Programação Genetica

1. Programação Genetica

2. Desafio • Como os computadores podem aprender a resolver problemas sem ser explicitamente programados?? • Arthur Samuel (1959)

3. Programação Automatica • Indução de programas, Sintesis de programas • Descoberta no espaço de possiveis programas, de um programa de computador que produza a saida que satisfaça o objetivo do problema. • Se estamos interessados em que computadores resolvam problemas sem ter sido explicitamente programados para tal, a estrutura deve ser um programa (Koza)

5. Programa • Parse tree, Program tree • Representação natural, a maoria dos compiladores traduzem o programa para o parse tree. • Funções e terminais: alfabeto do programa a ser inducido. • Conjunto de terminais: variaveis e constantes do programa. • Funções: soma, substração, divisão, ...

6. + + * + * Exemplo de criação de programa • Terminais: T={A,B,C} • Funções: F={+,*,%,If,Lte} • Começe com + e 2arg • Continue com * e 2arg • Complete com terminais A,B,C • O resultado é um prog. Executavel, Closed C A B

9. Mutuação • 2 tipos de mutuações são possiveis • Uma função pode substituir uma função ou um terminal pode substituir outro; • Um subtree pode ser substituido o novo subtree é gerado aleatoriamente ao igual que a população inicial.

11. Programa Saída Entrada Programa Subrotinas Loops Recursão Memória

12. Funções definidas (ADFs) • Na geração 0, cria-se uma população de programas • Programa principal (RPB) • 1 ou mais funções (ADFs) • Diferentes ingredientes • O conjunto de terminais de ADFs • Argumentos mudos ARG0, ARG1 • O conjunto de funções de RPB contem ADF0,.. • ADFs são privadas e associadas com programas específicos.

13. ADFs cont. • O programa inteiro é executado e avaliado • Operação de reprodução se mantem • Mutuação • RPB ou ADFs são mudados a partir de um ponto e um novo subtree é gerado. • Crossover • RPB ou ADFs como pais, pais e filhos do mesmo tipo

14. Obs. Sobre ADFs • ADFs funciona • ADFs produz resultados diferentes que humanos • O tamanho do programa cresce menos • Eforço computacional diminue • Outras abordagens, modulos Angeline, 1992.

15. Memória • Estruturas de dados (Langdon) • Stacks • Filas • Listas • Aneis

16. Programação Genetica Fortemente Tipada (STGP) • Limitações de GP: propriedades de closure das funções • STGP: as variaveis, constantes, argumentos e valores retornados podem ser de qq tipo, desde que definidos pelo usuario

17. STGP • Geração da população inicial: deve concordar com as restrições de tipo • Operador de crossover deve ocorrer entre funções e terminais do mesmo tipo. • Montana, 1995

18. Grammar based GP • Whigham, 1995 • Gramaticas livres de contexto como estrutura de evolução • Não possue os problemas de “closure” de GP tradicionais • The central role of a function possessing arguments is taken over by a production rule generating new symbols.

19. G=(S,,N,P) • S simbolo inicial,  conjunto de simbolos terminais e P o conjunto de regras de produção, S  é o conjunto de simbolos não terminais • Uma regra de produção é uma substituição do tipo X Y onde X N e Y  N 

20. Grammar GP • GP x Grammar GP • S  B, • B  +BB| - BB| * BB|%BB|T, • Tx| 1 • (x – 1)2 + (x – 1)3

21. Operadores em GGP • Closure é assegurado • Buscando no pai um nó não terminal do tree e na mãe o mesmo nó não terminal. • Mutuação envolve selecionar um nó não-terminal e aplicar uma produção selecionada randomicamente até a profundidade máxima da árvore seja alcançada. • Wong e Leung introduzem context-sensitive grammars.

22. Bibliografia • http://www.smi.stanford.edu/people/koza • http://www.genetic-programming.org • http://www.genetic-programming.com • koza@stanford.edu, Stanford University • Others GP techniques, tutorial GECCO’2000, Koza.

23. Trabalho • CD discipulus • Outro programa • Papers ,Programando GP ???