Programación Genética: Introducción y Aspectos Generales
Descargar como PPTX, PDF1 recomendación1,606 vistas
El documento presenta una introducción a la programación genética. Explica que la programación genética es una técnica evolutiva que permite generar programas de manera automática. Detalla los aspectos históricos, los lenguajes, las representaciones de programas, los pasos iniciales como la inicialización de los árboles y la selección de la población inicial, los mecanismos evolutivos como la recombinación y mutación, e implementación. Finalmente, resume un artículo sobre la predicción de diagnósticos médicos usando programación genética
Programación Genética: Introducción y Aspectos Generales
- 1. Programación Genética John Jaime Sprockel Díaz MISyC Departamento de Ingeniería de Sistemas Facultad de Ingeniería Pontificia Universidad Javeriana
- 2. AGENDA 1. Aspectos Históricos 2. Definición 3. Lenguajes 4. Representación de Programas a. Propiedad de Clausura 5. Pasos a. Inicialización de los Árboles b. Selección de la Población Inicial: Fitness 6. Mecanísmos Evolutivos a. Recombinación b. Mutación 7. Implementación 8. Presentación de un Artículo
- 3. Programación Genética: Historia Turing (1950- 1953) “búsqueda genética o evolucionaria” Smith (1980) sistema de clasificación para encontrar estrategias en póker Cramer (1985) representación de programas con arboles en un genotipo Hicklin (1986) y Fujiki y Dickinson (1987) consideraron métodos para evolucionar programas en LIPS. Y Dickmanns, Schmidhuber y Winkklohofer (1987) en PROLOG. Koza (1989, 1992) importancia de la programación genética para inducción de programas en un amplio rango de campos. Interrogante: ¿Cómo generar programas automáticos?
- 5. Lenguaje de Generación de Programas Características: Restringidos, Definidos por el usuario, Con operadores, variables y constantes adecuados definidos para el problema Programación Funcional
- 6. Lenguaje de Generación de Programas
- 7. Estructuras de los Programas Árboles LinealGrafos Órden Prefix ó postfix Memoria Local Asas y recursión Memoria local y global Cadena de instrucciones de ejecución secuencial Memoria no- local
- 8. Representación de Programas: Árboles - Terminales: Proveen valor al sistema de PG. - Funciones: Procesan los valores existentes en el sistema.
- 9. Lenguaje de Generación de Programas • Conjuntos Terminales y de Funciones – De Terminales: entradas, constantes y funciones sin argumentos. • Retorna un valor numérico • Las constantes pueden integrarse en nuevas constantes. – De Funciones: funciones, operadores y declaraciones. • Pueden ser específicas de la aplicación • Debe ser suficientemente poderoso para suplir una representación para la solución del problema. • No debe ser muy largo Representan los nodos de un árbol. Otras son grafos, estructuras lineales o incluso autómatas celulares.
- 11. Lenguaje de Generación de Programas • Propiedad de Clausura (Cierre) – Es un requerimiento importante – “Cada función en el conjunto de funciones debe ser capaz de aceptar como argumento cualquier otra salida de una función y algún terminal en el conjunto terminal”. – Todo el conjunto de estructuras posibles debe ser formado recursivamente de los conjuntos de función y de terminales.
- 12. Inicialización de los Árboles Método de Crecimiento (“Grow”) • Formas Irregulares • Se especifica la profundidad máxima (Dmáx ) Método Completo (“full”) • Árboles Regulares • Se especifíca la misma Dmáx Ramped Half and Half • Introduce diversidad en la pobl inicial • Usando ambas tecnicas
- 13. Cálculo del Fitness • Si se logra disponer de una función objetiva para ser optimizada, se puede obtener una función de fitness por una trasformación de escala de la función objetivo. • No es fácil -> se usa un conjunto de entrenamiento y se define como una función basada en error.
- 14. Cálculo del Fitness • A partir de los k ejemplos de entrenamiento tenemos: (xi, yi), i = 1,…, k xi es la entrada yi es la salida ei = (yi –oi)^2 f(P) = ∑ei = ∑(yi –oi)^2 Función de error cuadrática
- 15. Operadores de Recombinación Árboles: Intercambio de sub-árboles entre padres, pasos: Escoger los padres Seleccionar un sub-árbol Intercambiar los sub-árboles
- 18. Operadores de Recombinación Representación lineal:
- 19. Operadores de Recombinación INTRONES: Secuencia de ADN que no carga información genética (no codificada). Son usados para mejorar el chance de entrecruzar los bloques a recombinar, reduce su efecto disruptivo. X1 Intrón X2 Intrón … Intrón Xs
- 20. Operadores de Recombinación INTRONES: En GP puede ser un operador que no produce un cambio en el estado del sistema. Emergencias en el proceso de búsqueda, no afecta el fitness Espontáneos o insertados Artificialmente
- 21. Mutación Árboles: 1. Macromutación: Selecciona aleatoriamente un punto interno – conj de funciones externo – símbolo terminal
- 22. Mutación Árboles: 2. Micromutación: Altera un simple nodo
- 23. Mutación Representación Lineal: Se selecciona una instrucción Es perturbada aleatoriamente cambiando alguna de sus partes O se selecciona una secuencia de instrucciones que luego son reemplazadas X1 X2 X4 X5 X6 X1 X2 X4 X5* X6 X1 X2 X4 X5* X6*
- 24. Mutación IMPLEMENTACIÓN: Se aplica con una probabilidad específica. Otra, aplicación separada del entrecruzamiento y mutación
- 25. Selección En la GP no es específica. El problema puede imponer una elección particular. _Selección Por Recombinación Todas las variantes pueden ser usadas, problema: encontrar el adecuado. Torneo: en problemas grandes _Selección Por Reemplazo Todos los tipos: Generacional o de Estado Estable
- 26. CONJUNTO DE PROCEDIMIENTOS EN GP Definir el conjunto de Funciones Definir el conjunto de Terminales Definir el procedimiento de evaluación Definir los parámetros de procedimiento GP Tamaño de la población, Profundidad máxima del nodo Tamaño máximo del individuo Probabilidades de entre cruzamiento y mutación
- 27. Algoritmo de Programación Genética Generacional S1. Set t = 0 Initiate población P(t) S2. while (⌐ Condición de terminación) do begin S2.1. Evaluate individuos en P(t) S2.2. Select individuos en P(t) usando el algoritmo de selección S2.3. Apply operadores de variación para los individuos seleccionados S2.4. Insert la descendencia obtenida dentro de la nueva población S2.5. Set t= t+1 end
- 28. Algoritmo de Programación Genética Estado Estable S1. Initiate población S2. while (⌐ Condición de terminación) do begin S2.1. Chose un grupo para torneo S2.2. Play el torneo con los competidores seleccionados S2.3. Select los ganadores del torneo S2.4. Modify los ganadores usando operadores de variación S2.5. Replace algunos de los perdedores del torneo con la descendencia end
- 29. Variaciones Recombinación de Crías (Tackett, 1994) -Genera más descendencia (crías) -Solo se selecciona las dos mejores crías, el resto se descarta. -Se considera un parámetro de tamaño de la cría: K .
- 30. Variaciones Selección punto de entrecruzamiento Iba y Garis (1996) método para detectar regularidades en el árbol del programa Asigna un valor de desempeño a un sub- árbol El operador de recombinación aprende a seleccionar el punto de corte
- 31. Presented at the 12th IEEE Symposium on Computer-Based Medical Systems, 1999. Proceedings., IEEE Comput. Soc. (pp. 202–207).
- 32. Predicción de Diagnósticos Médicos Usando Programación Genética Introducción: -Posicionamiento DSS en Md. -Posible papel de Árboles de Decisiones -Limitaciones en su construcción: Selección del mejor Objetivo: Construir con la ayuda de la programación genética una herramienta que ayude a predecir un diagnóstico correcto aplicado al prolapso de la válvula mitral (MVP). Reducir los pasos en Dx.
- 33. Predicción de Diagnósticos Médicos Usando Programación Genética Descripción de: 1. MVP 2. Árboles de decisiones 3. Programación genética
- 34. Predicción de Diagnósticos Médicos Usando Programación Genética
- 35. Predicción de Diagnósticos Médicos Usando Programación Genética
- 36. Predicción de Diagnósticos Médicos Usando Programación Genética x<2 y y y<1.8 Y<2 y >1.8 x<1.8 x>1.8 Naranja …y>2 y >2.3 y>2.3 x>1 … RojoNaranja Rojo … SI NO
- 37. Predicción de Diagnósticos Médicos Usando Programación Genética F1 F2 F3 <F1 <F2 >F3 Rojo SI NO Naranja …
- 38. Predicción de Diagnósticos Médicos Usando Programación Genética Resultados: Ptes: 900 ptes <18 años (representativa) Todos raza Blanca Área de Maribor (Slovenia) 631 voluntarios para ecocardiograma 103 parámetros que podrían indicar la presencia de MVP Entrenamiento 500 ptes, 131 prueba
- 39. Predicción de Diagnósticos Médicos Usando Programación Genética Falsos positivos Falsos negativos
- 40. Predicción de Diagnósticos Médicos Usando Programación Genética
- 41. Predicción de Diagnósticos Médicos Usando Programación Genética Conclusión: La introducción de técnicas de programación automática en la toma de decisiones médicas ha mostrado algunos buenos resultados, al menos en MVP.
- 42. Gracias • John Jaime Sprockel Díaz. – Pontificia Universidad Javeriana – Maestría de Ingeniería de Sistemas y Computación – email: jsprockel@javeriana.edu.co