Parte IV · Cap. 23 — Algoritmo Genético / Evolutivo
Evolutiva · Otimizaçãobusca · População + seleçãomutação/crossover. Evolui uma população de soluções guiada por uma função de aptidão. Card:
../02-tipos-de-ia/04-evolutiva.kmd.
🎨 Figura
F-IV.23.0— Seleção ao longo de gerações. Brief: população de soluções (formas variadas) sendo filtrada por aptidão, recombinada e mutada a cada geração, convergindo para uma forma ótima.
1. Definição e história curta
Otimização inspirada na evolução natural (Holland, anos 1970). Resolve problemas black-box sem gradiente; usada de design de antenas (NASA) a neural architecture search.
2. Fundamentos
- Biologia evolutiva — seleção, mutação, recombinação.
- Otimização — busca estocástica global, fitness landscapes.
- Probabilidade — operadores estocásticos.
- Teoria de sistemas complexos — emergência por população.
3. Algoritmos e arquiteturas
- Representação — codificar soluções (genoma).
- Operadores — seleção (torneio/roleta), crossover, mutação, elitismo.
- Estratégias evolutivas — CMA-ES (adapta a distribuição de busca).
- Variantes — programação genética (evolui programas/árvores), multiobjetivo
(NSGA-II).
4. Insumos
- Hardware: CPU (paralelizável por indivíduo); GPU para avaliações caras.
- Dados: função de aptidão (simulação, métrica) — não dados rotulados.
- Estruturas de dados: população (genomas), fitness.
- Sistemas: DEAP, frameworks de otimização evolutiva.
5. Ciclo de vida especializado
| Etapa | Especialização |
|---|---|
| 0 Problema | Otimização black-box, não-diferenciável/multimodal |
| 1 Dados | Definir representação e função de aptidão |
| 2 EDA | Topologia do fitness landscape (multimodal?) |
| 3 Modelagem | Operadores, tamanho de população, taxas |
| 4 "Treino" | Evoluir gerações até convergir |
| 5 Avaliação | Qualidade da melhor solução, diversidade, convergência |
| 5.5 Homologação | Robustez da solução, overfitting à aptidão |
| 6 Produção | Usar a solução encontrada (ou evoluir online) |
| 7 Monitoramento | Estagnação, perda de diversidade |
| 8 Retreino | Re-evoluir se o problema muda |
| 9 Governança | Conforme aplicação |
6. Capacidades, modos e modalidades
Otimização criativa: design de engenharia, scheduling, arte generativa evolutiva, hyperparameter/architecture search; explora sem gradiente.
7. Limites, riscos e ética
Custo computacional (muitas avaliações); sem garantias; sensível a parâmetros; reward/fitness hacking. Ponto forte: espaços não-diferenciáveis e multimodais.
8. Estado da arte e exemplos
CMA-ES (otimização black-box), neuroevolution (cap. 24), NAS evolutivo, quality-diversity (MAP-Elites); nicho onde gradientes não existem.