Bioinspired

Made in python version 3.4.3

Especificação Mini-projeto 2 – Estratégia Evolutiva

Desenvolvimento de um Algoritmo Evolucionário (Estratégia Evolutiva) para a determinação do ponto de mínimo global da Função de Ackley Considere n = 30 e -15 ≤ xi ≤ 15.

Cada equipe, de no máximo de 3 integrantes, deverá implementar um Algoritmo Evolutivo (Estratégia Evolutiva) em qualquer linguagem de programação. Além da implementação, a equipe deverá gerar um relatório descrevendo a sua implementação, dando ênfase nos tópicos:

1. Descrição esquemática do algoritmo implementado;
2. Descrição dos processos de:
   • Representação das soluções (indivíduos)
   • Função de Fitness
   • População (tamanho, inicialização, etc)
   • Processo de seleção
   • Operadores Genéticos (Recombinação e Mutação)
   • Processo de seleção por sobrevivência
   • Condições de término do Algoritmo Evolucionário
3. Descrição dos resultados experimentais

** Compare com uma modificação da própria Estratégia Evolutiva, ou com um Algoritmo Genérico (Real)

Especificação Mini-projeto – 8 rainhas

Primeira parte:

• Representação (genótipo): string de bits
• Recombinação: “cut-and-crossfill” crossover
• Probabilidade de Recombinação: 90%
• Mutação: troca de genes
• Probabilidade de Mutação: 40%
• Seleção de pais: ranking - Melhor de 2 de 5 escolhidos aleatoriamente
• Seleção de sobreviventes: substituição do pior
• Tamanho da população: 100
• Número de filhos gerados: 2
• Inicialização: aleatória
• Condição de término: Encontrar a solução, ou 10.000 avaliações de fitness
• Fitness?

Segunda parte:

Implementar possíveis melhorias mudando:

• Representação
• Recombinação
• Mutação
• Seleção de pais – roleta?
• Seleção de sobreviventes: geracional ou substituição do pior
• Tamanho da população: 10? 30? 50? 70? 120? 200?
• O fitness pode ser melhorado?