Manufaturação industrial
Internet das coisas industrial | Materiais industriais | Manutenção e reparo de equipamentos | Programação industrial |
home  MfgRobots >> Manufaturação industrial >  >> Manufacturing Equipment >> Robô industrial

Explorando o Poder e os Limites dos Algoritmos Genéticos

Neste ponto da série de programação genética (PG), aprendemos sobre o que é programação genética e como ela representa informações, como operadores genéticos funcionam em algoritmos evolutivos, e trabalhamos na evolução de um programa de ordenação através de regressão simbólica.

Aqui, daremos uma visão de alto nível do que essa tecnologia pode realizar à medida que se desenvolve.

Considerações Práticas da Programação Genética

Para entender este capítulo final de nossa série, lembremos de um exemplo XOR que discutimos na primeira parte desta série:

Uma solução perfeita para o problema XOR descoberta por PG:
(defun program ()
  (AND (OR X1 X2)
  (NOT (AND X1 X2) )
  )
)
Listagem 1. Resultado XOR.

Vamos também olhar para o exemplo de regressão simbólica do artigo anterior:

Uma aproximação polinomial para sen(x) no intervalo (0 <= x <= pi/2)

(defun program ()
  (+ (* (* (* X X) X)
  (* 0.2283 -0.6535))
  X)
)

Simplificando o programa acima, obtemos a seguinte equação equivalente:

polysen(x) = -.1492 x3 + x

Resultados:
x sen(x) polysen(x)
0.0000.0000.000
0.0780.0770.077
0.1560.1550.155
0.2340.2310.232
0.3120.3060.307
0.3900.3800.381
0.4680.4510.452
0.5460.5190.521
0.6240.5840.587
0.7020.6450.650
0.7800.7030.709
0.8580.7560.763
0.9360.8050.813
1.0140.8480.858
1.0920.8870.897
1.1700.9200.931
1.2480.9480.957
1.3260.9700.978
1.4040.9860.991
1.4820.9960.996
1.5600.9990.993
Listagem 4. Regressão simbólica.

Observe que tanto o XOR quanto os exemplos de regressão simbólica apresentados aqui retornam um único valor quando avaliados.

Essa característica não precisa ser uma restrição, pois certamente é possível que uma função ou terminal tenha um efeito colateral quando executada. Esse é frequentemente o caso do programa de ordenação, que contém uma função com o potencial efeito colateral de trocar um par de elementos em um vetor. Na prática, é comum que efeitos colaterais estejam presentes. Alguns exemplos adicionais de efeitos colaterais úteis são atribuir uma variável a outra ou mudar a direção para a qual um robô está voltado.

Nosso conjunto de funções pode incluir funções condicionais que fornecem aos programas evoluídos a capacidade de tomar decisões. Funções condicionais avaliam seletivamente seus argumentos. Como exemplo, considere uma função, com aridade três, como (se arg1 arg2 arg3). A função é avaliada avaliando o primeiro argumento e, se o resultado for verdadeiro, o segundo argumento é avaliado; caso contrário, o terceiro argumento é avaliado. Construções iterativas também são possíveis, pois uma função pode avaliar um de seus argumentos múltiplas vezes. Complexidade adicional é introduzida, no entanto, pela necessidade de limitar o número de iterações e nível de aninhamento para evitar uma situação onde a avaliação de um indivíduo pode levar um tempo excessivamente longo. Algum trabalho foi feito para permitir formulações recursivas, embora o sucesso nessa área tenha sido um pouco limitado.

Embora os resultados de sistemas PG tendam a ser programas semelhantes a LISP, um sistema PG não precisa ser implementado em LISP. Muitos sistemas são implementados em C ou C++. Uma representação linearizada da árvore do programa pode ser empregada e a sobrecarga de memória dinâmica junto com a coleta de lixo cara pode ser evitada. A eficiência da função de aptidão merece atenção especial, pois muitas vezes é um gargalo devido ao grande número de vezes que é invocada durante cada geração. Um excelente artigo discutindo várias técnicas de implementação pode ser encontrado em Avanços em Programação Genética (citado na seção de Leitura Sugerida abaixo).

Como em outros paradigmas de aprendizado de máquina, como redes neurais, existe o potencial de overfitting dos dados de treinamento (casos de teste PG). Overfitting pode ocorrer quando a solução efetivamente "memoriza" os dados, fornecendo pouco mais que uma tabela de consulta elaborada. Uma maneira simples de ajudar a conter esse efeito é através do uso de um fator de parcimônia. Um fator de parcimônia é tipicamente uma pequena fração multiplicada pelo número de nós dentro da árvore do programa, cujo resultado é incorporado à função de aptidão. A ideia é recompensar soluções menores, presumivelmente mais gerais. Além disso, você é encorajado a usar técnicas apropriadas de design experimental. Por exemplo, se você está tentando desenvolver um modelo para previsão, é uma boa ideia restringir a avaliação de aptidão a um subconjunto dos dados disponíveis. Dessa forma, os dados restantes podem medir o desempenho preditivo do modelo resultante.

Como é o caso com algoritmos evolutivos, PG não fornece garantia de encontrar uma solução exata ou mesmo uma solução aceitável. Os resultados podem variar muito de uma execução para outra. Frequentemente, o processo converge prematuramente para um mínimo local. O desempenho é altamente dependente da complexidade do problema, sua representação caracterizada pela escolha de funções e terminais, e as propriedades da função de aptidão.

Aplicações para Programação Genética

A programação genética foi aplicada com sucesso a problemas que ocorrem em áreas como:

Direções Futuras para Programação Genética

Dependendo da complexidade do problema, várias execuções de PG podem ser necessárias para encontrar uma solução aceitável, se uma puder ser encontrada. Idealmente, gostaríamos que PG "escalasse" à medida que a complexidade do problema aumenta. Encontrar boas maneiras de alcançar esse objetivo é uma área ativa de pesquisa. Como na programação convencional, a noção de construir representações de nível superior através de sub-rotinas é uma maneira de abordar este problema. Em Programação Genética II, Koza discute métodos que podem descobrir sub-rotinas reutilizáveis e apresenta resultados que suportam a capacidade de programas hierárquicos e modulares para resolver problemas mais complexos.

Como vimos, PG acopla as características auto-organizadoras do algoritmo genético com o poder representacional e generalidade de S-expressões. A elegância dessa abordagem simplifica a especificação do problema à de fornecer uma função de aptidão específica do domínio e um conjunto apropriado de funções e terminais. Aplicável a uma gama diversificada de problemas, PG continua sendo um terreno fértil para pesquisa.

Ainda em sua infância, futuros avanços podem nos levar um passo adiante ao Santo Graal de sistemas capazes de escrever seus próprios programas.

Leitura Sugerida

Robô industrial

  1. Ligas Tungstênio-Cobre: Propriedades Principais, Fabricação e Aplicações
  2. Tântalo: Propriedades-Chave e Diversas Aplicações Industriais
  3. Titânio: Propriedades-Chave e Aplicações no Mundo Real
  4. Fios de Titânio: Tipos, Propriedades e Aplicações Industriais
  5. Capacitores de Tântalo: Principais Características & Aplicações
  6. 13 Tipos de Materiais Refratários e Suas Principais Aplicações Industriais
  7. Molibdénio e Suas Ligas: Principais Aplicações no Processamento de Materiais
  8. Óxido de Háfnio (HfO₂): Estrutura, Propriedades e Principais Aplicações
  9. Prototipagem Rápida: Acelerando o Design, Reduzindo Custos e Impulsionando a Inovação
  10. Freios Industriais Explicados: Finalidade, Aplicações e Manutenção