TPN4-GrupoN12 - proyectosfacultad

Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Inteligencia Artificial – 2009
Trabajo Práctico N°: 4
Tema TP: Algoritmos Genéticos
Grupo N°: 12
Legajo
110258-8
111841-9
109703-6
248462-6
113341-0
Apellido y Nombre
Vázquez, Christian
Feldman, Javier
Vaamonde, Alejandro
Migliaro, Francisco
Fürst, Hernán (Responsable)
Fecha Presentación: 02/11/2009
Clasificación:__________________
Fecha Devolución: ______________
Firma Profesor: ________________
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
INDICE
Trabajo Práctico N°: 4 ......................................................................................................................... 1
Objetivos.............................................................................................................................................. 3
Enunciado ............................................................................................................................................ 4
Composición del individuo.................................................................................................................. 5
Ejecuciones de la aplicación ................................................................................................................ 6
1er ejecución: ................................................................................................................................... 6
Parámetros .................................................................................................................................. 6
Resultados.................................................................................................................................... 6
2da ejecución: .................................................................................................................................. 7
Parámetros .................................................................................................................................. 7
Resultados.................................................................................................................................... 7
3ra ejecución: ................................................................................................................................... 8
Parámetros .................................................................................................................................. 8
Resultados.................................................................................................................................... 8
Conclusión ........................................................................................................................................... 9
Página 2 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
Objetivos
ENTREGA Número 4: Algoritmos Genéticos
Resolver el problema mediante Algoritmos Genéticos.
Para ello se debe considerar:
a) Definir la función de aptitud y estructura del cromosoma de acuerdo a la
heurística definida.
b) Implementar la función de aptitud y realizar por lo menos 3 ejecuciones con
diferentes parámetros y/o métodos.
c) Analizar las ejecuciones generadas, presentando las conclusiones.
d) Recomendar nuevos parámetros y/o métodos, justificando su respuesta.
Página 3 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
Enunciado
Un equipo de investigación conjunta de EE.UU. y Australia se encuentran en la búsqueda del sitio perfecto
para emplazar un observatorio astronómico. El objetivo es combinar datos de satélites, estaciones terrestres
y modelos climáticos en un estudio para evaluar los múltiples factores que afectan a la astronomía. Estos
factores deben considerar las siguientes restricciones:
Temperatura (ºC)
[-70, -50] (+5)
(-50, -30] (+2)
(-30, -10] (0)
> -10 (-5)
Humedad relativa (%)
[0,2] (+5)
(2,4] (+2)
(4,6] (-1)
(6, 100] (-5)
Cobertura de nubes promedio por año (%)
[0,1] (+5)
(1,2] (+1)
(2,3] (-1)
(3,100] (-5)
Brillo del cielo nocturno (escala Bortle)
[4;7,6) (-5)
(7,6;8] (+5)
Velocidad del viento (km/h)
[0,2] (+5)
(2,5] (+2)
(5,10] (-1)
(10,15] (-3)
> 15 (-5)
Presión atmosférica (hPa)
[600,700] (+5)
(700,800] (+2)
(800,900] (-1)
(900,1000] (-3)
> 1000 (-5)
La función de aptitud es:
f = 3 * (Temperatura + Humedad relativa) + 2 * (cobertura de nubes promedio por año + brillo del cielo
nocturno) + velocidad del viento + (presión atmosférica / 2)
Página 4 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
Composición del individuo
C1
Temperatura (ºC)
C2
Humedad relativa (%)
C3
Cobertura de nubes
promedio por año (%)
C4
Brillo del cielo
nocturno
C5
Velocidad del viento
C6
Presión atmosférica
Cada individuo representa una ciudad y contiene seis atributos, donde cada uno representa una característica diferente de dicha ciudad (por ejemplo: humedad,
presión, temperatura, etc.).
Página 5 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
Ejecuciones de la aplicación
1er ejecución:
Parámetros
Método de Selección: Elitista / Ruleta.
Método de Cruza: Simple.
Método de Mutación: Simple.
Mejor Fitness posible: 57.5
Tasa de Mutación: 0,1
Tamaño de Población: 100
Generaciones: 2000
Resultados
Mejor
Temperatura: -57,12
Humedad Relativa: 38,19
Cobertura de nubes: 70,14
Brillo del cielo nocturno: 7,73
Velocidad del viento: 1,42
Presión atmosférica: 673,29
Valor de la función aptitud: 7,5
Peor
Temperatura: -52,23
Humedad Relativa: 59,73
Cobertura de nubes: 51,58
Brillo del cielo nocturno: 6,72
Velocidad del viento: 1,42
Presión atmosférica: 677,71
Valor de la función aptitud: -12,5
Página 6 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
2da ejecución:
Parámetros
Método de Selección: Elitista / Ruleta.
Método de Cruza: Simple.
Método de Mutación: Simple.
Mejor Fitness posible: 57.5
Tasa de Mutación: 0,1
Tamaño de Población: 500
Generaciones: 5000
Resultados
Mejor
Temperatura: -51,80
Humedad Relativa: 32,60
Cobertura de nubes: 39,00
Brillo del cielo nocturno: 5,82
Velocidad del viento: 4,68
Presión atmosférica: 788,92
Valor de la función aptitud: -17
Peor
Temperatura: -6,66
Humedad Relativa: 35,52
Cobertura de nubes: 38,23
Brillo del cielo nocturno: 6,77
Velocidad del viento: 33,34
Presión atmosférica: 918,27
Valor de la función aptitud: -56,5
Página 7 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
3ra ejecución:
Parámetros
Método de Selección: Elitista / Ruleta.
Método de Cruza: Simple.
Método de Mutación: Simple.
Mejor Fitness posible: 57.5
Tasa de Mutación: 0,1
Tamaño de Población: 100
Generaciones: 2000
Resultados
Mejor
Temperatura: -50,25
Humedad Relativa: 0,69
Cobertura de nubes: 49,56
Brillo del cielo nocturno: 7,68
Velocidad del viento: 1,93
Presión atmosférica: 624,39
Valor de la función aptitud: 37,5
Peor
Temperatura: -1,76
Humedad Relativa: 24,90
Cobertura de nubes: 49,56
Brillo del cielo nocturno: 7,68
Velocidad del viento: 1,93
Presión atmosférica: 824,24
Valor de la función aptitud: -25,5
Página 8 de 9
Inteligencia Artificial
TP N°: 4 Temas/s Evaluado/s: Algoritmos Genéticos - Grupo N°: 12
Conclusión
Se hicieron varias pruebas con índice de mutación bajo e índice de mutación alto. El resultado fue que
cuando la mutación se ejecuta y activa en cada vuelta, la población resultante difícilmente tienda a mejores
soluciones del problema.
De acuerdo a la naturaleza de nuestro problema, no aplicaríamos Algoritmos Genéticos para su resolución.
Si bien AG aportaría una población final de mejores soluciones, eligiendo finalmente la más apta, esta
última es altamente probable que no exista. Esto no resolvería nuestro problema, ya que implicaría una
búsqueda posterior de aquellas ciudades existentes que cumplan con las características del individuo
seleccionado.
Nota:
El algoritmo genético implementado está basado en la implementación de dicho algiritmo de Barry Lapthorn.
El mismo se puede descargar de http://www.codeproject.com/KB/recipes/btl_ga.aspx.
Partiendo de esa implementación se codificó la función aptitud y se modificaron los métodos de creación de
la población y de mutación para que respondan a la configuración de nuestros individuos, los cuales están
compuestos de características con valores reales en diferentes rangos.
Anexo a este trabajo práctico se encuentra el código fuente utilizado para el trabajo práctico junto con los
archivos binarios usados para realizar las corridas.
Página 9 de 9