05

20n

5, ALEATÓRIAS

TAMANHO DA POPULAÇÃO:

PROBABILIDADE DE MUTAÇÃO:

NÚMERO DE GERAÇÕES:

ITENS A SEREM AVALIADOS:

INSTÂNCIAS PARA CADA CAPACIDADE:

100

0,05

20n

5, ALEATÓRIAS

50, 100, 200 E 500 ITENS

RESULTADOS

GAP MELHOR SOLUÇÃO

50 ITENS:

GAP MELHOR SOLUÇÃO

0 %

50 ITENS:

100 ITENS:

GAP MELHOR SOLUÇÃO

0 %

0,8 %

50 ITENS:

100 ITENS:

200 ITENS:

GAP MELHOR SOLUÇÃO

0 %

0,8 %

1,2 %

50 ITENS:

100 ITENS:

200 ITENS:

500 ITENS:

GAP MELHOR SOLUÇÃO

0 %

0,8 %

1,2 %

2,8 %

50 ITENS:

100 ITENS:

200 ITENS:

500 ITENS:

MÉDIA GERAL:

GAP MELHOR SOLUÇÃO

0 %

0,8 %

1,2 %

2,8 %

1,2 %

CONCLUSÕES

COMPETITIVO

COMPETITIVO

DIVERSAS APLICAÇÕES

COMPETITIVO

DIVERSAS APLICAÇÕES

FÁCIL USO

COMPETITIVO

DIVERSAS APLICAÇÕES

FÁCIL USO

BAIXO CUSTO COMPUTACIONAL

COMPETITIVO

DIVERSAS APLICAÇÕES

FÁCIL USO

BAIXO CUSTO COMPUTACIONAL

GRANDE ADAPTABILIDADE

MATHEUS GOMES CORREIA

RAFAEL WENDELL BARROS FORTE DA SILVA

BRUNO DE ATHAYDE PRATA

WWW.LRI.UFC.BR