Parte II · Galeria — IA Evolutiva
Inteligência por seleção natural simulada: populações de soluções que mutam, recombinam e competem ao longo de gerações. Inspirada na biologia evolutiva e no comportamento coletivo.
🧬 Algoritmo Genético / Evolutivo Evolutiva · Otimizaçãobusca · População + seleçãomutação/crossover
- O que é: evolui uma população de soluções candidatas guiada por uma
função de aptidão.
- Exemplos: design de antenas da NASA, otimização de schedules, arte
generativa evolutiva.
- Base algorítmica: seleção, crossover, mutação, elitismo; estratégias
evolutivas (CMA-ES).
- Auge: anos 1970 (Holland) – presente (otimização black-box).
- Capacidades / modos: otimização criativa; explora sem gradiente.
- → Parte IV: capítulo planejado.
🧠🧬 Neuroevolução Evolutiva + conexionista · Controlejogos · Evolução de topologiapesos de rede
- O que é: usa evolução para descobrir arquiteturas e pesos de redes
neurais.
- Exemplos: NEAT, HyperNEAT, evolução de agentes de jogo.
- Base algorítmica: evolução de grafos de rede, novelty search.
- Auge: anos 2000–2010; ressurge em neural architecture search.
- Capacidades / modos: descoberta de arquitetura sem backprop.
- → Parte IV: capítulo planejado.
🐝 Inteligência de Enxame Evolutiva · Otimização distribuída · Agentes simples + regras locais
- O que é: comportamento inteligente emerge de muitos agentes simples
interagindo localmente.
- Exemplos: PSO (particle swarm), colônia de formigas (ACO), robótica de
enxame.
- Base algorítmica: regras locais, estigmergia, otimização por população.
- Auge: anos 1990–2010 (roteamento, logística).
- Capacidades / modos: coletivo/distribuído; robusto a falhas.
- → Parte IV: capítulo planejado.
Ciências e matemática salientes: biologia evolutiva, teoria de sistemas complexos, otimização (sem gradiente), probabilidade, teoria dos jogos. Ponto forte: explora espaços não-diferenciáveis e multimodais; ponto fraco: custo computacional e ausência de garantias.