Carregando...
Carregando...
Ajude a melhorar a plataforma
Uma das aplicações de algoritmos genéticos em aprendizado de máquina é a seleção de características. Eles podem encontrar subconjuntos ótimos de variáveis que melhoram a precisão de modelos. Esse processo reduz a dimensionalidade e melhora o desempenho computacional.
De acordo com uma análise do apresentado, assinale a alternativa que apresenta uma diferença fundamental entre algoritmos genéticos (AG) e outros tipos de algoritmos evolucionários, como estratégias evolutivas (SE) e programação evolutiva (PE), no contexto de aprendizado de máquina.
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
Alternativa C - Os algoritmos genéticos utilizam operações explícitas de cruzamento, enquanto estratégias evolutivas focam predominantemente em mutações para a exploração do espaço de busca.
Embora os Algoritmos Genéticos (AG), Estratégias Evolutivas (SE) e Programação Evolutiva (PE) pertençam à Computação Evolutiva, cada um possui ênfases operacionais distintas em relação à manipulação do material genético.
Historicamente, os Algoritmos Genéticos foram desenvolvidos com foco na recombinação (cruzamento) como o motor principal da evolução, tratando a mutação como um operador secundário de suporte. Já as Estratégias Evolutivas (SE), desenvolvidas inicialmente para problemas de engenharia com variáveis contínuas, priorizam a mutação (muitas vezes autoadaptativa) como o principal mecanismo de busca, utilizando o cruzamento de forma secundária ou inexistente em certas variantes.
A característica definidora que separa o AG clássico de outras abordagens evolucionárias é a crença de que a recombinação de boas soluções (cruzamento) é a forma mais eficiente de encontrar o ótimo global.
Alternativa C.