Computação evolutiva é uma família de algoritmos inspirados na seleção natural que são usados para resolver problemas de otimização. Os algoritmos evolutivos são usados para encontrar soluções aproximadas para problemas de otimização que são muito difíceis de resolver usando métodos tradicionais.
Os algoritmos evolutivos são baseados nos princípios da selecção natural e genética. Eles começam com uma população de soluções potenciais (chamadas “indivíduos” ou “cromossomos”) e utilizam operadores como seleção, cruzamento e mutação para gerar novas gerações de soluções. As soluções com a melhor adequação (medida de acordo com algumas funções objetivas) são selecionadas para sobreviver e se reproduzir, enquanto as outras são “mortas”. Este processo é repetido até que uma solução satisfatória seja encontrada.
Existem muitos tipos diferentes de algoritmos evolutivos, incluindo algoritmos genéticos, programação evolutiva, estratégias evolutivas e evolução diferencial. Eles podem ser usados para resolver uma grande variedade de problemas de otimização, incluindo os de engenharia, finanças e pesquisa operacional. O que é algoritmo genético com exemplo? Um algoritmo genético é um heurístico de busca que se utiliza para encontrar soluções ótimas ou quase ótimas para problemas que podem ser representados como um espaço de busca de soluções potenciais. Em um algoritmo genético típico, um conjunto de soluções potenciais (chamadas “cromossomos” ou “genes”) é criado primeiro aleatoriamente. Estas soluções são então avaliadas de acordo com uma função de aptidão pré-definida, que atribui uma pontuação numérica a cada solução. As soluções com as maiores pontuações são então selecionadas para “reproduzir” novas soluções, que são criadas através da combinação dos genes das soluções pai de várias maneiras (chamadas de “crossover” e “mutação”). Este processo é então repetido por várias gerações, com a esperança de que as soluções converjam gradualmente para a solução ótima.
Um dos exemplos mais simples e populares de um algoritmo genético é o “problema do caixeiro-viajante” (TSP). No TSP, um vendedor deve encontrar a rota mais curta que visita cada um de um determinado conjunto de cidades. Este problema pode ser representado como um espaço de busca de todas as rotas possíveis que o vendedor poderia tomar. A função de adequação para este problema seria simplesmente a extensão da rota. Para resolver o TSP usando um algoritmo genético, começar-se-ia por gerar aleatoriamente um conjunto de rotas (cromossomas). Estas rotas seriam então avaliadas de acordo com sua extensão, e as rotas mais curtas seriam selecionadas para “reproduzir” novas rotas. Este processo seria repetido ao longo de múltiplas gerações, com a esperança
Are evolutionary algorithms AI?
Algoritmos evolucionários são um subconjunto de algoritmos de IA que são usados para simular o processo de seleção natural, a fim de encontrar soluções para problemas de otimização. Estes algoritmos são comumente usados em campos como engenharia e economia. Embora os algoritmos evolucionários não sejam o único tipo de algoritmo de IA, eles são uma parte importante do campo de IA.
O que é evolução estratégica?
A evolução estratégica é um processo de tomada de decisões a fim de melhorar a posição de uma pessoa em um jogo repetido. Em um jogo repetido, os jogadores têm a oportunidade de jogar o mesmo jogo várias vezes. Isto dá aos jogadores a oportunidade de aprender com seus erros e tomar melhores decisões em futuras rodadas do jogo.
Há dois tipos principais de evolução estratégica: míope e voltado para o futuro. A evolução estratégica míope é onde os jogadores só consideram a sua posição actual e não têm em conta as rondas futuras do jogo. A evolução estratégica prospectiva é onde os jogadores levam em conta tanto a sua posição actual como as rondas futuras do jogo.
A evolução estratégica Myopic é frequentemente utilizada em jogos simples onde não há muitas oportunidades de aprendizagem. A evolução estratégica prospectiva é mais comum em jogos complexos, onde os jogadores têm mais oportunidades de aprender com os seus erros.
A evolução estratégica pode ser usada em qualquer jogo repetido, incluindo jogos de informação perfeita e jogos de informação imperfeita.