Please enable JavaScript.
Coggle requires JavaScript to display documents.
Fundamentos de Algoritmos Genéticos, Flowchart-of-the-standard-genetic…
Fundamentos de Algoritmos Genéticos
Algoritmos Evolucionários
Inspirados nos mecanismos naturais da evolução.
Trabalham com uma população de soluções
Aplicam operadores genéticos: crossover e mutação.
Avaliam a qualidade de cada indivíduo por fitness.
imulam a "sobrevivência do mais apto".
Histórico
Conceito de busca populacional.
Desenvolvido por John Holland (1975).
Popularizado por David Goldberg.
Conceitos-Chave
Seleção elitista: indivíduos mais aptos têm maior chance de reprodução.
Fundamento em seleção natural e hereditariedade
Genes de descendentes vêm de pais (crossover) + mutações.
Etapas do Algoritmo Genético
Criação da população inicial
Avaliação da aptidão
Seleção dos mais aptos
Cruzamento (crossover)
Mutação
Evolução por várias gerações
População
Cada indivíduo representa uma possível solução.
Exemplo: Problema com dois parâmetros (x, y) = dois cromossomos.
Seleção
Determina quais indivíduos irão se reproduzir
Baseado no valor de fitness.
Exemplo: Binary Tournament Selection:
Repete-se para o segundo pai.
Dois indivíduos aleatórios → seleciona o mais apto como pai.
Cruzamento
Combinação de genes entre pais
Gera filhos com características mistas.
Exemplo clássico: One-point crossover.
Mutação
Pequenas alterações aleatórias nos genes.
Evita estagnação da população.
Introduz diversidade genética.
Evolução
Aplicação iterativa de seleção, cruzamento e mutação.
Gera populações sucessivamente melhores.
Executado por número fixo de gerações ou até alcançar solução ótima.
