Algoritmos Genéticos, Lógica Fuzzy e Redes Neurais Artificiais

Algoritmos Genéticos: Otimização por Evolução

Algoritmos Genéticos buscam a melhor solução para problemas de otimização, utilizando um processo iterativo de busca. A busca se dá a partir de uma população inicial, onde a combinação dos melhores representantes gera uma nova população, que substitui a anterior. A cada nova iteração, uma nova população é gerada, apresentando soluções cada vez melhores para o problema, culminando com a sua convergência.

Ciclo de um Algoritmo Genético

• População → Seleção → Reprodução → Cruzamento → Mutação → Estimação da Nova População

Operadores Genéticos

• Função de Seleção: Escolhe os elementos da população que participarão do processo de reprodução, ou seja, seleciona os pais dos indivíduos que estarão presentes na nova população.
• Cruzamento em um Ponto: Consiste em dividir os cromossomos selecionados em um ponto de sua cadeia, onde este ponto é escolhido aleatoriamente.
• Cruzamento Uniforme: Consiste em gerar cada gene do descendente, copiando o gene correspondente de um dos pais, onde este gene é escolhido de acordo com uma "máscara de cruzamento" gerada aleatoriamente.
• Operador de Mutação: Responsável pela inserção de pequenas mudanças aleatórias nos cromossomos dos filhos.
• Mutação de Bit: É o operador mais fácil de trabalhar, podendo ser aplicado em qualquer forma de representação binária dos cromossomos.

Lógica Fuzzy: Aproximando o Raciocínio Humano

A Lógica Fuzzy busca aproximar o raciocínio humano ao da lógica executada pela máquina. Ela complementa o sistema binário tradicional, sendo capaz de sanar problemas que exigem graus intermediários entre o verdadeiro e o falso.

Etapas da Lógica Fuzzy

• Fuzzificação: Transformação das variáveis do problema em valores fuzzy.
• Inferência: Aplica o operador de implicação, usado para definir o peso no resultado e remodelar a função, ou seja, criar a hipótese de implicação.
  • Exemplo: Se o serviço é excelente OU o atendimento é rápido ENTÃO o pagamento é alto.
• Defuzzificação: Consiste em retornar os valores fuzzy para valores nítidos (crisp).

Redes Neurais Artificiais (RNAs): Modelos Inspirados no Cérebro

As Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados no princípio de funcionamento dos neurônios biológicos. Surgiram em 1943, com os estudos de Warren McCulloch e Walter Pitts.

Habilidades Simuladas pelas RNAs

As RNAs buscam simular computacionalmente habilidades humanas, tais como:

• Aprendizado;
• Generalização;
• Associação;
• Abstração.

Características das Redes Neurais Artificiais

• Busca Paralela: Aprendizado por experiência.
• Generalização: A partir de exemplos anteriores, uma RNA é capaz de generalizar seu conhecimento.
• Abstração: Capacidade de identificar a essência a partir de um conjunto de dados de entrada. A partir de padrões ruidosos, uma RNA pode extrair as informações do padrão sem ruído.
• Robustez e Degradação Gradual: Como o processamento em uma RNA é distribuído, a perda de um conjunto de neurônios não causa o mau funcionamento da rede.
• Não Programáveis: Uma RNA deve ser modelada segundo as entradas e saídas envolvidas em um algoritmo de aprendizado, buscando mapear corretamente as entradas nas saídas correspondentes.

Estrutura das Redes Neurais

Em uma RNA, os neurônios são arranjados em camadas, com conexões entre elas. As camadas são organizadas em:

• Camada de entrada;
• Camada de saída;
• Camada intermediária (comumente chamada de camada escondida).

Cada entrada de um neurônio artificial possui um valor real chamado peso sináptico. Dependendo do valor do peso sináptico, maior ou menor será a influência positiva ou negativa do neurônio.

Funções de Ativação

• Degrau Bipolar
• Degrau
• Sigmóide

Tipos de Redes Neurais

• Redes de Uma Única Camada: São RNAs que possuem apenas uma única camada de neurônios.
• Redes de Múltiplas Camadas: São RNAs que possuem mais de uma camada de neurônios.
• Redes Feedforward (Acíclica): O fluxo do processamento da informação ocorre da esquerda para a direita.
• Redes Feedback (Cíclica): Existe um sinal de retorno em sentido contrário ao fluxo de processamento.

Aprendizado em Redes Neurais

Os passos do algoritmo de aprendizado são repetidos até que algum critério de parada seja estabelecido. Uma rede neural somente pode ser aplicada a um problema após ter sido treinada.

Paradigmas de Aprendizado

• Aprendizado Supervisionado: A rede neural recebe um conjunto de dados de entrada e seus correspondentes padrões de saída.
• Aprendizado Não Supervisionado: Trabalha os dados de maneira a determinar algumas propriedades dos conjuntos de dados. Não existe para cada entrada uma saída desejada.
• Aprendizado por Reforço: Tenta maximizar (reforçar) as ações boas produzidas pela rede. Se uma ação produzida representa um estado satisfatório, então a tendência de reproduzir esta ação é reforçada.