EDITORIAL

TEMA DA CAPA
PROGRAMAÇÃO GENÉTICA
Este percurso é o seguinte:
"Visit: 0, city 7"
"Visit: 1, city 2"
"Visit: 2, city 5"
"Visit: 3, city 1"
"Visit: 4, city 10"
"Visit: 5, city 9"
"Visit: 6, city 12"
"Visit: 7, city 4"
"Visit: 8, city 3"
"Visit: 9, city 6"
"Visit: 10, city 11"
"Visit: 11, city 8"
É também gerado um gráfico com as evoluções da
aptidão média e da aptidão do melhor elemento de cada
geração. A tendência para a distância média da população é
de diminuição mas, como se pode observar, há oscilações.
Em cada geração as crias recebem parte do seu cromossoma
do pai e outra parte da mãe. Depois ainda poderá sofrer
mutações genéticas. Os filhos podem ser menos aptos do
que os pais. Contudo, devido à pressão da seleção natural,
apenas os mais aptos passam os seus genes e a tendência
é de uma melhoria da aptidão média com o tempo.
A PG apenas necessita de uma forma de gerar soluções
iniciais e uma fórmula de avaliação de soluções (função
objetivo). Tudo o resto é feito de forma evolutiva sem que
seja necessário incorporar nenhum conhecimento do domínio
em que se está a trabalhar.
Aconselho os leitor a correr o programa com variação
dos parâmetros de entrada e poderá observar que a PG é
muito robusta, sendo capaz de gerar boas soluções para
uma vasta gama de parâmetros (tamanho da população,
mutação, cruzamento, etc.).
Aplicações correntes para a PG incluem:
projeto de circuitos elétricos e eletrónicos;
programar robots ou drones;
desenvolvimento de programas em linguagens específicas
de domínio;
geração automática de programas; e
correção automática de erros em programas.
Pensamos que alguns aspetos da Inteligência Artificial
serão cada vez mais incorporados em programas convencionais.
Por exemplo se se incorporar funções objetivo nos
programas será possível elaborar análises estatísticas entre
os dados do programa, os parâmetros selecionados e a função
objetivo. Desta forma poder-se-á conseguir escrever
programas cujos resultados são progressivamente melhores
à medida que são executados mais vezes.
E ainda...
A PG é um campo muito vasto e apenas aflorámos o
assunto. Duas das áreas que mais curiosas são:
Evolução das aptidões média e do melhor elemento.
Como se pode verificar, a solução proposta foi encontrada
ao fim de 5 gerações. Entre a primeira e a última gerações
a aptidão média da população melhorou 47,88% e a do
indivíduo mais apto 43,13%.
Conclusões
A PG é um paradigma muito intrigante e com grande
potencial e que, como acabámos de ver, é fácil de implementar.
Muitas vezes é uma forma computacionalmente leve de
resolver problemas para os quais:
AUTOR
poderá não haver algoritmos; ou
conhecimentos para os resolver.
Bibliografia
funções objetivo multi-dimensionais; e
a paralelização e distribuição numa rede ser possível
sem alterações ao algoritmo.
Lee Jacobson and Burak Kanber, Genetic Algorithms
in Java Basics, Apress, 2015.
Riccardo Poli, William B. Langdon and Nicholas F.
McPhee, A Field Guide to Genetic Programming, published
via http://lulu.com and freely available at http://www.gp-fieldguide.org.uk,
2008. (With contributions by J. R. Koza)
Rick Riolo, Ekaterina Vladislavleva, Marylyn D. Ritchie
and Jason H. Moore, Genetic Programming Theory and
Practice X, Springer, 2013.
Escrito por Ricardo Cristóvão Miranda
Código disponível em: github.com/ricardoMiranda/haskellGeneticTSP
12