CLONALG - Algoritmo de Seleção Clonal
A classe Clonalg é um algoritmo de otimização inspirado no processo biológico de seleção clonal do sistema imunológico. Esta implementação é projetada para minimizar ou maximizar funções de custo em diversos tipos de problemas, incluindo problemas binários, contínuos, com valores limitados (ranged) e de permutação.
A implementação do CLONALG foi inspirada na descrição apresentada em 1.
Esta implementação do CLONALG contém algumas alterações baseadas no contexto do AISP, para aplicação geral a diversos problemas, que podem produzir resultados diferentes da implementação padrão ou específica. Esta adaptação visa generalizar o CLONALG para tarefas de minimização e maximização, além de suportar problemas contínuos, discretos e de permutação.
CLONALG Constructor
O construtor inicializa a instância do CLONALG com os principais parâmetros que definem o processo de otimização.
Atributos:
- problem_size:
int- Dimensão do problema a ser otimizado. - N:
int, padrão=50 - Número de células de memória (anticorpos) na população. - rate_clonal:
float, padrão=10 - Número máximo de clones possíveis de uma célula. Este valor é multiplicado pela afinidade da célula para determinar o número de clones. - rate_hypermutation:
float, padrão=0.75 - Taxa de clones mutados, usada como fator escalar. - n_diversity_injection:
int, padrão=5 - Número de novas células de memória aleatórias injetadas para manter a diversidade. - selection_size:
int, padrão=5 - Número de melhores anticorpos selecionados para clonagem. - affinity_function:
Optional[Callable[..., npt.NDArray]], padrão=None - Função objetivo usada para avaliar soluções candidatas. - feature_type:
FeatureTypeAll, padrão='ranged-features' - Tipo de amostra do problema, podendo ser'continuous-features','binary-features','ranged-features'ou'permutation-features'. - bounds:
Optional[Dict], padrão=None - Dicionário definindo os limites de busca para problemas'ranged-features'. Pode ser um único intervalo ou uma lista de intervalos para cada dimensão. - mode:
Literal["min", "max"], padrão="min" - Especifica se o algoritmo minimiza ou maximiza a função de custo. - seed:
Optional[int], padrão=None - Semente para geração de números aleatórios.
Métodos Públicos
Função optimize(...)
def optimize(self, max_iters: int = 50, n_iter_no_change=10, verbose: bool = True) -> npt.NDArray:
Este método executa o processo de otimização e retorna a população de anticorpos.
Parâmetros de entrada:
- max_iters:
int, padrão=50 - Número máximo de interações. - n_iter_no_change:
int, padrão=10 - Número máximo de iterações sem melhoria na melhor solução. - verbose:
bool, padrão=True - Flag para habilitar ou desabilitar saída detalhada durante o processo de otimização.
Retorna:
npt.NDArray: A população de anticorpos após a expansão clonal.
Função affinity_function(...)
def affinity_function(self, solution: npt.NDArray) -> np.float64:
Este método avalia a afinidade de uma solução candidata. Levanta NotImplementedError se nenhuma função de afinidade tiver sido fornecida à instância da classe.
Parâmetros de entrada:
- solution:
npt.NDArray- Solução candidata a ser avaliada.
Retorna:
np.float64: Valor de afinidade associado à solução.
Métodos Privados
Função _select_top_antibodies(...)
def _select_top_antibodies(self, n: int, antibodies: list[tuple]) -> list[tuple]:
Seleciona os n melhores anticorpos com base em suas pontuações de afinidade, de acordo com o mode ('min' ou 'max').
Parâmetros de entrada:
- n:
int- Número de anticorpos a serem selecionados. - antibodies:
list[tuple]- Lista de tuplas, onde cada tupla representa um anticorpo e sua pontuação associada.
Retorna:
list[tuple]: Lista contendo osnanticorpos selecionados.
Função _init_population_antibodies(...)
def _init_population_antibodies(self) -> npt.NDArray:
Inicializa aleatoriamente a população inicial de anticorpos.
Retorna:
npt.NDArray: Lista com os anticorpos inicializados.
Função _diversity_introduction(...)
def _diversity_introduction(self):
Introduz novos anticorpos aleatórios na população para manter a diversidade genética e ajudar a evitar convergência prematura.
Retorna:
npt.NDArray: Array contendo os novos anticorpos aleatórios.
Função _clone_and_mutate(...)
def _clone_and_mutate(self, antibody: npt.NDArray, n_clone: int, rate_hypermutation: float) -> npt.NDArray:
Gera clones mutados a partir de um único anticorpo. A estratégia de mutação depende do feature_type especificado durante a inicialização ('binary-features', 'continuous-features', 'ranged-features' ou 'permutation-features').
Parâmetros de entrada:
- antibody:
npt.NDArray- Vetor original do anticorpo a ser clonado e mutado. - n_clone:
int- Número de clones a serem gerados. - rate_hypermutation:
float- Taxa de hipermutação.
Retorna:
npt.NDArray: Array contendo os clones mutados.
Função _clone_and_hypermutation(...)
def _clone_and_hypermutation(self, population: list[tuple]) -> list:
Clona e aplica hipermutação a uma população de anticorpos. Retorna uma lista de todos os clones e suas afinidades em relação à função de custo.
Parâmetros de entrada:
- population:
list[tuple]- Lista de anticorpos a serem avaliados e clonados.
Retorna:
list: Lista contendo os clones mutados.
Referências
1
BROWNLEE, Jason. Clonal Selection Algorithm. Clever Algorithms: Nature-inspired Programming Recipes., 2011. Available at: https://cleveralgorithms.com/nature-inspired/immune/clonal_selection_algorithm.html