3.1 Algoritmos Evolu ionários Mono-objetivo
3.1.2 Algoritmo de Seleção Clonal
Introdução
Os algoritmos de seleção lonal são algoritmos esto ásti os baseados em sistemas
imunológi os arti iais (do inglês Arti ial Immunology System, ou AIS). Um modelo
bási o do fun ionamento do sistema imunológi o, que serve de base para o fun iona-
mento deste algoritmo,ébrevementedes rito abaixo.
O Sistema Imunológi o
Em um modelo simpli ado, o sistema imunológi oé omposto basi amente por 3
tiposde élulas: ma rófagos, élulas-
B
e élulas-T
(Fig. 3.2). Oma rófagofazpartedo sistemaimunológi oinatodoindivíduoeformaaprimeiralinhadedefesadoorganismo.Elefago ita os invasores. Entretanto,somenteissonão é su ientepara proteção, pois
algunsinvasores seaproveitam deste fato: vírus, por exemplo,se utilizamdos re ursos
de ma rófagospara riarem ópiasde si mesmos.
Portanto, esquemas adi ionais de proteção devem atuar. Os linfó itos, élulas-
B
e élulas-T
, formam a segunda linha de defesa. As élulas-T
são apazes de examinar o queoma rófago omeuedere onhe eragentesestranhos. Casoumagenteestranhosejaidenti adopela élula-
T
,estaa ionaas élulas-B
,queproduzemanti orposespe í os paraoagenteinvasor. Essesanti orpossão apazesdeseligaradeterminadasproteínasna superfí ie do agente invasor, denominadas antígenos. Antígenos om anti orpos
ligados a ele podem ser ingeridos pelos ma rófagos. Dessa forma é ombatida uma
infe çãono sistemaimunológi o.
Os algoritmos baseados em sistemas imunológi os arti iais, apesar de re entes
( er a de dez anos), têm re ebido ada vez mais atenção. As referên ias (Dasgupta ,
1999; de Castro and Timis, 2002; Dasgupta etal., 2003) apresentam uma visão geral
de algoritmos baseados em sistemas imunológi os arti iais. Estes algoritmostêm ap-
resentado resultados promissores, e vêm sendo apli adosemáreas omo:
•
Segurançade omputadores (Dasgupta and Gonzalez, 2002);•
Navegaçãode robs(Mi helan and VonZuben ,2002);•
Dete çãode falhasemsistemas de distribuição (Huang, 2002);•
Otimizaçãoem geral(de Castroand Timis, 2002);•
Otimizaçãode dispositivosmagnéti os (Campeloet al., 2005).PSfrag repla ements
ma rófago
antígeno élulas-B
élulas-T
Figura3.2: Células dosistema imunológi o
Algoritmo
Aestrutura bási adoAlgoritmodeSeleçãoClonaléapresentada abaixo. Osaspe -
tosmais importantes desta estrutura são dis utidos na seqüen ia.
Estrutura Bási a doAlgoritmo de Seleção Clonal
1:
pop0
←
gerar população(N)
; 2:f0
←
avaliar(pop0)
;3:
f it0
←
al ular tness(f0)
; 4:conv ←
false;5:
iter ← 1
;6: while
conv =
falsedo8: for
i ← 1
até round(b · N)
do 9:pop
i
iter← popiiter−1
;10:
f
i
iter
← fiter−1i
; 11:Nc
i
←
roundβ · N
i
; 12: forj ← 1
atéNc
i
do 13:cl ←
lone(pop
i
iter)
; 14:α = γ · e
−f iti
iter−1
; 15:cl ←
mutação(cl, α)
; 16:fcl
←
avaliar(cl)
; 17: iffcl
< f
i
iter
then 18:pop
i
iter← cl
; 19:f
i
iter
← fcl
; 20: endif 21: endfor 22: endfor23: for
i ←
round(b · N) + 1
atéN
do 24:pop
i
iter←
gerar indivíduo;25:
f
i
iter
←
avaliar(pop
i
iter)
; 26: endfor 27: if onvergiu then 28:conv ←
true ; 29: else30:
f ititer
←
al ulartness(fiter)
; 31:iter ← iter + 1
;32: endif
Parâmetros de Entrada:
Quatroparâmetros devemser denidos à priori,para exe ução doClonal:
• N
- Tamanhoda população: Inteiro;• b
- Taxade seleção: Real,0 < b ≤ 1
;• β
- Taxa de lonagem do melhorindivíduo: Real,0 < β ≤ 1
;• γ
- Raiode mutaçãobase.População:
As mesmas ara terísti as des ritas para a população do GA também são válidas
para o algoritmo de Seleção Clonal. No entanto, em problemas reais, geralmente é
utilizadaa odi açãorealumavezqueestealgoritmorequeradeniçãodeumamétri a
noespaço de genótipos.
Avaliação da População e Atribuição da Fitness:
Os indivíduos dapopulação são avaliados através da função objetivo do problema.
Diferentemente do GA, não há seleção esto ásti a no Clonal, o que dispensa a ne es-
sidade de ontrole da pressão seletiva. No Clonal, a tness é apli ada no ontrole do
raiode mutação de algoritmo: espera-se uma bus a lo alem torno dos melhores indi-
víduos eumabus a globalemtorno dos indivíduosmenosaptos. Após aordenaçãoda
população, atness dos indivíduos édenida por:
f iti
= 1 −
r
N − 1
(3.2)Onde:
r
éum inteiro que deneo ranking doindivíduoi
, que variade0
(melhorindivíduo)eSeleção:
A seleção no Clonal é ontrolada pelo parâmetro
b
que determina qual a por en- tagem dos melhores indivíduos devem permane er na população. Osb · N
melhores indivíduossão mantidosnapopulação,esãoposteriormentesubmetidosà lonagem. Orestante dos indivíduos são des artados, e substituídos por novos indivíduos, gerados
aleatoriamente. A seleção do algoritmo Clonal não pressiona a população para uma
regiãodo espaço,uma vez que não gera ópias dos melhoresindivíduos. A inserçãode
novos indivíduos aleatórios tem omo objetivo inserir onstantemente diversidade na
população, e eventualmente al ançaráreas ainda não exploradaspelo algoritmo.
Clonagem:
A lonagem, juntamente om a mutação, onstitui o prin ipal pro esso de diferen-
iação do algoritmo Clonal. A taxa de lonagem utilizada é propor ional à tness, o
queintensi a a bus a emtorno dos melhores indivíduos. Essa abordagemé oerente,
uma vez que é razoável assumir que as melhores soluções en ontradas até um dado
momento estejam mais próximas das melhores soluções al ançáveis para o problema.
Apósoordenamentodassoluções,dene-se onúmerode lonesde adaindivíduo
i
por:Nci
=
roundβ · N
i
(3.3)
Como exemplo, em uma população de 50indivíduos, om
β = 0, 7
, ter-se-ão35 lones domelhorindivíduo, 18do segundo, 12do ter eiro, 9 doquarto e assim pordiante.Mutação:
Emimplementaçõesreais, os lones são geralmentedenidos por:
C∗
= C + ζ
(3.4)onde:
C∗
C
é o lone aser mutado;ζ
é uma pertubação aleatória de módulo|ζ| ≈ RU
· γ · e
−f itC
;
RU
éuma variável aleatóriauniforme.De (3.4),per ebe-se outra ara terísti ainteressante destealgoritmo: emtornodos
melhoresindivíduos a bus a tem aráter lo al, enquanto que,em torno dos indivíduos
om menor tness a bus a tem aráter global. A Eq. (3.4) ressalta outro aspe to: a
ne essidade da denição de uma métri a no espaço de ódigos e a possibilidade de se
obterpontosaleatóriosà dadas distân ias, tendo em ontaa métri adenida.
Mapeamento de Sub-ótimos:
As ara terísti asdoAlgoritmoClonal onferemaomesmoumapropriedadeinteres-
sante: o mapeamentoe manutenção de soluções sub-ótimas juntamente om a melhor
soluçãoen ontrada. Esse aspe to sedeve prin ipalmente atrês aspe tos:
•
Aseleção doalgoritmonão exer e pressãoglobal seletivasobre a população;•
Oalgoritmonão utiliza operadores de interpolação ( omo ruzamento);•
Aestrutura de mutação, om taxas de lonagem e raiosde mutaçãoadaptativos, favore e orenamentode ada soluçãoisoladamente(seleção global).Estes aspe tos tornam este algoritmo uma ferramenta apli ável em problemas em que
existeumagrandesensibilidadequantoàsvariáveisdede isãoouemproblemasemque
sedesejatratarin ertezas( omoserádis utidonaSe .5.3). Éimportantedesta arque
é possível adaptar um algoritmo genéti o para realizar este mapeamento, eliminando
a pressão seletiva (
s = 1
) e utilizando apenas operadores de mutação. No entanto, a estruturadoClonal, on eitualmentepensadaparaestes asos,semostraimediatamenteadequadapara estes tipos de problemas.
Convergên ia: