1

Implementação de um Algoritmo Genético

Frederico G. Guimarães e Marcelo C. Ramalho

físicas e químicas podem ser capazes de explicar a vida

Abstract—Uma discussão sobre os Algoritmos Genéticos,
sua estrutura e seus componentes, é apresentada neste
trabalho. Um AG será implementado e submetido a uma
função teste conhecida. Uma técnica para gerar a população
inicial será proposta e comparada com a distribuição
aleatória.
Index Terms—Algoritmos Genéticos, algoritmos
evolutivos, computação evolutiva, métodos de otimização,
métodos de populações, métodos estocásticos.
I. INTRODUÇÃO
s Algoritmos Genéticos, AG’s, são técnicas de
O busca baseadas nas Teorias da Evolução. Nos AG’s
as variáveis do problema são representadas como
genes em um cromossomo, também denominado
indivíduo. Cada coordenada de um ponto no espaço
solução pode ser entendida como um gene. O indivíduo é
o próprio ponto, formado pelo conjunto de coordenadas
(genes). Os AG’s utilizam elementos como a sobrevivência
dos mais aptos e a troca de informação genética de uma
forma estruturada, porém aleatória. O AG apresenta um
grupo de soluções candidatas, denominada População, na
região de soluções. Através de mecanismos como a seleção
natural e o uso de operadores genéticos, tais como a
mutação e o cruzamento, os cromossomos com melhor
aptidão são encontrados. A seleção natural garante que os
cromossomos mais aptos gerem descendentes nas
populações futuras. Usando um operador de cruzamento, o
AG combina genes de dois cromossomos pais previamente
selecionados para formar dois novos cromossomos, os
quais têm uma grande possibilidade de serem mais aptos
que os seus genitores.
II. COMPUTAÇÃO E VOLUTIVA
A inteligência natural é o produto de milhões de anos de
evolução biológica. Simular processos evolutivos
biológicos complexos pode nos levar a descobrir como a
evolução conduz sistemas vivos em direção à inteligência
superior.
Uma das áreas da computação evolutiva que mais tem se
destacado é o campo dos Algoritmos Genéticos (AG’s),
que são baseados no princípio evolutivo da seleção natural.
A Modelagem da Imunidade e a Vida Artificial são
disciplinas similares que se baseiam na idéia de que leis
Trabalho referente à disciplina de “Otimização” do curso de graduação
em Engenharia Elétrica da Universidade Federal de Minas Gerais, ministrada
pelos professores Jaime Arturo Ramirez e Ricardo Hiroshi Caldeira
Takahashi. Junho de 2001.
Foi desenvolvido por:
Frederico Gadelha Guimarães, graduando em Engenharia Elétrica.
Correio eletrônico: fredgadelha@yahoo.com.br
Marcelo Cherem Ramalho, graduando em Engenharia Elétrica.
Correio eletrônico: mccherem@yahoo.com.br
inteligente.
Técnicas de busca baseadas em alguma informação
heurística são empregadas em muitas aplicações da
Inteligência Artificial. Quando o espaço de busca é grande
demais para uma busca exaustiva, também denominada
busca “cega” ou de “força bruta”, e é difícil identificar
algum conhecimento que possibilite reduzir o espaço de
busca, não se tem outra escolha a não ser usar outras
técnicas de busca mais eficientes para alcançar soluções
ótimas.
III. CONCEITOS BIOLÓGICOS
A. As idéias evolucionistas de Darwin (Darwinismo)
Em meados do século XIX, Charles Darwin (1809-
1882) revolucionou todo o pensamento acerca da evolução
da vida e de nossas origens, provocando a maior discussão
que já houve a respeito de uma teoria científica. Em seus
dois livros - Sobre a Origem das Espécies por Meio da
Seleção Natural (1859), e A Descendência do Homem e
Seleção em Relação ao Sexo (1871) - Darwin defendia que
o homem, tal qual os outros seres vivos, é resultado da
evolução.
Em seus estudos, Darwin concluiu que nem todos os
organismos que nascem sobrevivem ou, o que é mais
importante, reproduzem-se. Os indivíduos com mais
oportunidades de sobrevivência seriam aqueles com
características mais apropriadas para enfrentar as
condições ambientais. Esses indivíduos teriam maior
probabilidade de reproduzir-se e deixar descendentes.
Nessas condições as variações favoráveis tenderiam a ser
preservadas e as desfavoráveis, destruídas.
É um lento e constante processo de seleção ao longo das
gerações, através do qual as espécies podem se diversificar,
tornando-se mais adaptadas ao ambiente em que vivem.
Nascia assim o conceito de Seleção Natural, a grande
contribuição de Darwin à teoria da evolução.
O mecanismo de evolução proposto por Darwin pode ser
resumido em seis etapas:
1. Os indivíduos de uma mesma espécie mostram muitas
variações na forma e na fisiologia;
2. Boa parte dessas variações é transmitida aos
descendentes;
3. Se todos os indivíduos de uma espécie se
reproduzissem, as populações cresceriam
exponencialmente;
4. Como os recursos naturais são limitados, os indivíduos
de uma população lutam por sua sobrevivência e de
sua prole;
5. Portanto, somente alguns, os mais aptos, sobrevivem e
deixam descendentes. A sobrevivência e a reprodução
dependem das características desses indivíduos que,

por serem hereditárias, serão transmitidas aos seus
filhos;
6. Através dessa seleção natural, as espécies serão
representadas por indivíduos cada vez mais adaptados.
O principal problema da teoria darwiniana foi a falta de
uma teoria satisfatória que explicasse a origem e a
transmissão das variações.
Darwin não conseguiu responder adequadamente estas
críticas e, somente com a posterior descoberta das Leis de
Mendel e das Mutações, foi que esses problemas puderam
ser resolvidos. Apesar disso, não há dúvida de que a teoria
moderna da evolução deve mais a Darwin do que a
qualquer outro cientista, e seu conceito de seleção natural
continua válido até hoje.
B. Seleção Natural
A idéia básica de seleção natural foi apresentada por
Charles Darwin e representa uma das maiores conquistas
no campo científico, particularmente, na ciência biológica.
É o mecanismo de seleção que impõe uma certa ordem ao
processo de evolução.
A primeira parte do processo, se caracteriza pela
obtenção de variedade genética e é realizada ao acaso. Já a
Segunda parte, composta pela seleção, é em certo grau
determinada pelos fatores ecológicos do ambiente.
Através da seleção natural, a freqüência de um gene
vantajoso aumenta gradativamente na população. A
vantagem conferida pelo gene pode se refletir em um
maior tempo de sobrevivência do indivíduo, aumentando
assim a quantidade de filhos que ele produz. Pode implicar
também uma fertilidade maior do indivíduo que, mesmo
sobrevivendo menos tempo, poderá deixar um número
maior de filhos que seu competidor. Finalmente, o gene
poderá aumentar a sua freqüência se ele fornecer ao
indivíduo maior capacidade de proteção. Assim, mesmo se
ele tiver menos filhos, suas chances de atingir a época de
reprodução serão maiores.
IV. REVISÃO HISTÓRICA
A. Precursores dos AG’s
A primeira tentativa de representação, por meio de um
modelo matemático, da teoria de Darwin, surgiu com o
livro The Genetic Theory of Natural Selection, escrito pelo
biólogo evolucionista R. A. Fisher. A evolução era, tal
como a aprendizagem, uma forma de adaptação, diferindo
apenas na escala de tempo. Em vez de ser o processo de
uma vida, era o processo de gerações. Como era feita em
paralelo por um conjunto de organismos, tornava-se mais
poderosa que a aprendizagem.
A seguir, John Holland dedicou-se ao estudo de
processos naturais adaptáveis, tendo inventado os AG’s em
meados da década de 60. Ele desenvolveu os AG’s em
conjunto com seus alunos e colegas da Universidade de
Michigan nos anos 60 e 70, com o objetivo de estudar
formalmente o fenômeno da adaptação como ocorre na
natureza, e desenvolver modelos em que os mecanismos da
adaptação natural pudessem ser importados para os
sistemas computacionais.
2
Como resultado do seu trabalho, em 1975, Holland edita
[2] e, em 1989, David Goldberg edita [1], hoje
considerados os livros mais importantes sobre AG’s.
V. O ALGORITMO GENÉTICO
Os Algoritmos Genéticos ocupam lugar de destaque
entre os paradigmas da Computação Evolutiva devido a
uma série de razões dentre as quais:
1. Apresentam-se como o paradigma mais completo da
Computação Evolutiva visto que englobam de forma
simples e natural todos os conceitos nela contidos;
2. Apresentam resultados bastante aceitáveis, com
relação à precisão e recursos empregados (fáceis de
implantar em computadores domésticos de porte
médio), para uma ampla gama de problemas de difícil
resolução por outros métodos;
3. São muito flexíveis, aceitam sem grandes dificuldades
uma infinidade de alterações na sua implementação e
permitem fácil hibridização (vantagem importante no
caso de aprendizagem) inclusive com técnicas não
relacionadas à Computação Evolutiva;
4. Em relação aos outros paradigmas da Computação
Evolutiva, são os que exigem menor conhecimento
específico do problema em questão para o seu
funcionamento , o que os torna altamente versáteis e,
além disso, agregam conhecimento específico com
pouco esforço;
5. São o paradigma mais usado dentro da Computação
Evolutiva e, junto com as Redes Neurais, os mais
usados de toda a Computação Natural.
Na prática, nós podemos implementar facilmente um
AG com o simples uso de strings de bits, no caso da
codificação binária, ou caracteres para representar os
cromossomos e, com simples operações de manipulação de
bits podemos implementar cruzamento, mutação e outros
operadores genéticos. Na fig. 1, podemos ver a
simplicidade de representação de um indivíduo composto
por cinco cromossomos (as variáveis do problema), cada
um composto por seis genes (codificação binária
utilizando-se seis bits), por meio de uma string de valores
binários.
110000 010101 101001 110100 001101
Fig. 1. Representação binária de um indivíduo de cinco cromossomos (cinco
variáveis), cada cromossomo contendo seis genes.
O pseudocódigo de um AG básico é mostrado a seguir.
Nele podemos ver que os AG’s começam com uma
população de N estruturas aleatórias (indivíduos), onde
cada estrutura codifica uma solução do problema. O
desempenho de cada indivíduo é avaliado com base numa
função de avaliação de aptidão. Os melhores tenderão a ser
os progenitores da geração seguinte, melhorando, de
geração para geração, através da troca de informação.
Algoritmo Genético:
t 0;
IniciaPopulação P(t);
Avalia P(t);
enquanto não parada faça
t t+1;
P’ SelecionaPares P(t);
Recombina P’;
Muta P’;

Avalia P’;
P(t+1) Sobreviventes P(t),P’(t);
fimenquanto
fim
Pelo que foi apresentado até o momento, pode-se notar
que a principal inovação dos AG’s em relação aos demais
métodos de busca é a implementação de um mecanismo de
seleção de soluções no qual, em curto prazo, os melhores
têm maior probabilidade de sobreviver e, em longo prazo,
os melhores têm maior probabilidade de ter descendência.
Desta forma, o mecanismo de seleção se divide em dois
segmentos: o primeiro escolhe os elementos que vão
participar da transformação (operador de seleção) e o outro
escolhe os elementos que vão sobreviver (operador de
substituição).
Cabe ainda destacar que os AG’s são métodos de busca:
§ Cega: não têm conhecimento específico do
problema a ser resolvido, tendo como guia
apenas a função objetivo;
§ Codificada: não trabalham diretamente com o
domínio do problema e sim com representações
dos seus elementos;
§ Múltipla: executa busca simultânea em um
conjunto de candidatos;
§ Estocástica: combinam regras probabilísticas e
determinísticas com alguma proporção
variável. Esse conceito se refere tanto às fases
de seleção como às de transformação.
A vantagem principal dos AG’s ao trabalharem com o
conceito de população, ao contrário de muitos outros
métodos que trabalham com um só ponto, é que eles
encontram segurança na quantidade. Tendo uma
população de pontos bem adaptados, é reduzida a
possibilidade de alcançar um falso ótimo. Os AG’s
conseguem grande parte de sua amplitude simplesmente
ignorando informação que não constitua parte do objetivo,
enquanto outros métodos se sustentam fortemente nesse
tipo de informação e, em problemas nos quais a
informação necessária não está disponível ou se apresenta
de difícil acesso, estes outros métodos falham. Em suma,
os AG’s podem ser aplicados praticamente em qualquer
problema.
Apesar de aleatórios, eles não são caminhadas aleatórias
não direcionadas, ou seja, buscas totalmente sem rumo,
pois exploram informações históricas para encontrar novos
pontos de busca onde são esperados melhores
desempenhos. Isto é feito através de processos iterativos,
onde cada iteração é chamada de geração.
As principais vantagens dos AG’s podem ser resumidas
no que se segue:
§ São procedimentos de busca paralela que
podem ser implementados em máquinas de
processamento paralelo, acelerando em muito o
processo;
§ São aplicáveis a problemas de otimização
contínuos e discretos;
§ São estocásticos e, portanto, menos sujeitos a
ficarem presos em mínimos locais, freqüentes
em muitos problemas práticos de otimização;
§ Sua flexibilidade facilita a estruturação e
identificação de parâmetros em modelos
3
complexos tais como redes neurais e sistemas
de inferência nebulosos.
A. Parâmetros Genéticos
É importante também, analisar de que maneira alguns
parâmetros influem no comportamento dos Algoritmos
Genéticos, para que se possa estabelecê-los conforme as
necessidades do problema e dos recursos disponíveis.
Serão listados a seguir alguns Parâmetros Genéticos
utilizados.
1) Tamanho da População
O tamanho da população determina o número de
cromossomos na população, afetando diretamente o
desempenho global e a eficiência dos AG’s. Com uma
população pequena o desempenho pode cair, pois, deste
modo, a população fornece uma pequena cobertura do
espaço de busca do problema. Uma grande população
geralmente fornece uma cobertura representativa do
domínio do problema, além de prevenir convergências
prematuras para soluções locais ao invés de globais. No
entanto, para se trabalhar com grandes populações, são
necessários maiores recursos computacionais, ou que o
algoritmo trabalhe por um período de tempo muito maior.
2) Taxa de Cruzamento
Quanto maior for esta taxa, mais rapidamente novas
estruturas serão introduzidas na população. Mas se esta for
muito alta a maior parte da população será substituída e
pode ocorrer perda de estruturas de alta aptidão. Com um
valor baixo, o algoritmo pode tornar-se muito lento.
3) Tipo de Cruzamento
O tipo de cruzamento a ser utilizado determina a forma
como se procederá a troca de segmentos de informação
entre os “casais” de cromossomos selecionados para
cruzamento. Mais adiante serão explanados alguns tipos de
cruzamento utilizados mas deve-se levar em conta que
existem muitas outras escolhas disponíveis para usuários
de AG’s. O ideal seria testar diversos tipos de cruzamento
em conjunto com as outras configurações do AG em uso
para verificar qual apresenta um melhor resultado.
4) Taxa de Mutação
Determina a probabilidade em que uma mutação
ocorrerá. Mutação é utilizada para dar nova informação
para a população e também para prevenir que a população
se sature com cromossomos semelhantes (Convergência
Prematura). Uma baixa taxa de mutação previne que uma
dada posição fique estagnada em um valor, além de
possibilitar que se chegue em qualquer ponto do espaço de
busca. Com uma taxa muito alta a busca se torna
essencialmente aleatória além de aumentar muito a
possibilidade de que uma boa solução seja destruída. A
melhor Taxa de Mutação é dependente da aplicação mas,
para a maioria dos casos é entre 0,001 e 0,1.
B. Estrutura e Componentes básicos
Como não há uma definição rigorosa para “Algoritmo
Genético” a qual seja aceita por todos os componentes da
comunidade da computação evolutiva, podemos dizer que
a maioria dos métodos denominados AG’s têm pelo menos
os seguintes elementos em comum:
§ Uma população de cromossomos;
§ Seleção de acordo com a aptidão;
§ Cruzamento (“crossover”) para gerar novas

populações;
§ Mutação aleatória para produzir novos
indivíduos.
Os cromossomos componentes da população de um AG,
assumem tipicamente a forma de strings binárias. Cada
posição dentro dessa string tem dois alelos possíveis: 0 e 1.
Cada cromossomo pode ser visto como um ponto no espaço
de busca das soluções candidatas. O AG processa
populações de cromossomos, efetuando substituições
sucessivas de uma população por outra. Os AG’s requerem
uma função de aptidão que atribua um valor (valor de
aptidão ou fitness) para cada cromossomo da população
atual. O valor de aptidão de cada cromossomo depende de
quão bem este cromossomo resolve o problema dado.
Um esquema gráfico da estrutura de um AG básico seria
como o apresentado na fig. 2.
População
Seleção
Auxiliar
População Transformação
Substituição Descendência
Fig. 2. Esquema gráfico da estrutura de um AG básico.
Como pode ser visto, uma população Pop(t) que consta
de M membros é submetida a um processo de seleção onde
será gerada uma população auxiliar PopAux(t) de C
criadores. Dessa população auxiliar será extraído um
subgrupo de indivíduos denominados progenitores que são
os que efetivamente vão se reproduzir. Fazendo uso dos
operadores genéticos, os progenitores passarão por uma
série de transformações na fase de reprodução, por meio
das quais serão gerados os S indivíduos componentes da
Descendência. Para formar a nova população, Pop(t+1),
devem ser selecionados M sobreviventes dos C+S da
população auxiliar e da descendência, o que é feito na fase
de Substituição. A fase de Seleção é realizada em duas
etapas com finalidade de emular as duas vertentes do
princípio de seleção natural: seleção de criadores ou
Seleção e seleção de sobreviventes para a próxima geração
ou Substituição.
C. Métodos e critérios para a implementação de um AG
Para implementar-se um AG, é necessário definir de
forma correta alguns métodos e critérios.
1) Critério de Codificação
Tendo em vista que os AG’s trabalham com
manipulação de strings de determinados alfabetos
(representação), deve-se especificar a codificação com a
qual se faz corresponder cada ponto do domínio do
problema com um Gene ou conjunto de Genes do
Cromossomo.
2) Critério de tratamento dos indivíduos não factíveis
Nem sempre é possível estabelecer uma correspondência
ponto-a-ponto entre o domínio do problema e o conjunto
de strings binárias (ou de outro alfabeto utilizado) usadas
para resolvê-lo. Como conseqüência, nem todas as strings
(indivíduos) codificam indivíduos válidos do espaço de
4
busca e devem ser habilitados procedimentos úteis para
distingui-las.
3) Critério de Parada
Devem ser determinadas as condições nas quais se
considera que o AG encontrou uma solução aceitável ou
tenha fracassado no processo de busca e não faça sentido
continuar.
4) Funções de avaliação e aptidão
Deve ser determinada a função de avaliação mais
apropriada para o problema, assim como a função de
aptidão que utilizará o AG para resolvê-lo.
5) Operadores Genéticos
Denominação dada aos operadores utilizados para
efetuar a reprodução. Todo AG faz uso de pelo menos três
Operadores Genéticos (levando em conta o AG básico):
seleção, cruzamento e mutação. Estes não são os únicos
possíveis e além de tudo admitem variações.
6) Critérios de Seleção
A seleção deve dirigir o processo de busca em favor dos
indivíduos mais aptos. Isto pode ser feito de várias
maneiras como, por exemplo, por amostragem direta, por
amostragem aleatória simples ou por amostragem
estocástica.
7) Critérios de Substituição
Os critérios com que se selecionam os criadores não
necessariamente têm que ser os mesmos usados para
selecionar os sobreviventes, logo a necessidade de
especificá-los separadamente.
8) Parâmetros de Funcionamento
Um AG precisa que sejam fornecidos certos parâmetros
de funcionamento tais como o tamanho da população, as
probabilidades de aplicação dos Operadores Genéticos, a
precisão da codificação, etc.
VI. OPERADORES GENÉTICOS
São os operadores genéticos que transformam a
população através de sucessivas gerações, estendendo a
busca até chegar a um resultado satisfatório. Um algoritmo
genético padrão evolui, em suas sucessivas gerações,
mediante o uso de três operadores básicos:
§ Seleção: realiza o processo de adaptabilidade e
sobrevivência.
§ Cruzamento: representa o acasalamento entre
os indivíduos.
§ Mutação: introduz modificações aleatórias.
Outros operadores têm sido propostos na literatura e
entre eles o mais utilizado é o Elitismo.
A. Seleção
A idéia principal do operador de seleção em um
algoritmo genético é oferecer aos melhores indivíduos da
população corrente preferência para o processo de
reprodução, permitindo que estes indivíduos possam passar
as suas características às próximas gerações. Isto funciona
como na natureza, onde os indivíduos altamente adaptados
ao seu ambiente possuem naturalmente mais oportunidades
para reproduzir do que aqueles indivíduos considerados
mais fracos.
B. Cruzamento
Pode-se dizer que a principal característica de distinção

do AG em relação às outras técnicas é o uso do
cruzamento.
O operador Cruzamento é utilizado após o de seleção.
Esta fase é marcada pela troca de segmentos entre “casais”
de cromossomos selecionados para dar origem a novos
indivíduos que formarão a população da próxima geração.
A idéia central do cruzamento é a propagação das
características dos indivíduos mais aptos da população por
meio de troca de informações entre os mesmos o que dará
origem a novos indivíduos.
Existem dois tipos mais comuns de reprodução sexual
em AG’s, que dependem do tipo de representação das
variáveis.
1) Cruzamento Binário
Na representação binária pode-se escolher um ponto de
“quebra” da string de bits e trocar os segmentos entre os
dois indivíduos, gerando dois indivíduos diferentes.
2) Cruzamento Real
No cruzamento real é traçado um segmento de reta
unindo os dois pontos (indivíduos). São gerados
aleatoriamente dois novos indivíduos sobre este segmento
de reta.
Pode-se criar um mecanismo de extrapolação, em que
este segmento de reta tem suas extremidades não em cima
de cada parceiro, mas um pouco além destes. Podemos
também aplicar maior probabilidade dos descendentes
“nascerem” mais próximos do melhor parceiro.
Combinando estes dois mecanismos, teremos o
Cruzamento Real Polarizado.
C. Mutação
A mutação é geralmente vista como um operador de
“background”, responsável pela introdução e manutenção
da diversidade genética na população [2]. Ela trabalha
alterando arbitrariamente um ou mais componentes de
uma estrutura escolhida entre a descendência, logo após o
cruzamento, fornecendo dessa forma meios para a
introdução de novos elementos na população. Assim, a
mutação assegura que a probabilidade de se chegar a
qualquer ponto do espaço de busca nunca será zero. O
operador de mutação é aplicado aos indivíduos com uma
probabilidade dada pela taxa de mutação. Como foi visto
no item Parâmetros Genéticos, geralmente se utiliza uma
taxa de mutação pequena, justamente por ser um operador
genético secundário. O operador de mutação também
depende do tipo de representação utilizada.
1) Mutação Binária
Na representação binária podemos realizar a mutação
simplesmente escolhendo aleatoriamente um bit para
sofrer mutação, ou seja, ser mudado. A mudança de um bit
no indivíduo pode fazê-lo representar outro ponto
completamente diferente do espaço.
2) Mutação Real
Na representação real, podemos realizar a mutação
mudando o indivíduo para outro ponto do espaço de acordo
com uma probabilidade gaussiana de média no próprio
indivíduo e com um certo desvio padrão dado.
D. Elitismo
O método mais utilizado para melhorar a convergência
dos AG’s é o Elitismo. Ele foi primeiramente introduzido
por Kenneth De Jong em 1975 e é uma adição aos vários
5
métodos de seleção que força os AG’s a reterem um certo
número de “melhores” indivíduos em cada geração. Tais
indivíduos podem ser perdidos se eles não forem
selecionados para reprodução ou se eles forem destruídos
por cruzamento ou mutação. Muitos pesquisadores têm
encontrado no elitismo vantagens significativas para a
performance dos AG’s [3].
O Elitismo consiste basicamente em realizar a etapa de
seleção em duas partes:
1. Seleciona-se uma elite de E membros entre os
melhores da população inicial, os quais serão
incorporados diretamente à população final, sem
passar pela população auxiliar;
2. A população auxiliar é selecionada entre os N - E
membros restantes da população inicial.
Em geral, a elite tem um tamanho reduzido, 1 ou 2 para
N=50, e a sua amostragem pode ser direta, escolhendo-se
simplesmente os melhores, ou por sorteio, escolhendo-se
os melhores entre os melhores da população. O esquema
gráfico do Elitismo pode ser visualizado na fig. 3.
População
Seleção Auxiliar
Elite
População Transformação
Substituição Descendência
Fig. 3. Esquema gráfico da estrutura de um AG com Elitismo.
VII. O PROBLEMA DA DIVERSIDADE DOS AG’S
Um ponto fundamental para o bom funcionamento de
um AG é a existência de diversidade entre os indivíduos.
Ou seja, deve existir um certo grau de diversidade entre as
aptidões dos indivíduos que compõe o conjunto de
possíveis soluções pois, do contrário, com um conjunto de
indivíduos muito semelhantes, o operador de cruzamento
perde em muito a capacidade de troca de informações úteis
entre os indivíduos da população o que faz a busca em
certos casos progredir muito lentamente ou praticamente
estacionar.
A necessidade de ter a diversidade controlada dentro de
uma determinada população tem, como um dos seus
maiores obstáculos, a necessidade de populações finitas e
não muito grandes. Caso contrário, uma técnica de AG
poderia tornar-se não aplicável na prática, visto que,
controlar uma população absurdamente grande, a qual
tenha cálculos muito complexos para determinar a aptidão,
poderia ocasionar um esforço computacional muito grande.
Devemos lembrar que o esforço computacional será
relativo ao tipo de aplicação pois, por exemplo, se tratando
do controle de um robô móvel que dependa de respostas
em tempo real para desvio de obstáculos, um atraso de 1
segundo na tomada de uma decisão pode ser catastrófico.
Em suma, para que a seleção seja efetiva, a população
deve conter, a todo instante, uma certa variedade de
aptidões, o que, como foi visto com relação ao tamanho da
população, implica também em não ter uma disparidade
muito grande de aptidões, pois costuma afetar

negativamente a diversidade da população.
VIII. REPRESENTAÇÃO E CODIFICAÇÃO DOS AG’S
As partes que relacionam um AG a um problema dado
são a codificação e a função de avaliação.
Se um problema pode ser representado por um conjunto
de parâmetros (genes), estes podem ser unidos para
formarem uma cadeia de valores (cromossomo), este
processo se chama codificação. Em genética, este conjunto
representado por um cromossomo em particular é
referenciado como genótipo, contendo a informação
necessária para construir um organismo, conhecido como
fenótipo. Estes mesmos termos se aplicam em AG. Por
exemplo, para se desenhar um prédio, um conjunto de
parâmetros especificando o desenho da planta é o
genótipo, e a construção final é o fenótipo. A adaptação de
cada indivíduo depende de seu fenótipo, no qual se pode
inferir seu genótipo.
Por exemplo, para um problema de maximizar uma
função de três variáveis, se poderia representar cada
variável por um número binário de 10 bits, obtendo-se um
cromossomo de 30 bits de longitude.
Existem vários aspectos relacionados com a codificação
de um problema a serem levados em conta no momento de
sua realização:
§ Deve ser utilizado um alfabeto o mais pequeno
possível para representar os parâmetros.
Normalmente utilizam-se dígitos binários;
§ As variáveis que representam os parâmetros do
problema devem ser discretizadas para poder
representar as strings de bits;
§ A maior parte dos problemas tratados com
AG's são não lineares e muitas vezes existem
relações “ocultas” entre as variáveis que
formam a solução;
§ O tratamento dos genótipos inválidos deve ser
levado em conta para o desenho da codificação.
IX. A IMPLEMENTAÇÃO
Implementamos um AG no Matlab, utilizando
codificação real para os indivíduos da população. A tabela
a seguir relaciona os parâmetros genéticos adotados na
implementação.
PARÂMETROS GENÉTICOS
Tamanho da População 100
Número Máximo de Gerações 200
60%
Taxa de Cruzamento
Tipo de Cruzamento Real Polarizado
Taxa de Extrapolação 20%
Taxa de Mutação 5%
A seguir, são especificados outros aspectos da
implementação.
A. Critério de Parada
O algoritmo pára ou quando o número máximo de
gerações foi alcançado, ou quando os dez últimos ótimos
não variaram mais que um certo î. O valor adotado para î
foi de 0,0001.
6
B. Geração da População Inicial
1) Inicialização Aleatória da População
Neste tipo de inicialização da população, os N
indivíduos são distribuídos aleatoriamente dentro do
espaço solução. Possui a desvantagem de possibilitar a
ocorrência de regiões com concentração de pontos e outras
sem indivíduos. Entretanto, a distribuição aleatória
permite uma maior variabilidade dos resultados obtidos.
Podemos obter informação adicional a cada vez que
rodarmos o algoritmo para o problema.
2) Inicialização Determinística da População
A população é distribuída uniformemente dentro do
espaço solução. Possui a vantagem de cobrir bem o espaço
solução porém, execuções sucessivas não trazem
informação adicional, pois o estado de inicialização é
sempre o mesmo.
3) Inicialização Aleatória com “Nicho”
A fim de solucionar o problema da possível ocorrência
de concentração de pontos devido a Inicialização Aleatória
da População, pode-se utilizar a técnica de “nichos”. Nesta
técnica, é estabelecida uma região de cobertura para cada
indivíduo, chamada de nicho do indivíduo. No momento
que estamos gerando a população inicial, se dois ou mais
indivíduos aparecerem muito próximos, um deles é
eliminado e outro é gerado aleatoriamente. O processo é
repetido até que todos os indivíduos estejam sozinhos
dentro de seu nicho.
Este processo garante que não haverá, na população
inicial, indivíduos próximos uns dos outros, porém, não
garante que todo o espaço solução esteja sendo coberto
inicialmente.
4) Inicialização implementada
Na inicialização da população que implementamos,
mesclamos as técnicas anteriores. Inicialmente, geramos
uma população uniformemente distribuída dentro do
espaço solução. Em seguida, aplicamos uma perturbação
aleatória em cada indivíduo. A perturbação máxima
permitida é determinada pelo nicho de cada indivíduo.
Dessa maneira, unimos as vantagens das técnicas
anteriores, isto é, garantimos uma cobertura ampla do
espaço solução e a variabilidade característica da
distribuição aleatória.
A fig. 4 ilustra esta técnica onde 16 indivíduos são
distribuídos uniformemente dentro do espaço solução
definido por:
x1 ∈ [0,7.5]
x 2 ∈ [0,5]
 7

Distribuiç ã o uniforme da populaç ã o 1) Amostragem Aleatória Simples ou Equiprovável

5
Neste critério todos os indivíduos têm chances iguais de
4.5
serem sorteados. São sorteados P indivíduos dentro dos N
4 integrantes da população para formarem a população de
3.5
progenitores, que irão efetivamente cruzar. P é
determinado pela taxa de cruzamento.
3
Coordenada x2

2) Amostragem Estocástica por Torneio

2.5 Neste critério são sorteados três indivíduos da população
2 e é realizado um “torneio” entre eles para escolher-se qual
irá efetivamente fazer parte da população de progenitores.
1.5
Em nossa implementação determinamos como vencedor do
1
torneio aquele indivíduo que possui maior aptidão, no
0.5 caso, o que possui menor valor da função objetivo.
0
0 1 2 3 4 5 6 7
F. Critérios de Substituição
Coordenada x1
Foram implementados e verificados quatro tipos
Fig. 4. Distribuição uniforme de 16 indivíduos dentro do espaço solução.
diferentes de substituição da população anterior pela nova.
Na fig. 4 é mostrada uma cruz maior sobre um dos
1) Substituição Imediata
indivíduos. Esta cruz estabelece a faixa para cada
Os descendentes substituem seus progenitores.
coordenada, no caso x1 e x2, dentro da qual estarão as
2) Substituição por Fator Cheio
coordenadas do indivíduo quando ele sofrer uma
Os descendentes substituem aqueles membros da
perturbação aleatória. A fig. 5 ilustra a população da fig. 4
população mais parecidos com eles.
após a perturbação.
3) Substituição por Inserção
Populaç ã o Inicial apó s perturbaç ã o
5 Os M descendentes substituem M membros da
4.5
população anterior, geralmente os M piores. A seleção dos
piores foi feita por torneio
4
4) Substituição por Inclusão
3.5 Os descendentes são somados aos progenitores em uma
3 única população e, desta, são selecionados os N melhores.
Coordenada x2

Da mesma forma, a seleção dos melhores foi feita por

2.5
torneio.
2

1.5 X. COMPARAÇÃO
1 Vamos comparar a técnica de geração da população
0.5
inicial que propusemos na seção anterior com a
Inicialização Aleatória. Vamos submeter dois algoritmos
0
0 1 2 3 4 5 6 7 genéticos, que diferem na maneira de gerar a população
Coordenada x1
inicial, à seguinte função teste, ilustrada na fig. 6.
Fig. 5. População após a perturbação aleatória.

Podemos observar na fig. 5 que a nova população

manteve a característica de nicho para cada indivíduo e o
espaço solução foi amplamente coberto pela população
inicial.
C. Reflexão
Eventualmente, após os processos de cruzamento e
mutação da população alguns indivíduos podem sair do
espaço solução, caindo em pontos não factíveis. Com o
método da Reflexão, estes indivíduos são refletidos para
dentro do espaço solução, voltando para pontos factíveis do
problema.
D. Elitismo
Em nossa implementação utilizamos o Elitismo Fig. 6. A função peaks.
escolhendo apenas um indivíduo para integrar a Elite: o
melhor. Este indivíduo será incluído na próxima geração A função teste é a função peaks, que já vem definida no
diretamente. Matlab e possui a característica de ser multimodal.
E. Critérios de Seleção Os algoritmos utilizados para teste utilizam ambos a
Amostragem Estocástica por Torneio como critério de
Foram implementados e verificados dois tipos diferentes
seleção e a Substituição por Inserção como critério de
de seleção dos indivíduos que irão efetivamente cruzar.
substituição.
 8

XI. RESULTADOS Histograma - Inicializaç ã o Aleató ria

60

A fig. 7 ilustra a evolução da população inicial para a

população final. Pode-se observar que a população 50

converge para a região do ótimo global. A população

inicial, cujos indivíduos são mostrados na fig. 7 marcados 40
com um ‘x’, foi gerada pela técnica proposta. Pode-se
observar, como foi comentado anteriormente, que a

Amostras
30
população cobre todo o espaço de busca e não há
concentração de indivíduos em uma determinada região. 20
Evoluç ã o da Populaç ã o Inicial para a Final
3

10

0
0 20 40 60 80 100 120 140 160 180 200
1 Nú m e r o d e G e r a ç õ e s

Fig. 8. Histograma das amostras para o AG com Inicialização Aleatória

Coordenada y

da população.
0

Pode-se observar neste histograma que em 57% das

-1
vezes o AG alcançou o ótimo global em menos de 40
gerações. A barra mais à direita do histograma corresponde
-2
ao número de vezes, no caso 18%, em que o algoritmo
rodou entre 180 e 200 gerações e não alcançou o ótimo
-3
-3 -2 -1 0 1 2 3 global.
Coordenada x

Fig. 7. Evolução da população inicial, com 25 indivíduos, para a B. Inicialização Implementada

população final dentro do espaço de busca do ótimo para a função peaks.
Os resultados obtidos pelo AG utilizando a Inicialização
Marcados com um ‘x’ na figura estão os indivíduos da população inicial
utilizando-se a técnica proposta de inicialização. Marcados com um círculo, proposta são relacionados na tabela a seguir. A população
estão os indivíduos da população final. também continha 25 indivíduos.
RESULTADO DO TESTE
Os dois algoritmos foram rodados cem vezes com a Número de amostras 100
função peaks utilizando inicialmente uma população de Porcentagem de acerto 99
cem indivíduos. Ambos tiveram percentual de acerto de Média do no. de gerações 33,4040
100%. A seguir, o número de indivíduos na população foi Valor máximo 177
reduzido até encontrarmos um percentual de acerto Valor mínimo 1
inferior a 100%. Com uma população de 25 indivíduos, o
AG utilizando a técnica proposta de geração da população Na fig. 9 é ilustrado o histograma das amostras. A partir
inicial obteve percentual de acerto de 99%. Com esse dele podemos observar que em 75% das vezes o AG
mesmo número de indivíduos, o AG com inicialização atingiu a solução ótima em menos de 40 gerações.
aleatória obteve percentual de acerto de 82%. Além desta Histograma - Inicializaç ã o Proposta
60
diferença no percentual de acerto, o resultado do teste
mostrou uma diferença em relação à velocidade de
50
convergência para o ótimo global da função objetivo. Estes
resultados são detalhados a seguir.
40

A. Inicialização Aleatória da População

Amostras

A tabela a seguir relaciona os resultados obtidos pelo 30

AG utilizando Inicialização Aleatória da População e com

uma população de 25 indivíduos. Para o cálculo da média 20

do número de gerações que este AG levou para alcançar o

ótimo global foram consideradas, dentre as cem rodadas do 10

algoritmo, somente as que ele acertou.

RESULTADO DO TESTE 0
0 20 40 60 80 100 120 140 160 180 200
Número de amostras 100 Nú m e r o d e G e r a ç õ e s
Porcentagem de acerto 82 Fig. 9. Histograma das amostras para o AG com Inicialização da
Média do no. de gerações 37,0366 população proposta.
Valor máximo 200
Valor mínimo 2 Foi observado que mesmo reduzindo a população para
16 indivíduos, o AG com inicialização proposta obteve
A fig. 8 mostra o histograma das amostras. As amostras percentual de acerto de 96%, um resultado ainda bem
são o número de rodadas do algoritmo. Em cada rodada, o melhor que o obtido pelo AG com Inicialização aleatória.
número de gerações foi registrado.
 9

XII. CONCLUSÕES [3] MITCHELL, Melanie. “An Introduction to Genetic Algorithms” MIT
Press Massachusetts, 1996.
A partir dos resultados podemos observar que a técnica [4] JANG, Jyh-Shing R., SUN, Chuen-Tsai, MIZUTANI, Eiji. “Neuro-
proposta neste trabalho para gerar a população inicial do Fuzzy and Soft Computing” Prentice Hall, Inc., 1997.
[5] Notas de Aula da disciplina “Otimização”
algoritmo genético contribui para uma melhor eficiência
do algoritmo. Conforme se pode observar nos dados
anteriores, a técnica proposta obteve, na média, um
número menor de gerações para atingir a solução do
problema. Além disso, entre as cem rodadas do algoritmo,
o maior número de gerações obtido foi menor do que na
inicialização aleatória. A solução ótima foi encontrada, no
geral, com um número menor de gerações na maioria das
vezes, mostrando que a técnica proposta possui uma
convergência mais rápida para o ótimo global. Isto pode
ser visualizado nos histogramas da fig. 8 e da fig. 9.
Entretanto, apesar de ser importante para o desempenho
do AG, o método de geração da população inicial não é o
fator mais significativo. Os componentes estruturais do AG
mais significativos em relação ao desempenho são os
critérios de seleção, substituição, mutação e cruzamento.
Estes componentes são os que mais fortemente influem no
resultado do AG pois afetam diretamente a evolução da
população em direção à solução do problema.
Porém, a inicialização proposta neste trabalho tem a
vantagem de cobrir todo o espaço solução, mas mantendo a
variabilidade característica da inicialização aleatória. O
fato de já cobrir inicialmente todo o espaço solução,
aumenta a probabilidade de termos pelo menos um
indivíduo próximo ou dentro da bacia do ótimo global. A
convergência se torna mais rápida pois, a população não
necessita “migrar” rumo ao mínimo global caso a geração
aleatória tenha, por azar, colocado os indivíduos distantes
do ponto ótimo. O processo de evolução se reduz a apenas
convergir a população para a região do ótimo através do
cruzamento dos indivíduos. Como o operador de
cruzamento tem o efeito de reduzir a região de abrangência
da população, se já garantirmos inicialmente que a
população está distribuída por todo o espaço solução,
podemos iniciar com uma taxa de cruzamento mais alta e
uma taxa de mutação mais baixa, pois estaremos
interessados apenas em concentrar a população e não mais
em explorar o espaço de busca.
A importância de diminuir o número de gerações, ou
seja, de iterações, para se alcançar a solução e, portanto,
aumentar a velocidade de convergência do AG é que
necessitaremos de menos avaliações da função objetivo.
Isso representa uma redução no custo computacional
inerente a certos problemas de otimização e do tempo de
execução do algoritmo.
Por fim, para se obter conclusões mais concretas testes
mais exaustivos, com um maior número de amostras, e
com funções objetivo diversas deveriam ser realizados.
Porém, com base no teste feito neste trabalho, podemos ver
que a técnica de inicialização da população sugerida
contribui para a melhora do desempenho do AG e para
uma redução do número de avaliações da função objetivo.

XIII. REFERÊNCIAS
[1] GOLDBERG, David E. “Genetic Algorithms in Search, Optimization
and Machine Learning” Addison-Wesley Co. Massachusetts, 1989.
[2] HOLLAND, John H. “Adaptation in Natural and Artificial Systems”
University of Michigan Press Ann Arbor, 1975.