XIII. Recommendações

Parâmetros dos AG

Neste capítulo são dadas recomendações básicas caso você tenha decidido implementar algoritmos genéticos. Essas recomendações são genéricas. Você provavelmente precisará experimentar com seu próprio AG para um problema específico, porque não existe uma teoria geral que possa ser aplicada no auxílio da sintonia dos parâmetros dos AG para qualquer problema.

As recomendações são frequentemente resultado de estudos empíricos dos AG, que em geral, são realizados somente em codificação binária.

Taxa de Cruzamento
A taxa de cruzamento deve em geral ser alta, cerca de 80%-95%. Entretanto, alguns resultados mostram que para alguns tipos de problemas, uma taxa de cruzamento de cerca de 60% é o melhor.
Taxa de Mutação
Por outro lado, a taxa de mutação deve ser muito baixa. As melhores taxas parecem estar na faixa de 0.5%-1%.
Tamanho da População
Pode ser um pouco surpreendente que populações de tamanho muito grande, normalmente não aumentam o desempenho do AG (no sentido de aumentar a velocidade com que são encontradas as soluções). Um bom tamanho para a população é cerca de 20-30, entretanto às vezes tamanhos de 50-100 são relatados como os melhores. Alguns autores também mostram que o melhor tamanho da população depende do tamanho da série codificada (cromossomas). Isto significa que se você tem cromossomas com 32 bits, a população deve ser maior do que se você tivesse cromossomos com 16 bits.
Seleção
A Seleção através da Roleta pode ser usada, mas mas às vezes a Seleção por Classificação pode ser melhor. Verifique o capítulo sobre seleção para saber as vantagens e desvantagens. Existem também alguns métodos mais sofisticados que mudam os parâmetros de seleção durante a execução do AG. Basicamente, eles tem comportamento similar a tempero falsificado. Elitismo Deve ser usado se você não tem outro método para preservar a melhor solução. Você também pode experimentar a Seleção do Estado Estacionário.
Codificação
A codificação depende do problema e também do tamanho das instâncias do problema. Veja o capítulo sobre codificação para algumas sugestões ou veja outros recursos.
Tipos de Cruzamento e Mutação
Os operadores dependem da codificação e do problema. Verifique o capítulo sobre operadores para algumas sugestões. Você pode também verificar outros sites.

Aplicações dos AG

Algoritmos genéticos têm sido utilizados para resolver problemas complexos (tais como os problemas NP-difíceis), para aprendizado de máquinas e também para o desenvolvimento de programas simples. Eles têm sido também usados em algumas aplicações artísticas como pintura e música.

Uma vantagem dos AG é o seu paralelismo. AG percorre o espaço das soluções usando mais indivíduos (e com genótipos em vez de fenótipos) de forma que eles são menos susceptíveis de "enroscar" em um extremo local do que os outros métodos.

Eles também são muito simples de implementar. Uma vez que você implantou a parte básica do AG, você simplesmente precisa escrever um novo cromossoma (apenas um objeto) para resolver outro problema. Com uma codificação, você simplesmente muda a função de adequação e está tudo pronto! Entretanto, para alguns problemas, a escolha e implementação da função de adequação pode ser difícil.

A desvantagem dos AG é o tempo de processamento. Os AG podem ser mais lentos do que os outros métodos. Porém, desde que possamos terminar o cálculo sem restrições severas de tempo, o tempo mais longo é aceitável (principalmente com os computadores cada vez mais rápidos).

Para ter uma idéia sobre os tipos de problemas resolvidos com AG, é apresentada a seguir uma lista de algumas aplicações:

Sistemas Dinâmicos não Lineares - predição, análise de dados
Projeto de Redes Neurais, ambos: determinação da arquitetura e dos pesos
Trajetória de Robôs
Desenvolvimento de programas em LISP (programação genética)
Planejamento Estratégico
Determinação da Forma de Moléculas de Proteinas
Determinação de Rotas e Sequenciamento de Tarefas
Determinação de Funções para criação de imagens

Mais informação pode ser encontrada nos links do apêndice.