HALKEVLERİNİN KAPATILMASI SÜRECİNİN BURSA’DAKİ YANSIMALARI 1 . Halkevlerinin Kapatılışına Gidilen Süreç

Gregor Mendel em seu estudo analisando sete características de variações das ervilhas- de-jardim, através do controle do cruzamento e uso de métodos estatísticos, postulou a Lei da Segregação dos Fatores ou Lei da Pureza dos Gametas, hoje chamada de Primeira Lei de Mendel.

Seus testes consistiam em obter uma geração pura de indivíduos para uma determinada característica. Depois, cruzando indivíduos puros de características diferentes, ele obtinha na geração seguinte, indivíduos, os quais ele denominou de “híbridos”. Nestes, ele observou que uma característica sempre permanecia oculta e só se manifestava, na outra geração, quando da fecundação destes híbridos, que sempre geravam uma proporção fenotípica de 3:1.

Mendel chamou o fator que se manifestava em indivíduos híbridos de dominante e, o fator que pulava uma geração resultado do cruzamento de indivíduos puros diferentes, de fator recessivo.

Sendo assim, a Primeira Lei de Mendel, de acordo com LOPES (1998), afirma que: “cada característica é determinada por um par de fatores, que se segregam durante a formação dos gametas, os quais sempre são puros”.

Os conceitos de “fatores”, “indivíduos puros” e “indivíduos híbridos” são, o que hoje se chamam, respectivamente: alelos homozigotos e heterozigotos. A figura 2.6 apresenta uma tabela com os fenótipos das ervilhas que levaram Mendel a formulação de sua primeira Lei.

Figura 2.6 – As sete carac

Fonte (adapt

Mendel prosseguiu seu tempo. Testou a combinação eram independentes. Além dis 9:3:3:1, onde nove se referia a o 3 à de um fenótipo dominan AL., 1991).

Assim era anunciada Poliibridismo: “dois ou mais f dos gametas” (FAVARETTO

Ao escolher estas sete sorte”, pois os alelos que as re monoibridismo e possibilitand

racterísticas das ervilhas-de-jardim, estudadas

ptado): http://www.people.virginia.edu/~rjh9u/monotraits.h

seus estudos e passou a analisar duas caracterís o de todas as sete características e, chegou à con disso, a proporção fenotípica sempre se aproxima a a ocorrência de dois fenótipos dominantes no m ante qualquer e 1 à de dois fenótipos recessivos

a a Segunda Lei de Mendel ou Diibridismo, s fatores segregam-se de forma independente dur O et al., 1999).

ete características das ervilhas, pode-se dizer qu representavam se comportavam da mesma manei ndo a formulação de sua lei.

s por Mendel.

s.html.

rísticas ao mesmo onclusão que estas ava da proporção mesmo indivíduo, os (GOWDAK ET

, Triibridismo ou urante a formação

que Mendel “teve eira, respeitando o

2.4 CONSIDERAÇÕES FINAIS

Apresentados e compreendidos os conceitos biológicos de seleção natural, genética e genética do comportamento, é possível demonstrar a sua aplicabilidade computacional na resolução de problemas, o que servirá para compreensão da problemática tratada neste trabalho. Além disso, cria-se suporte para a compreensão de outras teorias suplementares às lacunas deixadas pelos evolucionistas puros e simples, que conforme será demonstrado, têm impacto significativo na eficácia da aplicabilidade dos Algoritmos Genéticos tradicionais.

No capítulo a seguir serão apresentados os algoritmos genéticos, suas principais formas, aplicações e problemas.

CAPÍTULO III

“Eu não tenho muito respeito por talento. Talento é genético. É o que você faz com ele que conta”. Martin Ritt

3. ALGORITMOS GENÉTICOS E UMA VISÃO GERAL DE

COMPUTAÇÃO EVOLUCIONÁRIA

A Computação Evolucionária é um dos paradigmas computacionais da Computação Natural, que se fundamenta nos conceitos apresentados no capítulo anterior - em especial o da Seleção Natural, da Luta pela Sobrevivência e do Neodarwinismo- , para otimizar funções e, de uma forma geral, resolver problemas.

EBERHART et al. (1996) define este paradigma da seguinte forma:

Computação Evolucionária consiste no paradigma de otimização do aprendizado de máquinas e classificação de paradigmas que são baseados nos mecanismos da evolução, como genética biológica e seleção natural. (Traduzido do original)

A Computação Evolucionária compreende quatro modelos principais, ou agrupamentos de técnicas: Algoritmos Genéticos (AG ou GA), Programação Evolucionária (EP), Programação Genética (GP) e Estratégias Evolutivas (ES) (MITCHELL, 1996). Sendo destes, o AG o mais destacado e o objeto de estudo e proposições deste trabalho.

Os AGs são algoritmos de busca bastante eficientes que implementam de uma maneira primitiva alguns dos processos da evolução natural. São idéias para otimizações de funções e classificação de padrões, pois com sua estrutura conseguem realizar uma busca eficiente num espaço muito grande de soluções (EBERHART et al., 1996).

KOZA (1990) apud LEHRER (2000) define os AGs como algoritmos matemáticos altamente paralelos, que utilizando os operadores genéticos, como mutação e reprodução sexual (recombinação), transforma populações de objetos matemáticos (indivíduos) em novas populações, de forma proporcional a adaptabilidade (fitness) a função desejada, remetendo ao princípio exposto no capítulo anterior da “sobrevivência do mais apto”.

De forma a representar o escopo de aplicação de AGs, MITCHELL (1996), define três tipos principais de buscas realizadas na ciência da computação:

• Busca por dados armazenados: consiste em obter de forma eficiente informações armazenadas numa base de dados de um computador.

• Busca por caminhos para atingir metas: neste caso, a busca é por um conjunto de ações que permitam mover de um estado inicial para um estado “meta” final. Este é um dos tipos mais comuns de busca realizadas em IA, onde os caminhos são geralmente representados por estruturas de árvores e grafos.

• Busca por Soluções: é uma classe de busca, ainda mais geral, do que a anterior. Consiste em obter uma solução para um problema num espaço de busca muito grande e, muitas vezes, indeterminado. Este é o tipo de busca em que os AGs são utilizados.

Conforme apresentado em TEIXEIRA (2005), os AGs pertencem a classe de Técnicas de Buscas Aleatórias Guiadas, que tem obtido grande sucesso face à incompletude e complexidade dos demais tipos de busca (Técnicas Baseadas em Cálculo e Técnicas Enumerativas). A figura 3.1 fornece uma visão do agrupamento das principais técnicas de busca.

Figur

GOLDBERG (1989) a AGs para os métodos tradicion

• AGs, geralmen trabalhar com o • AGs utilizam

determinísticas; • AGs não utiliz

solução, estand objetivo; • AGs trabalham Além das diferenças estimulado bastante sua utiliza

1 _{Segundo DEMBSKI (2007), este é}

crítica à teoria darwinista, dada tão a

ura 3.1 – Classes de Técnicas de Busca.

Fonte: (TEIXEIRA, 2005).

) apud LEHRER (2000), define as principais dif ionais de busca:

ente, trabalham com codificação de parâmetro os parâmetros em si;

m regras de transição probabilística, no lu as;

ilizam conhecimentos auxiliares ou derivados1 ando esta condicionada a informação forneci

m com populações de pontos, em vez de um único as já expostas, AGs apresentam certas vant ização, como apresentado em HAUPT et al. (2004

e é exatamente o principal ponto de falha dos Algoritmos G o alta complexidade e especificidade dos seres vivos. É sob

iferenças entre os

tros, ao invés de

lugar de regras

1 _{na busca pela}

cida pela função

ico ponto;

ntagens que têm 4):

s Genéticos e a maior obre esta lacuna que o

• Otimizam funções com parâmetros discretos ou contínuos; • Não requerem informação derivada;

• Simultaneamente explora um amplo espaço da superfície de busca (n soluções de uma população);

• Pode lidar com uma grande quantidade de parâmetros;

• É bem ajustado para computadores com processamento paralelo;

• Otimizam parâmetros com superfícies de busca extremamente complexas; • Podem sair de um mínimo local e continuar a busca pelo global;

• Oferecem uma lista de inúmeras soluções, não estando restrito a uma única; • Trabalham com dados numéricos, dados experimentais ou funções analíticas; Entretanto, assim como as demais técnicas, AGs também apresentam certas desvantagens, já que não estão adaptados a todos os tipos de problemas e, geralmente sua utilização remete a um alto custo computacional e conseqüente longo tempo de processamento. Além da alta dependência na função de avaliação de fitness, cuja própria modelagem, por definição, pode apresentar um espaço de busca exponencialmente maior e mais complexo do que o do próprio problema em questão (DEMBSKI, 2007).

Ao final deste capítulo, outros problemas e desvantagens dos Algoritmos Genéticos serão também apresentados.

No item que segue, está explicitada a origem e desenvolvimento das técnicas de Computação Evolucionária, em especial dos Algoritmos Genéticos, para que se possa entender o porquê de certas estruturas adotadas hoje.