Tecnologia em Desenvolvimento de Sistemas – 8º Semestre
Inteligência Artificial II
1. Introdução
A Inteligência Artificial (IA) é uma área da ciência da computação que estuda a aplicação de modelos e técnicas inspirados na natureza à solução de problemas. A seguir (Tabela 1) são apresentadas as principais subáreas da IA e suas respectivas inspirações:
Sub-áreas Inspiração
Redes Neurais Artificiais Neurônios biológicos Sistemas Especialistas Inferência humana Lógica Nebulosa (Fuzzy Logic) Processos lingüísticos
Algoritmos Genéticos Evolução biológica
Tabela 1. Principais subáreas da IA e suas respectivas inspirações.
As Redes Neurais Artificiais, estudadas no semestre anterior, são modelos computacionais inspirados na estrutura e comportamento do cérebro humano, que reproduzem algumas características humanas, tais como: aprendizado, associação, generalização e abstração. São efetivas principalmente no aprendizado de padrões (reconhecimento de caracteres e voz, dados em imagens etc.).
Os Sistemas Especialistas são sistemas computacionais que procuram apresentar um comportamento semelhante ao de um especialista de um determinado domínio. A Lógica Nebulosa ou Difusa (Fuzzy Logic em inglês) é uma extensão das lógicas tradicionais que suporta modos de raciocínio aproximados, ao invés de exatos, como estamos naturalmente acostumados a trabalhar. Ela está baseada na teoria dos conjuntos nebulosos e difere dos sistemas lógicos tradicionais em suas características e detalhes.
Por fim, os Algoritmos Genéticos (AG) são algoritmos inspirados na teoria da evolução das espécies e consideram a busca pela solução de um problema como um processo de evolução de soluções candidatas. Os AGs fazem parte de uma subárea de conhecimento da IA conhecida como “Computação Evolutiva”, definida a seguir.
2. Computação Evolutiva
A Computação Evolutiva é uma área de conhecimento que estuda modelos e técnicas computacionais baseados na teoria da evolução natural. A área de Computação Evolutiva é mais conhecida pelas suas subáreas: Algoritmos Genéticos, Estratégias de Evolução e Programação Genética, sendo que atualmente a subárea de Algoritmos Genéticos é a que apresenta o maior destaque.
Neste documento, são apresentadas as principais características dos Algoritmos Genéticos.
3. Algoritmos Genéticos
3.1.Introdução
Os Algoritmos Genéticos são baseados em uma metáfora biológica: “Eles tratam a solução de problemas como uma competição entre soluções candidatas”. Esta competição entre soluções foi inspirada na teoria da evolução das espécies, resumida a seguir.
3.2.Inspiração Biológica
Os algoritmos genéticos foram inspirados na teoria da evolução natural, proposta simultaneamente por Charles Robert Darwin e Alfred Russel Wallace. Em um determinado ambiente, indivíduos deixam descendentes através da reprodução e sofrem alterações, quando sujeitos a alguma mutação. Os indivíduos mais adaptados ao ambiente em que vivem têm uma maior chance de sobrevivência.
O elemento central desta teoria, que inspirou a criação dos algoritmos genéticos, é a seleção natural. De acordo com a seleção natural, os indivíduos mais adaptados ao ambiente em que vivem (mais fortes, rápidos, com maior tolerância ao frio ou ao calor etc.) têm uma chance maior de sobrevivência. A expressão mais adaptado refere-se à maior probabilidade de um indivíduo deixar descendentes. Quando um indivíduo tem maiores chances de deixar descendentes, a tendência é que em longo prazo, seus descendentes sejam a maioria na população.
Um bom exemplo de seleção natural é o fenômeno conhecido como “melanismo industrial”. Este fenômeno foi percebido primeiramente durante a revolução industrial. Antes da industrialização, as espécies de mariposas predominantes nas regiões de industrialização eram brancas, sendo que as mariposas pretas eram minoria. Porém, após a instalação de indústrias na região, a situação se inverteu, as mariposas brancas viraram minoria, enquanto as pretas viraram maioria.
Antes da Industrialização Depois da Industrialização
Figura 1.
Antes do aparecimento da industrialização, a maioria das mariposas apresentava coloração esbranquiçada, sendo raras as de coloração escura. Os indivíduos dessa espécie têm o hábito de pousar sobre troncos de árvores que, em locais não poluídos, são cobertos por liquens, que dão ao tronco coloração clara. Nesses locais, ao pousar sobre os troncos cobertos por liquens, as mariposas claras não são tão visíveis, enquanto as mariposas escuras se tornam presas fáceis de seus predadores- os pássaros. (Ver Figura 2). Para este ambiente, a mariposa clara era melhor adaptada.
Prof. Leandro Luque
Figura 2. Mariposas de duas espécies diferentes (branca e escura) sobre o tronco coberto com líquen, em região não industrializada. A forma escura é facilmente visível,
enquanto a forma claro é praticamente imperceptível.
Com o aumento da industrialização, a fumaça e a fuligem lançadas pelas fábricas provocaram a morte dos liquens, deixando os troncos das árvores expostos. Dessa forma, o substrato utilizado pelas mariposas para pouso adquiriu coloração escura e, com isso, as mariposas claras tornaram-se mais visíveis que as escuras. Com o tempo, a espécie escura começou a predominar sobre a clara, devido à atuação de seleção natural. Para este novo ambiente, a mariposa escura passou a ser a melhor adaptada.
Mariposas de duas espécies diferentes (branca e escura) sobre o tronco sem liquens e coberto de fuligem, em região industrializada. Agora, a forma clara é facilmente visível,
enquanto a forma escura é praticamente imperceptível. Como a teoria pode ser aplicada à computação
Para um problema cujas soluções sejam desconhecidas ou inviáveis, o método da tentativa-e-erro pode ser aplicado. Neste método, cada solução deve ser testada uma-a-uma até que se encontre a solução para o problema procurado. Para alguns problemas, a
tentativa e erro é uma possibilidade, porém outros problemas possuem mais de milhões de soluções e, mesmo com computadores de última geração, o método da tentativa e erro poderia levar anos para encontrar a solução.
Nestes casos, os algoritmos genéticos podem ser aplicados. Para tanto, cada solução do problema deve ser vista como um indivíduo de uma população. Este indivíduo pode ser uma solução melhor ou pior para o problema em questão e isto vai definir se esta solução tem maiores ou menores chances de sobreviver na população de soluções.
Veja um exemplo ilustrativo:
A sua empresa de informática recebeu encomendas de várias cidades e precisa entregar os computadores comprados nas respectivas cidades. Você precisa definir qual caminho será seguido pelo caminhão de entrega. Querendo diminuir os custos, você procura pela rota que envolva o menor gasto de gasolina e tempo. Porém, pode não ser viável resolver o problema por tentativa-e-erro, já que para 10 cidades, o número de rotas possíveis é maior que 3 milhões (3.628.800). Neste caso, os algoritmos genéticos podem ser utilizados.
Exemplos de aplicações
1. Melhoria em Telecomunicações: O congreso WCCI'94 – World Congress on Computational Intelligence – ocorrido em Orlando, na Flórida, mostrou uma série de soluções promissoras a situações reais utilizando Algoritmos Genéticos. Blanchard mostrou o caso da US West, uma companhia regional de telecomunicações do estado do Colorado, que vem usando um sistema baseado em AGs que possibilita projetar, em duas horas, redes óticas especializadas, trabalho que levaria seis meses utilizando especialistas humanos. O sistema produz resultados ainda 10% (dez por cento) melhores que os realizados pelo homem. A companhia estima que o sistema possibilitará uma economia de 100 milhões de dólares até o final do século.
2. Otimização de Plantão Médico Hospitalar na UFSC: No Hospital universitário da UFSC, em Florianópolis, os Algoritmos Genéticos foram utilizados para auxiliar na elaboração de uma escala de trabalho dos médicos plantonistas neonatalogistas da maternidade. O objetivo pretendido foi o de auxiliar na solução da escala de trabalho dos médicos, em como diminuir o esforço e o desgaste humanos para a confecção do plantão. O problema resumia-se na disponibilidade de 12 (doze) médicos e na necessidade de atendimento 24 (vinte e quatro) horas por dia, tendo-se como variáveis envolvidas o número de médicos contratados e o turno com número adaptável de horas. O questionamento apresentava ainda todo o conjunto de restrições de trabalho, como cargas horárias, turnos de trabalho, plantões noturnos e diurnos, finais de semana e feriados, número máximo de horas de trabalho consecutivas, períodos específicos de possibilidade de trabalho, horários fixos para determinados médicos e cargas horárias variáveis entre os médicos, podendo inclusive haver mudança nas variáveis todos os meses.
3. Avaliação de músicas MIDI: Foi apresentado em 1999 na CEC99 – IEEE – International Conference on Evolutionary Computation um ambiente interativo, utilizando Algoritmos Genéticos, para a avaliação de músicas (seqüências de acordes) tocadas em arquivos MIDI. O método emprega o formalismo difuso e é colocado como uma otimização baseada em fatores relevantes à audição de músicas. No caso, os indivíduos da população foram definidos em grupos de quatro vozes (soprano, contralto, tenor e baixo) ou coros. Cada um é avaliado segundo três critérios: melodia, harmonia e oitavas. A composição destes três critérios definia a aptidão (fitness) definida pela função de seleção, que retorna o melhor indivíduo ou melhor coro. Um ciclo genético é operacionalizado, criando novos indivíduos dos anteriores e procurando sempre pelo melhor. Quando um novo grupo é selecionado, ele é tocado em MIDI. A duração do ciclo genético determina o ritmo da evolução. O sistema criado foi denominado Vox Populi. 4. Projeto de desenvolvimento de jato F-14: Algoritmos Genéticos foram
utilizados na execução de um otimizador para uma aplicação prática de programação de recursos no laboratório SITS – System Integration Test Station Laboratory – da Marinha Americana, para o desenvolvimento do jato F-14.
