Teoria dos jogos e interação social autoadaptativa para controle de pressão seletiva e recombinação em algoritmos genéticos paralelos / Rodrigo Lisbôa Pereira.-2020. TEORIA DOS JOGOS E INTERAÇÃO SOCIAL AUTO-ADAPTATIVA PARA CONTROLE DA PRESSÃO SELETIVA E RECOMBINAÇÃO EM ALGORITMOS.
Motivação
O GA é amplamente utilizado para resolver problemas de otimização e consiste em uma técnica que visa produzir indivíduos melhores, com base no conceito darwiniano de raça, de indivíduos gerados através de combinações dos melhores existentes e mutações. Essa técnica é amplamente utilizada para obtenção de bons resultados para diversos problemas como NP-Difícil e Problemas de Otimização Combinatória (POC).
Justificativa
Em algumas aplicações do mundo real, o custo computacional do AG pode ser alto, pois o esforço geralmente é concentrado nas rotinas de avaliação, seleção e cruzamento. Portanto, esta tese tem como cerne o cultivo de GA por meio da interação social, implementando melhorias nas taxas de seleção e cruzamento.
Objetivos
Objetivo Geral
Objetivos Específicos
Analisar o desempenho do AG, com e sem as estratégias propostas, através da simulação de dez problemas da área de engenharia restrita, comparando os resultados com outros trabalhos encontrados na literatura.
Delimitação da Pesquisa
Estado da Arte
Em Lahoz-Beltra et al. 2009) propôs uma versão do algoritmo genético padrão que incorpora a interação social entre indivíduos em uma população. O algoritmo foi usado para resolver o problema da mochila e usando alguns modelos de jogos como DP clássico, Chicken Game e outros, uma melhoria significativa no desempenho do algoritmo de interação social foi alcançada em comparação com o algoritmo genético padrão.
Estrutura do Texto
Também é possível compreender que os estudos têm utilizado diferentes abordagens e aplicabilidades dessa metaheurística evolutiva populacional desde as últimas décadas, até os dias atuais. Pesquisas sobre os processos cognitivos e de compreensão dos processos de raciocínio e aprendizagem também foram realizadas até o final da década de 1950, a fim de encontrar modelos de sistemas genéricos que gerassem soluções candidatas para problemas até então difíceis de resolver computacionalmente (SANTOS et al. al. al., 2018 ).
Algoritmo Genético (AG)
O crossover é responsável pelo desenvolvimento da população por meio da combinação dos genes de dois cromossomos (pai e mãe), e possibilita melhorar a solução de um problema. Em seguida, você precisa "Avaliar os descendentes" para que eles sejam consistentes com todo o procedimento realizado.
Teoria dos Jogos (TJ) e o Jogo do Dilema do Prisioneiro (DP)
Um jogo tem um conjunto de estratégias que um jogador usa e um valor de pagamento associado a uma combinação de estratégia de jogo. Nessa categoria de jogos, os ganhos obtidos por um jogador não necessariamente levam a perdas para seu oponente (POUNDSTONE, 1993).
Modelo de Programação GPGPU
CUDA™ (Compute Unified Device Architecture)
A arquitetura CUDA fornece extensões para a linguagem C e permite a implementação de algoritmos paralelos, com processamento realizado por placas de vídeo. As GPUs baseadas na arquitetura CUDA possuem múltiplos pequenos núcleos que juntos executam milhares de pequenas peças independentes de processamento (threads) (NVIDIA, 2019).
Thread, Block e Grid em CUDA
Por sua vez, as threads podem ser organizadas em blocos de threads, que são organizados em uma grade de blocos de threads.
Acesso de Memória em CUDA
Considerações do Capítulo
Nesse sentido, esta tese aplica o TJ como Interação Social relacionada ao AG para garantir um melhor controle da diversidade por meio da inclusão do fenótipo, uma nova característica ligada ao cromossomo do indivíduo GA, que muito contribui para o desempenho do AG.
Visão Geral
Com base na proposta apresentada por Teixeira (2012), as informações associadas ao perfil competitivo de cada indivíduo são expressas pela introdução de uma nova abordagem de ordem fenotípica para AG que permite estabelecer um ambiente de conflito de interesses onde atores racionais devem tomar decisões para maximizar seus ganhos ( fitness) durante o processo de seleção de indivíduos para reprodução. Ao codificar estratégias comportamentais para uma solução, parte fundamental da capacidade de busca dos indivíduos, o esquema de interação social baseado em TJ define, além dos limites de ganhos com base na situação atual da população, um conjunto de ferramentas que permitem a implementação de novos métodos de reprodução.
Proposição da Tese
A migração foi realizada e o paralelismo foi realizado no nível do job (LISBÔA et al., 2015), por meio da biblioteca OpenMP. Por exemplo, Pereira et al. 2018) avaliaram a influência de diferentes tipos de técnicas de interação social mencionadas por Tomassini (2014) no processo de seleção de AGs de codificação reais, para entender o impacto que tais abordagens de jogo teriam no comportamento do AG , em termos de encaminhamentos para alcançar melhores resultados.
GASI (GENETIC ALGORITHM WITH SOCIAL INTERACTION)
GASI (P) e GASI (S)
Este procedimento determina a obtenção de valores de aptidão social (𝑓(𝑠)(𝑥)) como antes do processo de seleção individual. A Figura 3.3 (a) também mostra o método de seleção de jogadores para cada jogo no GASI (P), bem como seu esquema de seleção correspondente. Este algoritmo determina que a obtenção dos valores de aptidão social (𝑓(𝑠)(𝑥)) deve ocorrer durante a seleção, pois a comparação dos indivíduos na mesa do torneio é organizada em um conjunto de jogos eliminatórios, onde a cada sucesso, o vencedor os jogadores passam por uma nova rodada de jogos até que seja obtido o melhor individual da prova (campeão).
O Jogo e suas Regras
GBX (Game-Based Crossover)
A Figura 3.6 ilustra a divisão do espaço de busca padrão para dois descendentes, ambos produzidos pelos mesmos pares de pais. Os intervalos determinados pelos valores de direção 𝛻𝑋[𝑝1][𝑗] ou 𝛻𝑋[𝑝1][𝑗] representam os intervalos de soluções, onde os alelos dos pais (𝑇𝑋[𝑝1][𝑗] e 𝑇𝑋[𝑝2 ][𝑗 ] ) integram os novos limites de geração de solução juntamente com os valores mínimo (diminuição) e máximo (crescimento) do espaço de busca. Crossover GBX: recursos de pesquisa exploratória relacionados a alelos dos melhores do mundo (PEREIRA et al., 2020).
GBX2 (Game-Based Crossover 2): Uma versão alternativa do GBX
Também é possível controlar a distância que o alelo 𝑗 do novo indivíduo estará em relação ao seu predecessor usando funções lineares de incremento/decremento. Deve-se notar que o cálculo do pagamento total aplicado ao crossover GBX2 é semelhante ao encontrado no método GBX em (21). Esta função visa controlar gradualmente a distância entre novos indivíduos em relação ao seu respectivo pai.
Implementação em CUDA
A configuração da distribuição de threads 𝑁 em cada bloco segue razões de cardinalidade específicas10 para cada tarefa, cujas razões são estabelecidas para evitar problemas envolvendo dependências de dados ou “condições de corrida” mostradas na Figura 3.13. É importante observar que o GASI foi projetado para executar sistemas multi-ilha na arquitetura CUDA (Figura 3.13). Por fim, embora a arquitetura CUDA apresente vantagens na implementação de algoritmos paralelos, vale ressaltar as limitações do número de indivíduos associados ao número máximo de threads para cada bloco.
Considerações do Capítulo
Para realizar os testes e avaliar o impacto da interação social nos AGs, são utilizadas dez funções benchmark limitantes, da área de engenharia, amplamente encontradas na literatura científica (GARG, 2019; YASOJIMA et al., 2019). Em problemas de otimização, uma propriedade comum presente na área de engenharia são as restrições (RAVINDRAN et al., 2006). Estão associados ao intervalo que uma variável pode ter ou à relação existente entre as variáveis manipuladas.
TBT (Three Bar Truss Design)
HNO (Himmelblau Nonlinear Optimization)
DPV (Design of a Pressure Vessel)
SRD11 (Speed Reducer Design with 11 Constraints)
MWTCS (Minimization of the Weight Oftension/Compression
WBD (Welded Beam Design)
Resultados
Tabelas Comparativas (Performance)
O efeito do processo de Interação Social no desempenho dos algoritmos genéticos é analisado nos experimentos conduzidos, e através dos resultados apresentados nas Tabelas 4.12 e 4.13, é possível observar que o método de cruzamento GBX2 deu os melhores resultados em cinco funções para médias (DPV1, DPV2, MWTCS, WBD1, WBD2), bem como valores superiores de aptidão em sete funções (DPV1, DPV2, HNO1, MWTCS, TBT, WBD1, WBD2). Embora a diminuição da pressão seletiva com base no esquema do jogo não tenha contribuído significativamente para a qualidade da metaheurística, os melhores valores de classificação foram obtidos por ordem pelos algoritmos GA GBX2, GASI (S) GBX2 e GASI (P) GBX2. No caso dos algoritmos baseados no crossover GBX, estes não apresentaram melhorias significativas em termos dos melhores resultados, pois têm sido o método com melhor desempenho em apenas duas funções (HNO1, HNO2), ambas com intervalos fechados associados a restrições .
Análise Estatística (p-Test)
Com relação à comparação entre as implementações que utilizam Interação Social no processo seletivo (GASI (P), GASI (S)) e aquelas que utilizam apenas o torneio padrão (GA), não foram detectadas diferenças significativas em termos de média e alta do população. resultados, alcançando pontuações altas em apenas um de cinco (média) e dois de sete (melhor). Com base nesses resultados, é possível afirmar que os algoritmos baseados no cruzamento GBX2 sem interação social durante a seleção apresentam significância estatística em relação aos métodos BLX-α, AX e UX nos 10 problemas utilizados, enquanto no método GBX, a hipótese nula foi mantida em dois problemas (TBT, WBD2), com equivalência identificada nos algoritmos UX e BLX-α (S). De maneira geral, com base nos testes a seguir, pode-se concluir que a utilização da Interação Social no processo seletivo não tem apresentado diferenças significativas em relação às suas congêneres.
Convergência e Diversidade
Análises dos Resultados
Os gráficos na Figura 4.8 mostram um gráfico de diversidade populacional como resultado de gerações para DPV1, DPV2, HNO1, HNO2, MWTCS, SRD11, TBT, TCD, WBD1 e WBD2 também. A utilização do modo GBEM (indicado por setas pretas) nas últimas gerações teve um impacto significativo na velocidade de convergência (Figura 4.7), onde pode ser observado o comportamento da queda do fitness médio, mais suave para GBX2 e mais pronunciado em GBX. Durante a implementação dos algoritmos baseados nos métodos de cruzamento GBX e GBX2, é possível identificar o efeito periódico do modo SM (indicado por setas vermelhas) na Figura 4.8, onde o processo de espalhamento causa um aumento súbito na diversidade do população.
Considerações do Capítulo
Conclui-se que o uso da disputa baseada em jogos aplicada ao controle da pressão seletiva no processo de seleção parental não tem impacto relevante, com base nos dados obtidos. No geral, os dados obtidos nos experimentos reforçam o uso de técnicas de interação social no contexto de metaheurísticas bioinspiradas. É importante notar que esta tese, além de propor novos mecanismos baseados em TJ no contexto de algoritmos genéticos, procurou analisar, com base em dados obtidos empiricamente (PEREIRA, 2020), o impacto e a viabilidade desse tipo de modificação em bioinspirados metaheurísticas, tanto no uso aplicado à seleção de indivíduos para reprodução (GASI) quanto no procedimento de cruzamento (GBX/GBX2).
Trabalhos Futuros
Parametric Analysis of Repetitive Game Environments as Social Interaction Model for Genetic Algorithm to Solve Constraint Engineering Problems', in Proc. Education-Based Optimization: A New Method for Constrained Mechanical Design Optimization Problems," Comput.-Aided Des., vol. A new hybrid nature-inspired problem-solving metaheuristic based on the social interaction genetic algorithm using fuzzy systems ," in Proc.
