Professional Documents
Culture Documents
II
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Agradecimentos
III
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Resumo
IV
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Abstract
This master thesis has, as its main topic, the study of Genetic Algorithm (GA),
verifying its performance in comparison to other established and new techniques. As
a secondary theme, the optimization algorithm was used for solving real problems.
The work was divided into six chapters and three appendixes, which are briefly
described bellow.
Chapter One describes generally the existent optimization algorithms, the basic
structure of the GA and the state of art on this method. In this chapter are also
introduced some technical definitions related to the algorithm. Chapter Two aims at
demonstrating how the GA works, i.e. how it is probabilisticaly guided into the region
where the solution is. Chapter Three approaches theoreticaly some techniques that
act on the improvement of Genetic Algorithm performance. Many methods are
described and some new others are introduced. In relation of introduced methods, it
is showed a new procedure to carry out the crossover to binary code (section 3.7), a
new type of the adaptation of genetic operators probabilities (section 3.11) and the
mecanism of reduction of domain (section 3.17). In Chapter Four, an experimental
analysis of some procedures and techniques described in Chapter Three is carried
out. In Chapter Five, the GA is effectivelly employed in eddy currents problem
optimization. Finally, conclusions are made in Chapter Six.
The appendixes complement the text. The Appendix A shows examples of three
areas of application of GAs. The Appendix B describes the processing time during
the experimental stages (Chapters Four and Five). The Appendix C lists the GA
freeware softwares available in the Internet.
V
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Simbologia
VI
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
VII
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
indivduo i
Videal Valor ideal de diversidade (utilizado na adaptao DF)
Vmax Valor mximo de diversidade (utilizado nas adaptaes DF e FF)
Vmin Valor mnimo de diversidade (utilizado nas adaptaes DF e FF)
X Expressa o vetor indivduo
x Valor da on-line performance numa dada gerao
x* Valor da off-line performance numa dada gerao
xi Varivel i de um dado indivduo
xmin Limite inferior do intervalo de procura de uma varivel xi
xmax Limite superior do intervalo de procura de uma varivel xi
z Parmetro geomtrico utilizado na aplicao 1
1ponto Cruzamento com 1 ponto de corte
2pontos Cruzamento com dois pontos de corte
Constante de exponenciao das power law functions
Largura de faixa (utilizada para encontrar a melhor faixa de escalonamentos
Sigma e Linear)
(H) Comprimento de definio de um esquema H
Erro da norma euclidiana (utilizado para verificar se a soluo est na regio do
ponto global), constante positiva (utilizada para transformao de um problema
de minimizao em outro de maximizao pelo mtodo da inverso da funo
objetivo)
ngulo (utilizado nas aplicaes)
(X,r) Funo pseudo-objetivo (avaliada para o vetor soluo X e o parmetro de
penalidade r)
Permeabilidade de um dado material
o Permeabilidade do vcuo
Freqncia angular
Condutividade, desvio padro
Resistividade de um dado material
* Representa os valores 0 ou 1 num esquema
% Representa os valores 0, 1 ou * num esquema
f Soma de todos os desempenhos de populao para uma dada gerao
VIII
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
ndice
2
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
4.3.3 Anlise de De Jong & Spears sobre a Interao entre Tipo de Cruzamento e
Tamanho da Populao.............................................................................................. 105
4.4 Concluso ........................................................................................................... 108
5. Aplicaes .................................................................................................................. 110
5.1 Introduo ........................................................................................................... 110
5.2 Aplicaes a Problemas de Correntes Induzidas.................................................. 110
5.2.1 Correntes Induzidas numa Superfcie Plana Devido a uma Corrente numa
Espira Paralela Superfcie........................................................................................ 111
5.2.2 Correntes Induzidas numa Casca Cilndrica Devido a uma Corrente num
Filamento Paralelo Interno ao Cilindro ........................................................................ 113
5.2.3 Correntes Induzidas numa Casca Cilndrica Devido a uma Corrente num
Filamento Paralelo Externo ao Cilindro ....................................................................... 116
5.3 Validao dos Resultados Obtidos....................................................................... 119
5.4 Concluso ........................................................................................................... 122
6. Concluso .................................................................................................................. 124
7. Apndice A: Algumas Aplicaes que Utilizam GAs .................................................... 129
8. Apndice B: Tempo Computacional ............................................................................ 131
9. Apndice C: Softwares de GAs................................................................................... 133
10. Bibliografia .............................................................................................................. 135
3
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1.1 Introduo
Este sculo foi marcado por muitas transformaes, sejam elas culturais,
polticas, econmicas ou tecnolgicas. A economia dominada atualmente pelas
multinacionais. Esse domnio se deve ao fato de elas conseguirem que seus
produtos sejam competitivos em qualquer parte do planeta. A concorrncia
empresarial trouxe consigo a preocupao em encontrar solues que conduzam a
um melhor aproveitamento dos recursos, menores custos, e alto desempenho, entre
outros. Muitas vezes, o fator experincia suficiente na resoluo destes problemas.
No entanto, solucionar problemas mais complicados pode no ser tarefa fcil. Neste
contexto, surge a otimizao.
4
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
5
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Figura 1-2: Mtodos Steepest Descent e Newton aplicados funo ff(x)=(x1 -2)4 + (x1 -2x2)2.
A procura pelo ponto timo, atravs de derivadas, usa o ponto corrente como
ponto de partida para a prxima iterao. Logo, a procura local, porque ocorre na
vizinhana do ponto corrente. Assim, quando esses algoritmos encontram solues,
h grande chance de ser um timo local, se a funo objetivo for multimodal. Alm
desse problema, um outro aparece quando a funo a ser tratada no contnua ou
de derivao complicada. Para contornar esta ltima situao, obtm-se os valores
das derivadas por aproximaes numricas. Verifica-se, portanto, possveis fontes
de erros no item eficcia. Por outro lado, estes mtodos possuem grande rapidez e
funcionam excepcionalmente bem para problemas unimodais contnuos, como o da
Figura 1-3.
6
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
7
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Figura 1-4: Usando subpopulaes, a populao fica distribuda ao longo dos picos.
8
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Gene:
9
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Alelos:
Os GAs trabalham com grupos de indivduos. Ento uma tpica populao com
cinco membros poderia ser:
10
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Pela Figura 1-5, sabe-se que ff(x) ter o seu maior valor quando x=31.
Juntamente com a resoluo do exemplo, cada item do algoritmo, anteriormente
descrito, ser explicado.
11
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Formao do indivduo e populao: Nos GAs, para que seja possvel efetuar
operaes como cruzamento e mutao, o indivduo deve estar codificado numa
estrutura tipo cromossmica, onde cada cromossomo representa uma varivel.
Nesse exemplo, f(x) tem apenas uma varivel, e portanto, indivduo e cromossomo
possuem o mesmo significado. Em sistemas artificiais, cada cromossomo
codificado como uma cadeia de caracteres de comprimento l. O cdigo mais usado
o binrio (em que o gene possui apenas os alelos 1 ou 0), pois h facilidade na
implementao do algoritmo, e a busca por semelhanas entre indivduos torna-se
eficiente. Escolhido o cdigo, resta definir o comprimento do indivduo e o tamanho
da populao. Nesse exemplo, considere que cada cadeia de caracteres tenha
comprimento l=5 e a populao formada por quatro indivduos.
12
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
13
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - giro: indivduo 2
2 - giro: indivduo 3
3 - giro: indivduo 2
4 - giro: indivduo 1
nmero indivduo
1 01101
2 11000
3 10010
4 11000
14
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 1-4
Populao Inicial aps o cruzamento.
casal corte entre os locus indivduo novos indivduos
1 2e3 01101 01000
11000 11101
2 2e3 11000 11010
10010 10000
15
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 1-5
Fim da gerao inicial.
nmero indivduo x fi=f(x) fi/f(%) fi/fmed inteiro(fi/fmed)
1 01000 8 16 10.13 0.41 0
2 11101 29 58 36.71 1.47 1
3 11010 26 52 32.91 1.32 1
4 10000 16 32 20.25 0.81 1
Soma - - 158 100.00 4.01 3
Mdia - - 39.5 25.00 1.00 0.75
Mximo - - 58 36.71 1.47 1
O SGA comea com uma populao inicial aleatria. Atravs da seleo, ele
tenta extrair quais indivduos podero contribuir mais significativamente. Este
processo executado tomando-se como base a mdia de aptido de todos os
componentes da populao. Durante a seleo, os indivduos com desempenho
acima da mdia podero ter mais cpias enquanto que aqueles com fraco
desempenho podem desaparecer completamente. Entre os indivduos selecionados
da populao corrente, sorteiam-se os pares para o cruzamento. O cruzamento
proporcionar troca de material gentico entre os pais, o que pode possibilitar a
pesquisa de novos pontos no espao de otimizao. O efeito destas operaes
fcil de ser observado, analisando-se o exemplo anterior, onde a mdia dos valores
dos desempenhos da populao passou de 30 para 39.5 e o valor mximo de
desempenho de 48 para 58 em apenas uma gerao. No decorrer das geraes, o
valor do desempenho mdio aproxima-se do valor mximo. A Figura 1-7 mostra um
comportamento tpico do desenvolvimento dos valores de desempenhos mdio e
mximo ao longo das geraes.
70
60
50
Desempenho
40
Mdia
30
Mximo
20
10
0
0 1 2 3 4 5 6 7 8 9 10
Nmero de geraes
.
Figura 1-7: Grfico da evoluo dos valores de desempenhos mdio
e mximo durante dez geraes.
16
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Um trabalho realizado por Goldberg & Outros [13] em 1992, consistiu em tentar
coletar todas as referncias bibliogrficas sobre GAs. Eles conseguiram relacionar
aproximadamente 1200 referncias e observaram um crescimento do nmero de
trabalhos sobre os GAs na faixa de 37% ao ano, desde 1986. O trabalho est
apresentado por ordem alfabtica de autores. Uma outra referncia importante a
de Davis [4] em 91, onde ele divide em trs, as linhas de pesquisa sobre GAs:
17
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1.7 Concluso
18
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
19
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
2. Teoria do Processo
Evolutivo num GA
2.1 Introduo
20
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
A descrio sobre a performance dos GAs fica mais clara quando a anlise da
populao feita pela perspectiva de esquemas. Esquemas de pequeno
comprimento de definio, de baixa ordem e com alto desempenho so amostrados
e recombinados, formando cadeias de caracteres de mais alto valor de aptido.
Neste sentido, reduz-se a complexidade do problema. A inteno construir
indivduos fortes a partir dos melhores existentes, ao invs de se tentar combinar
quaisquer cadeias de caracteres. Esquemas curtos, de baixa ordem e desempenho
acima da mdia, se juntam como blocos de construo (building blocks, termo usado
de agora em diante), formando uma estrutura maior.
21
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Os building blocks so muito importantes na fase inicial dos GAs, cujo objetivo
encontrar a regio onde se encontra a soluo global. Numa outra fase, a de
convergncia final, as cadeias de caracteres compartilham praticamente o mesmo
cdigo gentico e, conseqentemente, os mesmos esquemas de alto desempenho.
Nesse ponto, a contribuio dos esquemas nos building blocks bem menos
significativa.
22
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
f (H)
m(H, t + 1) = m(H, t) (2-1)
fmed
fmed + c * fmed
m(H, t + 1) = m(H, t) = m(H, t) * (1 + c) (2-2)
fmed
23
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
S = 1 0 1 1 0 1 1 1 1 0
H1 = * * 1 * * * * * * 0
H2 = * 0 1 * * * * * * *
f (H) (H)
m(H, t + 1) m(H, t) 1 pc (2-4)
fmed ( 1)
24
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
f (H) (H)
m(H, t + 1) m(H, t) 1 pc p m * o(H) (2-5)
fmed ( 1)
25
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 2-1
Anlise da performance dos esquemas H1-H5 na gerao inicial (t=0).
nmero indivduo x fi=f(x) fi/f (%) fi/fmed inteiro(fi/fmed)
1 01101 13 26 21.67 0.87 1
2 11000 24 48 40.00 1.60 2
3 10010 18 36 30.00 1.20 1
4 00101 5 10 08.33 0.33 0
Soma - - 120 100.00 4.00 4
Mdia - - 30 25.00 1.00 1
Mximo - - 48 40.00 1.60 2
Esquema m(H,t=0) f(H) (H) o(H)
1**** 2 42 0 1
1*0** 2 42 2 2
*1**0 1 48 3 2
***01 2 18 1 2
*1*0* 2 37 2 2
f (H) (H)
m(H, t + 1) = m(H, t) 1 0.01 * o(H) (2-6)
30 4
26
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 2-2
Avaliao da estimativa de alguns esquemas para a gerao t=1.
nmero indivduo x fi=f(x) fi/f(%) fi/fmed inteiro(fi/fmed)
1 01000 8 16 10.13 0.41 0
2 11101 29 58 36.71 1.47 1
3 11010 26 52 32.91 1.32 1
4 10000 16 32 20.25 0.81 1
Soma - - 158 100.00 4.01 3
Mdia - - 39.5 25.00 1.00 0.75
Mximo - - 58 36.71 1.47 1
Esquema Indivduos que indivduos que m(H,t=1) quantidade real
contiam H (t=0) contm H (t=1) em t=1
1**** 2;3 2;3;4 2.77 3
1*0** 2;3 3;4 1.34 2
*1**0 2 1;3 0.37 2
***01 1;4 2 0.88 1
*1*0* 1;2 1;2 1.18 2
O GA, a cada gerao, processa npop indivduos, mas o que faz dele um poderoso
mtodo de procura que, na anlise dos npop indivduos, ele verifica paralelamente
npop3 esquemas. Esse resultado importante recebeu o nome de paralelismo implcito.
Esta estimativa de npop3 esquemas por npop indivduos foi desenvolvida por Goldberg
em [11] e [12] e ser reproduzida nesta seo.
27
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
com um nico ponto de corte e uma pequena taxa de mutao, trata-se somente
daqueles esquemas com comprimento ls<pd(l-1)+1. Isso pode ser facilmente
verificado considerando-se, inicialmente, a probabilidade de cruzamento igual
unidade. Assim, a probabilidade de destruio de um esquema devido ao do
cruzamento pd<(H)/(l-1). Sendo (H)=ls-1, tem-se que valores de ls, tais que,
ls>(l-1)pd+1 aumentam a probabilidade de destruio. Logo, para se obter pd<1-ps,
deve-se levar em conta somente os esquemas cujo comprimento seja ls<pd(l-1)+1.
28
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
comprimento menor ou igual a ls, metade possui ordem entre ls/2 e ls e metade com
ordem menor que ls/2. Contando somente os esquemas de ordem mais elevada,
estima-se um limite inferior do nmero de esquemas como segue:
n s n pop * 2 s 2 ( s + 1) (2-7)
Isso difere do valor superestimado por um fator de 1/2. Alm disto, a restrio do
tamanho da populao para o valor particular 2ls/2 resulta na seguinte expresso:
n pop ( s + 1)
3
ns (2-8)
4
x2
plano *1*
010 110
linha 0*1
000 100 x1
001 101
x3 linha *01
Figura 2-3: Viso geomtrica de hiperplanos tridimensionais.
29
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
de ordem 1, enquanto que todo espao coberto por esquema de ordem 0, ou seja,
***.
2.7 Concluso
30
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
3. Tcnicas, Mecanismos e
Parmetros Utilizados pelos
GAs
3.1 Introduo
31
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
min ff ( X )
sujeito a:
(3-1)
g j (X) 0 j = 1,..., m
hk ( X) = 0 k = 1,..., l
min ( X, r ) = ff ( X) + r * P( X) (3-2)
32
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
m l
Sendo que o primeiro somatrio significa que ser tomado o maior valor entre 0 e
gj(X).
f ( x) = ( X, r ) (3-4)
33
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
O parmetro Cmin pode ser uma constante, como tambm pode variar ao longo
das geraes dependendo dos valores da mdia e desvio padro da populao.
Inicialmente, Cmin escolhido aps a verificao do retorno de (X,r) para vrios
pontos testes. A Figura 3-2 mostra o grfico da mesma funo anterior adaptada
esse procedimento e adotando Cmin=4.
34
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1
f ( x) = (3-6)
( X, r ) +
onde constante , em [44], tem o valor definido como sendo ligeiramente superior ao
mdulo do valor mnimo de ( X, r ) , caso ( X, r ) 0, ou ligeiramente superior ao
35
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
O parmetro Cmax pode ser constante, ou variar ao longo das geraes. O valor
inicial de Cmax escolhido aps vrios testes de retorno de ( X, r ) . Exemplificando
os dois procedimentos, suponha agora que se quer minimizar ff(X)=x2, usando-se
=10-1 (esta magnitude tem apenas finalidade de facilitar graficamente a
comparao com o outro procedimento) para a primeira transformao e Cmax=5
para a segunda. O resultado o grfico da Figura 3-3.
36
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
x1 x2 x3
1 1 0 0 1 0 1 0 1 1 0 0 0 1 1
0 1 2 3 4 5 6 7 Valor
000 001 010 011 100 101 110 111 binrio
000 001 011 010 110 111 101 100 Gray
37
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Funo_Binrio_Para_Gray(){
i=n;
G[i]=b[i];
Enquanto (i0) {
i=i-1;
G[i]=XOR(b[i+1],b[i]);
}
}
Funo_Gray_Para_Binrio(){
i=n;
b[i]=G[i];
Enquanto (i0) {
i=i-1;
b[i]=XOR(b[i+1],G[i]);
}
}
38
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
O primeiro princpio sugere que o cdigo deve dar importncia aos esquemas
curtos e de baixa ordem, pois o mecanismo de procura pela melhor soluo utilizar
a sobreposio destes esquemas. Outro ponto que as posies fixas sejam
gradualmente diferenciadas uma das outras. Com isso, pode-se observar mais
facilmente as similaridades.
O segundo princpio diz que o usurio deve selecionar o menor alfabeto que
permita a expresso natural do problema. Como exemplo suponha uma cadeia de
caracteres genrica que tenha comprimento l e que possua k tipos diferentes de
alelos. Haver ento kl diferentes cadeias de caracteres. Fixando o comprimento em
l=5, o cdigo binrio teria 25=32 diferentes cadeias de caracteres. Um outro cdigo
formado pelas letras do alfabeto ingls (a-z) teria 26 alelos, ento para o mesmo l,
esse cdigo teria 265=11.881.376 cadeias de caracteres! O que se deseja em um
problema real encontrar uma soluo com boa preciso, dentro de um grande
espao de procura e o mais rpido possvel. Seria interessante uma boa quantidade,
mas no exagerada, de indivduos, em que se pudesse verificar facilmente as
caractersticas comuns (similaridades). Mas, para cdigos com grande diversidade
de alelos, torna-se um trabalho duro pesquisar essas semelhanas, pois, num
mesmo locus, pode-se ter k variaes da caracterstica gentica.
Como o cdigo escolhido neste trabalho o binrio, deve-se, ento, saber como
ele se enquadra nesses dois princpios. Nas ilustraes da Figura 2-1 e Figura 2-2,
nota-se que esquemas curtos de baixa ordem varrem o espao de procura e ajudam
nos building blocks. O cdigo binrio com seus 0s e 1s facilitam a busca por
semelhanas. E desde que esta a essncia do mecanismo de procura dos GAs,
quando se projeta um novo cdigo, ele deve tentar propiciar o mximo de
esquemas. Para um mesmo nmero de pontos no espao, pode-se demonstrar que
39
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
o cdigo binrio possui maior nmero de esquemas por bit que qualquer outro
cdigo. Para verificar esta afirmao, acompanhe o desenvolvimento a seguir.
2l=kl
40
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
00000 xmin
11111 xmax
xmax xmin
pr = (3-9)
2 1
xmax xmin
log + 1
pr
= 1 + inteiro (3-10)
log( 2)
41
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
mtodos apresentada. Por ora, interessante analisar uma faixa de valores para
alguns desses parmetros, tal que viabilize uma performance razovel dos GAs.
42
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
3.6 A Mutao
Na teoria, a mutao um evento que possui uma probabilidade pm para cada bit
da cadeia de caracteres de todos os indivduos da populao. Se a implementao
da mutao for realizada como descrito acima, ento a mutao pode se tornar um
operador de processamento caro. Por exemplo, considere que um indivduo tenha
10 variveis e cada varivel possua uma cadeia de caracteres de l=20 bits. O
comprimento total L do indivduo L=10*20=200 e, portanto, esse ser o nmero de
verificaes de ocorrncia da mutao. Considerando a probabilidade de mutao
pm=0.01, provavelmente s se efetivaro 0.01*200=2 mutaes em cada indivduo.
Nesse caso, essa implementao de mutao dispendiosa computacionalmente,
pois apenas devem acontecer 2 mutaes em 200 bits candidatos em cada
indivduo. O problema se agrava quando se leva em conta o tamanho da populao.
Entretanto, h situaes em que essa implementao vivel. Por exemplo, quando
pm*L < 1. O algoritmo a seguir mostra uma boa implementao de mutao.
43
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
//funo mutao
mutao(indivduo, L, pm) {
se pm*L<1 {
verificar_mutao_bit_a_bit(indivduo);
}
seno {
nmero_de_mutaes=inteiro_arredondado(pm*L);
Enquanto nmero_de_mutaes>0 {
mutar_bit(indivduo, random(1,L));
nmero_de_mutaes=nmero_de_mutaes-1;
}
}
}
//funo mutao
Se esse indivduo sofrer mutao, por exemplo na terceira varivel, para qual
valor a varivel mudar? Em [28] os autores utilizaram uma mutao chamada troca
(swap), que ocorre numa probabilidade pswap. Nessa implementao, escolhe-se
duas variveis e estas trocam de posio.
44
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - 1 0 1 0 0 0 0 0 1 0 0 1 1 1 0
2 - 1 1 0 1 1 1 0 1 1 0 0 1 0 0 0
Resultando:
1 - 1 0 1 0 1 1 0 0 1 0 0 1 1 1 0
2 - 1 1 0 1 0 0 0 1 1 0 0 1 0 0 0
45
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - 1 0 1 0 0 0 0 0 1 0 0 1 1 1 0
2 - 1 1 0 1 1 1 0 1 1 0 0 1 0 0 0
1 - 1 0 1 0 0 0 0 0 1 0 0 1 1 1 0
2 - 1 1 0 1 1 1 0 1 1 0 0 1 0 0 0
Resultando:
1 - 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0
2 - 1 1 1 0 0 1 0 0 1 0 0 1 0 1 0
Resultando:
1 - 1 0 0 1 1 0 0 0 0 1 0 0 1 1 0
46
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - 1 2 3 4 5 6 7 8 9 0
2 - 8 1 6 5 0 3 9 2 7 4
1 - 1 2 3 4 0 3 9 8 9 0
2 - 8 1 6 5 5 6 7 2 7 4
1 - 2 H 4 5 6 7 H 8 H 1
1 - H 4 5 6 7 H H 8 1 2
1 - 4 5 6 7 H H H 8 1 2
47
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - 4 5 6 7 0 3 9 8 1 2
1 - 4 5 6 7 0 3 9 8 1 2
2 - 1 0 3 9 5 6 7 2 4 8
1 - 1 8
2 - 8
1 - 1 2 8
2 - 8 1 2
1 - 1 2 6 5 0 3 9 8 7 4
2 - 8 1 3 4 5 6 7 2 9 0
48
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - 1 2 3 4 5 6
2 - 5 1 6 2 4 3
Das cidades que fazem fronteira com a cidade corrente, a cidade 3 a que
possui agora menos coneces, tornando-se, portanto, a nova cidade corrente.
49
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
5 4 3 2 6 1
3.8 A Inverso
1 0 1 1 0 1
E depois da inverso:
50
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 0 0 1 1 1
Torneio: Retorna o melhor indivduo entre dois obtidos no mtodo da Roleta. Este
mtodo busca dificultar, mas no elimina, as possibilidades de um indivduo com
baixo desempenho ser escolhido. O mtodo tambm favorece a convergncia
prematura, j que baseado na Roleta.
51
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
52
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
f = a * f + b (3-11)
= C * fmed
fmax (3-12)
onde a constante C definida com valores situados na faixa [1.2-2.0]. A Figura 3-5
mostra a ao do escalonamento linear.
53
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
54
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
55
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
100
Funo Desempenho
80
60 fmax
40 fmed
20
0
0 5 10 15 20 25 30
Nmero de Geraes
56
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
(fmax f )
pc = k1 se f fmed (3-14)
( fmax fmed )
( fmax f )
pm = k 2 se f fmed (3-16)
(fmax fmed )
Nesse critrio, deseja-se evitar que as boas solues se percam com facilidade, e
que as ms sejam totalmente destrudas. Analisando as equaes acima, verifica-se
que, se o indivduo tem bom desempenho (valor da funo de desempenho acima
do valor mdio), ento as probabilidades pc e pm tero valores pequenos, a ponto de
se anularem quando o indivduo em questo o de melhor performance. Dessa
forma, a melhor soluo fica explicitamente guardada para a prxima gerao.
Quanto aos indivduos com valores da funo desempenho abaixo da mdia, esses
valores sero aumentados, permitindo-lhes mxima possibilidade de cruzamento e
altas taxas de mutao.
57
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
A adaptao FF pode facilmente ser implementada. Quando mdg > Vmax, aumenta-
se pm e simultaneamente diminui-se pc, pois, com pm maior, h mais insero de
material gentico novo na populao e com pc baixo, h pouca troca de material
gentico. Por outro lado, quando mdg < Vmin, faz-se o contrrio. A alterao dos
valores das probabilidades percentual, agindo quando os valores de mdg so
respectivamente superiores e inferiores a Vmax e Vmin. O algoritmo a seguir mostra o
procedimento.
58
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
adaptaes. Espera-se que cada mtodo seja mais efetivo de acordo com sua
oportunidade de atuao. Assim sendo, a faixa de valores Vmin e Vmax dever ser
mais estreita para FF e mais longa para DF.
0.9
0.8
pm_max=0.01
0.7
pm_max=0.70
mdg
0.6
0.5
0.4
0.3
0 10 20 30 40 50 60 70 80
Nmero de geraes
59
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
90
80
1/(Funo Desemenho)
70
fmax
60
fmed
50
40
30
20
10
0
0 5 10 15 20 25 30 35 40
Nm. Geraes
60
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
fmed
1 fcp (3-19)
fmax
Cada um dos critrios descritos acima tem os seus problemas. Portanto, a sada
utilizar mais de um deles.
Uma boa maneira de analisar o desempenho dos GAs ao longo das geraes
atravs da visualizao grfica da evoluo dos valores mximo e mdio da funo
desempenho ao longo do nmero de geraes. Por exemplo, com as curvas de fmed
e fmax, tem-se um medidor simples de diversidade gentica dentro da populao, ou
seja, o quo uniforme se encontra a populao. Quando fmed aproxima-se de fmax,
significa que h pouca diversidade gentica dentro da populao, o que pode inibir a
procura de novos pontos no espao de otimizao. Verificando-se somente a curva
de fmax, determina-se a tendncia do algoritmo de estagnar em pontos locais do
domnio de procura. Entre outras, uma curva interessante envolve o desvio padro
dos desempenhos dos indivduos da populao.
61
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
f
1
x= med ( t ) (3-20)
T t =1
f
1
x =
* *
( t) (3-21)
T t =1
62
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Simple GA (SGA): Trata-se de uma das verses iniciais do GA, descrita por
Goldberg [11]. Nessa implementao, a nova gerao substitui inteiramente a
anterior, com uso apenas da seleo e dos operadores genticos cruzamento e
mutao. A populao possuir sempre nmero fixo npop de indivduos. A Figura 3-
12 mostra o procedimento do SGA.
Em cada nova gerao do SGA, pode ser que no aparea nenhum indivduo
com performance superior ou igual a da gerao anterior. Se isso ocorrer, a
performance do algoritmo cai do patamar que j havia alcanado. Outro problema
surge em geraes mais avanadas, onde a populao contm vrias cpias de
bons indivduos. Se por acaso surgir um melhor que os atuais, este corre o risco de
no ser selecionado, justamente pela grande chance proporcionada aos indivduos
com mais cpias. Contornam-se estes dois problemas adicionando ao SGA a
estratgia elitista, que guarda, para a prxima gerao, a melhor soluo. O
importante para o SGA manter a caracterstica de reposio total ou quase (com
elitismo) da populao aps cada gerao.
63
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
64
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
GAs com outras tcnicas denomina-se tcnicas hbridas. Analisaremos nesta seo
o acoplamento com um Mtodo Determinstico.
65
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Os trabalhos que fizeram uso deste tipo de tcnica hbrida buscaram algoritmos
determinsticos que apresentam bons resultados em termos de preciso, eficincia e
robustez. Por exemplo, Vasconcelos & Outros em [43] e [45] utilizaram como tcnica
determinstica o mtodo Lagrangeano Aumentado, enquanto que Mendes & Outros
[26] utilizaram o mtodo do Elipside. No Captulo 4 deste trabalho utilizou-se como
tcnica local o mtodo BFGS. O inconveniente dessas tcnicas determinsticas a
necessidade de clculo de derivadas. Uma possibilidade de fugir do clculo de
derivadas utilizar o mtodo de Rosenbrock. Outra tcnica local que pode ser
aplicada a do gradientlike-bitwise improvement proposta por Goldberg em [11].
Nela so tomadas como base os dois melhores indivduos da atual iterao, depois
disto varre-se bit a bit cada uma, mudando o valor do bit e avaliando o desempenho
do indivduo. No final, escolhe-se a melhor soluo para rep-la na populao. O
problema desta ltima tcnica local que ela dispendiosa computacionalmente.
66
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Muitas vezes, a melhor soluo pode significar um projeto mais arrojado e com
grande uso no futuro, mas para um tempo imediato, talvez ela seja invivel. Nestes
casos interessante ter em mos outras solues possveis, e assim tomar uma
deciso a respeito da mais conveniente. As tcnicas de nicho tentam condicionar a
sobrevivncia aos indivduos que esto fora do grupo de elite.
67
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
fi
fs, i = n pop
(3-22)
(
j =1
s di j )
Para inserir esta tcnica de nicho em GAs, basta mudar o mtodo de seleo,
que, ao invs de escolher os mais aptos, escolher os indivduos de acordo com sua
aptido aparente proveniente do somatrio da funo de partilha. Para cada par de
indivduos analisados, quanto maior a proximidade, mais perto de 1 o retorno da
funo de partilha. A equao 3-23 representa um conjunto de funes de partilha
(power law functions) descritas em [10] e [11].
di j
s(di j ) = 1 se di j < s
s (3-23)
s(di j ) = 0 se di j s
68
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
69
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Outro mecanismo de nicho foi proposto por Spears em [36], denominado de SSS
(Simple Subpopulation Schemes). Esse mecanismo cria subpopulaes via uso de
etiquetas de identificao (labels), as quais so anexadas aos indivduos. Portanto,
os indivduos que tiverem mesma etiqueta, pertencem a mesma subpopulao. As
etiquetas so formadas por uma cadeia binria de comprimento l. Dessa forma,
possvel a formao de 2l agrupamentos distintos de indivduos. A ilustrao a
seguir mostra quatro indivduos de comprimento l=7 bits e suas respectivas
etiquetas de comprimento l=3 bits. Pelas etiquetas, observa-se que os indivduos 1
e 4 pertencem a mesma subpopulao.
l l
1 - 1 1 1 1 0 0 0 0 1 0
2 - 0 0 1 0 1 0 1 0 1 1
3 - 1 1 0 0 0 1 0 1 0 1
4 - 1 1 1 1 0 1 0 1 1 1
70
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
In = I0 (1 + j) n (3-24)
71
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Se por acaso durante a reduo, algum limite novo de algum intervalo ficar de
fora do intervalo inicial, ele ser redefinido como o limite inicial. Depois de definido o
novo intervalo, guarda-se o melhor indivduo e a seguir gera-se uma nova populao
aleatria, dando continuidade ao processo evolutivo. Quando essa nova populao
estiver um pouco homognea, introduz-se o melhor indivduo guardado. Essa espera
tem como finalidade gerar bons concorrentes ao melhor indivduo do intervalo
anterior. O nmero de bits de um intervalo fixo e, com isso, a cada diminuio do
intervalo haver melhor resoluo por varivel, proporcionando aumento de
preciso.
A equao 3-24 mostra matematicamente como esta reduo pode ser feita, no
entanto, a reduo de intervalo um mecanismo que precisa ser analisado com
muito cuidado, pois, se uma varivel remapeada num subdomnio e o ponto
soluo do problema se encontra fora dele, o algoritmo pode ter dificuldades em
encontr-lo. Se a reduo de intervalo for feita continuamente, certamente o espao
de procura final seria um micro domnio para cada varivel, o que conduziria
situao anterior. Um alto valor de reduo, poderia conduzir o algoritmo a sair
definitivamente do espao da soluo global de uma nica vez. Portanto,
necessrio tomar algumas precaues de forma a reduzir o intervalo com mais
segurana.
72
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
120
100
1/(Desempenho)
80 fmax
fmed
60
40
20
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65
Nmero de geraes
73
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
3.18 Concluso
74
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
4. Anlise Numrica de
Algumas Tcnicas Genticas
4.1 Introduo
75
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Para a primeira parte, os GAs foram avaliados atravs de trs funes, com as
respectivas solues previamente conhecidas. Foram feitos uma srie de testes,
com o objetivo de aprimorar o desempenho dos GAs, perante essas trs funes.
Infelizmente, a grande diversidade de problemas de otimizao impossibilita afirmar
que este ou aquele mecanismo ou tcnica o melhor. Para a segunda parte, os
mecanismos considerados no genticos como reduo do intervalo de procura ao
longo das geraes e adio de tcnica determinstica, juntamente com a formao
de subpopulaes (nichos), interagem com a adaptao dinmica formando GAs
mais robustos. O nico inconveniente relativo ao tipo de mtodo de formao de
nichos, que muito caro computacionalmente. Essas tcnicas sero analisadas para
apenas uma funo, a mais complicada dentre as da primeira fase de teste, mas
com o nmero de variveis bem maior. Na terceira parte, a qual trata de trabalho de
pesquisadores, geralmente a anlise feita para o SGA com elitismo e as funes
usadas so as mais diversas. Mesmo assim, considerou-se vlida a incluso de
seus resultados nesta dissertao.
76
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Deseja-se encontrar o mnimo para essa funo, que obviamente, ocorre quando
cada xi < 0.5. Para a realizao dos testes para anlise numrica, foi tomado n=2 e o
intervalo de procura foi definido com xi [-20, 20]. Como os GAs trabalham em
termos de maximizao e nesse caso quer-se o mnimo, a funo objetivo ff(x) foi
transformada na forma de uma funo desempenho f(x) como mostrado na
equao 4-2.
1
max f(x) = (4-2)
ff(x) +
77
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
O caso 2D foi o caso tratado na fase de testes. Da mesma forma que a funo
Degrau, essa funo tambm pode ser extensvel a n variveis. Como pode ser visto
na equao 4-3, uma funo contnua e altamente multimodal. No intervalo
escolhido xi [-5.12, 5.12], ela possui aproximadamente 10n mnimos.
ff ( x) = A * n + [ x i2 A * cos( 2 * * xi )] (4-3)
i =1
O parmetro A pode ser qualquer nmero real. O mnimo global dado por xi=0.0
para todo i [1, n]. Foi admitida como soluo tima, toda soluo em que a norma
euclidiana do vetor soluo for inferior a 0.3, pois, nesse ponto, a regio do mnimo
j est caracterizada. Mais uma vez, o objetivo do problema minimizao. Para
adequar o problema para maximizao, introduziu-se a equao 4-3 na equao 4-
2.
x1 1
ff ( x) = 3 * (1 x1 ) 2 * e x1 ( x2 +1) + 10 * ( x13 x 52 ) * e x1 x2 + * e ( x1 +1) x2
2 2 2 2 2 2
(4-4)
5 3
78
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
soluo global acontece quando x1=-0.0094 e x2=1.5814. Mas, ser considerado que
o algoritmo chegou ao mximo quando a norma euclidiana em relao ao ponto
soluo for inferior a 0.3.
A penltima coluna indica o comprimento l utilizado para cada xi, de forma que a
resoluo do espao de procura seja inferior a 0.0001. A ltima coluna mostra um
dos dois critrios de parada dos GAs, que o nmero mximo de clculo de funo
permitido para a resoluo de cada problema. O segundo critrio, o de convergncia
da populao, finalizar os GAs caso 1-mdg < 0.01.
79
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
80
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 4-3
Testando o elitismo para o SGA.
Funo Elitismo Sem Elitismo
Degrau 23 15
Rastrigin 11 10
Picos 27 25
Tabela 4-4
Testando a reposio para o RGA.
Funo 1 indivduo 2 indivduos
Degrau 16 11
Rastrigin 9 3
Picos 26 25
Com esses testes, escolheu-se trabalhar, de agora em diante, com o SGA que
assegura a sobrevivncia do melhor a cada gerao e com o RGA que recoloca em
cada gerao apenas 1 indivduo. Para encontrar o melhor intervalo G do SSGA o
procedimento foi um pouco mais complicado. Ao invs de valores numricos, um
grfico foi feito para tentar encontrar uma regio na qual se pudesse esperar um
bom desempenho mdio relativo execuo das trs funes teste. Variou-se o
intervalo G de 0.05 at 0.95 com incrementos de 0.05 a cada teste. O resultado est
mostrado na Figura 4-4.
30
26
Execs. com sucesso
Mdia
22 Degrau
Rastrigin
18 Picos
14
10
0.05 0.15 0.25 0.35 0.45 0.55 0.65 0.75 0.85 0.95
Valor do intervalo G
81
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
82
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
30
25
1/(funo desempenho)
20 fmax
fmed
15
10
0
50 250 450 650 850 1050 1250 1450 1650 1850 2050
Nmero de clculos de funo
35
30
1/(funo desempenho)
25
f max
20
f med
15
10
0
50 250 450 650 850 1050 1250 1450 1650 1850 2050
83
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
30
25
1/(funo desempenho)
20
f max
f med
15
10
0
50 250 450 650 850 1050 1250 1450 1650 1850 2050
Tabela 4-7
Funo Rastrigin e os mtodos de seleo.
GAs Roleta Torneio SUS SRS DS
ES MCF ES MCF ES MCF ES MCF ES MCF
SGA 11 2050 16 1851.7 9 2050 10 2050 10 2050
SSGA 17 1466 15 992.7 15 1590 21 1696.7 14 1538
RGA 9 440.2 6 266.7 9 535.3 10 486.3 11 520
Mdia 12.3 1318.7 12.3 1037.0 11.0 1391.8 13.7 1411.0 11.7 1369.3
Tabela 4-8
Funo Picos e os mtodos de seleo.
GAs Roleta Torneio SUS SRS DS
ES MCF ES MCF ES MCF ES MCF ES MCF
SGA 29 650 28 650 23 650 26 650 23 650
SSGA 27 611.3 25 495.3 28 650 29 648.7 29 650
RGA 26 499 24 274.4 23 563.3 27 529 23 481.8
Mdia 27.3 586.8 25.7 473.2 24.7 621.1 27.3 609.2 25.0 593.9
84
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Essa rpida uniformizao pode facilitar os GAs a pararem numa soluo local. As
tabelas mostram que, considerando conjuntamente os trs GAs, o mtodo da Roleta
encontra-se bem cotado para as trs funes e que o mtodo do Torneio funciona
muito bem quando se trata do SGA, mas em contrapartida no eficiente para o
RGA. Isso porque o Torneio o mais tendencioso dentre os mtodos de seleo
apresentados e o RGA entre os algoritmos. O resultado a convergncia prematura.
No caso do SGA, que possui convergncia mais suave, o mtodo do Torneio
contribui como agente compensador, sendo, portanto, benfico sua interao.
Fazendo um balano de desempenho dos GAs, o SSGA mostrou-se superior na
maioria dos testes.
85
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
86
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Para a funo Picos, o escalonamento escolhido foi o Sigma, por ter uma regio
bem definida entre as faixas e tambm porque quase no h diferenas entre as
mdias. O valor para o multiplicador Sigma foi 1.3.
Tabela 4-9
Resultados para o escalonamento escolhido.
Funo Escalonamento RGA SGA SSGA Mdia
escala sem escala sem escala sem escala sem
Degrau Linear(2.40) 15 9 20 28 29 19 21.33 18.67
Rastrigin Linear(3.90) 9 6 15 8 14 12 12.67 8.67
Picos Sigma(1.30) 29 22 30 26 30 25 29.67 24.33
87
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 4-10
Funo Degrau e os tipos de Cruzamento.
GAs 1ponto 2pontos CPV CEVI Uniforme
ES MCF ES MCF ES MCF ES MCF ES MCF
SGA 16 2050 19 2050 21 2050 10 2050 21 2050
SSGA 22 771.3 29 782 14 1890.3 12 700.7 27 964.7
RGA 12 385.7 19 389.9 13 1796 6 355.3 21 456
Mdia 16.7 1069.0 22.3 1074.0 16.0 1912.1 9.3 1035.3 23.0 1156.9
Tabela 4-11
Funo Rastrigin e os tipos de Cruzamento.
GAs 1ponto 2pontos CPV CEVI Uniforme
ES MCF ES MCF ES MCF ES MCF ES MCF
SGA 10 2050 11 2050 9 2050 5 2050 11 2050
SSGA 10 1351.3 20 1624.7 9 2036 11 1267.3 18 1975.3
RGA 8 617.2 13 651.7 10 765.2 5 450.6 11 776.6
Mdia 9.3 1339.5 14.7 1442.1 9.3 1617.1 7.0 1256.0 13.3 1600.6
Tabela 4-12
Funo Picos e os tipos de Cruzamento.
GAs 1ponto 2pontos CPV CEV Uniforme
ES MCF ES MCF ES MCF ES MCF ES MCF
SGA 29 650 30 650 30 650 24 650 30 650
SSGA 30 626 30 624.7 30 650 30 616.7 30 647.3
RGA 30 397.2 30 397.7 30 526.6 23 379.8 30 431.5
Mdia 29.7 557.7 30.0 557.5 30.0 608.9 25.7 548.8 30.0 576.3
88
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Relativo ao critrio FF, o que se pde observar que ele produz melhores
resultados quando a faixa mais estreita (com 0.4) e situada mais no incio do
intervalo. No entanto, para o critrio DF, o qual atua em todo o intervalo possvel de
mdg (o critrio age dentro da faixa com as probabilidades dos operadores
interpolados e fora da faixa com valores limites destas probabilidades, veja Figura 3-
9), no se conseguiu definir um ideal, mas observou-se melhores resultados
quando a faixa encontra-se situada mais no incio do intervalo. No se conseguiu
definir um critrio para a escolha da largura e da posio da faixa tanto da
adaptao FF quanto da DF e, portanto, os valores dos termos foram escolhidos
simplesmente pegando as faixas que propiciaram os resultados mais significativos
nessas execues. O resultado est fixado na Tabela 4-15.
Tabela 4-14
Valores limites de pm e pc e das constantes k.
Parmetros FF DF PI
pm 0.001-0.05 0.001-0.05 0.0-0.5
pc 0.50-1.0 0.50-1.0 0.0-1.0
km 1.15 - -
kc 1.20 - -
Tabela 4-15
Faixas que propiciaram em melhores resultados para as funes teste.
Adaptao Parmetros Degrau Rastrigin Picos
Dentro da Largura 0.85 0.85 0.40
Faixa Faixa mdg 0.0 - 0.85 0.05 - 0.90 0.05 - 0.45
Fora da Largura 0.10 0.15 0.20
Faixa Faixa mdg 0.20 - 0.30 0.15 - 0.30 0.20 - 0.40
89
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 4-16
Resultados dos critrios da ao dos critrios de adaptao.
Funo Adaptao DF Adaptao FF Adaptao PI
MES MCF MES MCF MES MCF
Degrau 27.7 1075.1 28.0 1302.3 19.3 1536.7
Rastrigin 21.0 1702.4 22.7 2025.6 11.3 1566.7
Picos 30.0 598.2 30.0 585.3 29.3 500
Mdia 26.2 1125.2 26.9 1304.4 20.0 1201.1
30
Execs. com sucesso
25
Degrau
20 Rastrig.
Picos
15
10
incio seleo escalonamento cruzamento adaptao
90
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 4-17
Mtodos mais adequados para cada GA.
GAs Seleo Escalonamento Cruzamento Resultado
RGA Roleta Linear(1.2) Uniforme 21.0
SGA Torneio Linear(2.4) 2pontos 23.3
SSGA SRS Linear(3.1) 2pontos 25.6
Tabela 4-18
Ao da adaptao dinmica sobre os GAs da Tabela 4-17.
GAs Adaptao Degrau Rastrigin Picos MES
RGA DF(0.00-0.20) 30 27 30 29
SGA FF(0.05-0.25) 30 27 30 29
SSGA FF(0.10-0.25) 30 30 30 30
Terminada mais esta fase de testes, vale a pena fazer um balano da ao dos
mtodos sobre a performance dos GAs, relativamente s trs funes teste.
91
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
30
10
incio seleo escalonamento cruzamento adaptao
92
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Esta seo apresenta tcnicas que aprimoram ainda mais a performance dos
GAs. O objetivo no comparar uma tcnica com outra, pois cada tcnica tem o seu
melhor ponto de funcionamento em dada situao. Para a realizao de cada um
dos testes, apenas um dos trs GAs foi escolhido e com alguns parmetros
definidos. So eles:
pc:0.6; pm:0.001;
seleo: Roleta;
cruzamento: 2pontos;
93
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
30
25
Execs. com sucesso
20 5 vezes
15 10 vezes
20 vezes
10
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
1000
800
n_gen
600
n_pop
400 calcs/100
200
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
Figura 4-17: Parmetros variveis nas execues da tcnica hbrida: Tamanho da populao,
nmero de geraes e, por conseguinte, nmero de clculo de funo mdio.
94
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
O prximo item que foi analisado foi a formao de nichos (seo 3.16) com o
mtodo descrito por Goldberg & Richardson [10] e Goldberg [11]. Nessa tcnica, o
tamanho npop da populao influi muito no tempo computacional do algoritmo, pois,
para medir o grau de proximidade de cada indivduo com os demais, so feitos
aproximadamente npop2/2 (usando simetria) clculos da funo de partilha em cada
gerao. O grupo de mtodos e parmetros usado foi o mesmo apresentado no
incio desta seo. No entanto, o valor do =10-6 na equao 4-2 foi aumentado para
=2, de forma que no favorecesse tanto regio da soluo global (isso fica melhor
explicado observando a Figura 3-3). Caso o fosse mantido com seu valor anterior,
praticamente quaisquer quantidades de indivduos poderiam pertencer ao pico
global, mesmo que a funo de partilha penalize esses indivduos prximos. O GA
empregado agora o SGA. O motivo que se quer mostrar que a tcnica de
Goldberg mantm diversidade atravs da formao de nichos e, caso fosse utilizado
SSGA, esta manuteno de diversidade no corresponderia fielmente, pois o
intervalo G mantm alguns indivduos de uma gerao a outra. Os resultados
obtidos encontram-se na Figura 4-18.
30
Execs. com sucesso
25
20
15
10
5
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
95
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
800
700
600
500 n_gen
400 n_pop
300 calcs/100
200
100
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
70
60
Nm. integrantes
pico 1
50 pico 2
40
pico 3
30
pico 4
20
10
0
0 4 8 12 16 20 24 28 32 36 40 44 48 52
Nmero de geraes
96
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
800
700
600
n_pop
500
n_gen
400
calcs/100
300
200
100
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
Para que haja reduo de intervalo, conveniente definir um mdg mnimo, a partir
do qual, se far a reduo. Foram observados todos os valores de mdg, tal que,
mdg [0.05, 0.95], com passo 0.05. Os resultados que melhor representam o
comportamento do SSGA para diversos mdg esto impressos na Figura 4-22.
97
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
25
mdg=0.75
20 mdg=0.85
mdg=0.90
15
10
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
30
taxa j=-0.70
Execs. com sucesso
25 taxa j=-0.80
20 taxa j=-0.90
15
10
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
98
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
99
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Figura 4-24: Comparando o nmero de clculo de funes utilizado na associao dos GAs
com a tcnica BFGS, formao de nichos e reduo de intervalo.
30
BFGS
Execs. com sucesso
25
Nichos
20
Red. Intervalo
15
10
5
0
2 4 6 8 10 12 14 16 18 20
Nmero de variveis
Figura 4-25: Comparando o nmero de execues com sucesso obtido na associao dos
GAs com tcnica BFGS, formao de nichos e reduo de intervalo.
100
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
101
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
102
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
103
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 4-19
Comparao entre OX, PMX e CX.
Cruzamento Populao pswap Resultado
OX 500 0.30 449
PMX 50 0.60 498
CX 50 0.50 517
Para este problema OX foi 11% superior ao PMX e 15% ao CX. Pela anlise
terica (em termos de probabilidade de sobrevivncia de esquemas) realizada em
[28], espera-se que OX vena o tipo PMX nos problemas em que posies
adjacentes so importantes no indivduo, como o caso do TSP. Por outro lado, os
autores esperam um melhor desempenho do cruzamento PMX.
104
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
a 425, com populaes de 500 e 200 membros e pswap igual a 15% e 25%
respectivamente.
Um trabalho realizado por Whitley & Outros (Captulo 22 de [4]) tambm analisou
este mesmo caso de TSP. Nesse trabalho, os autores introduziram o operador de
recombinao ERO e obtiveram excelentes resultados. Enquanto que
Oliver & Outros no encontraram a melhor soluo nem com 200000 clculos,
Whitley & Outros encontraram a soluo em 28 vezes das 30 execues realizadas,
utilizando 70000 clculos. Quando usaram a formao de subpopulaes a
convergncia para a soluo global foi 30/30 com 80000 clculos.
4.3.3 Anlise de De Jong & Spears sobre a Interao entre Tipo de Cruzamento e
Tamanho da Populao
De Jong & Spears citaram outros trabalhos em que o cruzamento com 16 pontos
de corte e o Uniforme derrotavam os demais. Com esse resultado, eles puderam
supor que as aproximaes feitas nas equaes de ruptura poderiam conduzir a
algum erro significativo, ou ento, somente a minimizao da ruptura no o melhor
caminho para selecionar os operadores de cruzamento apropriadamente.
Se a segunda hiptese for correta, ento deve existir situaes em que a ruptura
ajuda no processo de procura. Os autores analisaram vrios trabalhos nos quais
diferentes tipos de cruzamento produzem melhor performance. Eles chegaram
concluso de que existe pelo menos duas importantes situaes em que a ruptura
traz vantagens. A primeira ocorre quando a populao est bastante uniformizada e
105
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
1 - 1 1 1 1 1 1 1 1 1 1 1
2 - 1 1 1 1 1 1 1 1 0 0 0
106
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 4-20
Comparao dos cruzamentos 2pontos e Uniforme.
2-point vs. Uniform
Problem Population Size
20 50 100 1000
6-peak Uniform Uniform 2-point 2-point
5-peak 2-point 2-point 2-point 2-point
4-peak ? 2-point ? 2-point
3-peak Uniform ? 2-point 2-point
2-peak Uniform 2-point ? 2-point
1-peak Uniform Uniform ? ?
Alguns resultados grficos relativos aos dois tipos de cruzamento da Tabela 4-20
esto fixados na Figura 4-28. Nota-se que, embora as grandes populaes cheguem
a melhores solues, elas tambm precisam de muito mais geraes para a
convergncia.
107
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
4.4 Concluso
108
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Mesmo que tenha havido melhorias da fase inicial de testes at a fase dos
cruzamentos, estas no foram to significativas, visto que os GAs so algoritmos
estocsticos e, portanto, pode haver flutuaes nas execues. O que pode ser
concludo que os cruzamentos Uniforme e 2pontos se mostram como as melhores
opes de cruzamento, o mtodo da Roleta esteve sempre nas primeiras posies
nos testes de mtodos de seleo. Concluiu-se, tambm, que os melhores
multiplicadores de escalonamento no necessariamente devam estar dentro de
faixas predeterminadas (para o caso do escalonamento Linear, a faixa sugerida em
[11] por Goldberg [1.2-2.0]). Nessa primeira fase de testes, o fator que realmente
contribuiu para o melhor desempenho dos GAs foi a aplicao das tcnicas de
adaptao dinmica dos operadores cruzamento e mutao. Com a adaptao
tenta-se controlar a diversidade gentica dentro da populao, sendo este um fator
importantssimo para condicionar os GAs a encontraram a soluo principal.
109
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
5. Aplicaes
5.1 Introduo
110
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
5.2.1 Correntes Induzidas numa Superfcie Plana Devido a uma Corrente numa
Espira Paralela Superfcie
q
d zl
q
d zl
kr ( k + q)e
Ip2 a ( r k q)e a
J (r, z) = j 2 e kb J1 (k )J1 ( ) r d d kdk (5-1)
a 0 a q q
( r k + q)e a ( k q)e a
r
J(r) dr
1
perdas = 2
no volume da placa.
r
111
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
112
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 5-2
Solues factveis para Aplicao 1.
a (m) b (m) (S/m) r
1 0.010142827 0.276256600 3.75981930*1E7 5.7253637
2 0.010462661 0.244631790 2.39364290*1E7 5.2389293
3 0.010623798 0.245623650 3.79691460*1E7 4.2660604
4 0.010764184 0.216516610 5.62231830*1E7 2.1722770
5 0.011097445 0.254702910 1.62991730*1E7 7.1907101
6 0.011462448 0.086431465 0.85151219*1E7 6.7254248
7 0.016406446 0.230539880 1.09709470*1E7 5.1996522
8 0.016830043 0.088209171 3.6035035*1E7 4.6286201
9 0.018119144 0.248736530 0.77950376*1E7 7.4807582
10 0.020414138 0.261684020 1.75171660*1E7 5.2026734
11 0.021550646 0.089841919 0.86301768*1E7 6.5985289
12 0.025636463 0.266467780 0.66762292*1E7 7.4777369
13 0.027990050 0.295750290 1.82551040*1E7 4.2358470
14 0.031558275 0.250727860 2.47477650*1E7 3.0273139
15 0.037626576 0.261104160 2.22165580*1E7 3.1088901
16 0.041232643 0.244914090 3.91494490*1E7 2.0937223
17 0.044650717 0.250323510 6.31403540*1E7 1.7281411
18 0.045917845 0.296253850 0.59918517*1E7 6.7918944
5.2.2 Correntes Induzidas numa Casca Cilndrica Devido a uma Corrente num
Filamento Paralelo Interno ao Cilindro
I
, z
0 0
b
r
a
113
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
J z (r, ) =
[F I ( j
0
n n
1/ 2
]
pr ) + C nK n ( j1/ 2 pr ) cos(n) (5-3)
Nas equaes 5-4 e 5-5, qn=0 quando n=0 e, para n>0, qn igual a 1/a. E
finalmente, o termo Dn est descrito pela equao 5-6.
D n = In+1 ( j1/ 2 pa) * K n 1 ( j1/ 2 pc) In 1 ( j1/ 2 pc) * K n +1 ( j1/ 2 pa) (5-6)
114
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
J
c
1
perdas = 2
rdrd (5-7)
0 a
115
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 5-4
Solues factveis para Aplicao 2.
a (m) c (m) (S/m) r
1 0.085830264 0.10955339 4.7862389*1E7 1.0170064
2 0.087931454 0.10254994 2.4468062*1E7 2.4600134
3 0.088950776 0.10919688 3.1532630*1E7 1.7523490
4 0.089605391 0.10215415 2.8839872*1E7 2.2061094
5 0.091419727 0.10781612 3.0476699*1E7 1.7130344
6 0.091518909 0.11057762 2.1680453*1E7 2.3752349
7 0.093595691 0.13020721 0.76561785*1E7 4.4171267
8 0.094085507 0.11530903 2.2168951*1E7 2.2170476
9 0.097238079 0.11867177 2.6265343*1E7 1.7380231
10 0.099874876 0.11383159 3.7102873*1E7 1.2084738
11 0.099908449 0.11937273 0.98184144*1E7 4.2509537
12 0.099943541 0.12173843 1.0467086*1E7 3.6799219
5.2.3 Correntes Induzidas numa Casca Cilndrica Devido a uma Corrente num
Filamento Paralelo Externo ao Cilindro
116
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Nas equaes 5-9 e 5-10, qn=0 quando n=0 e, para n>0, qn igual a 1/c.
I
, z
0 0
b r
a
Tabela 5-5
Limites das variveis de otimizao da Aplicao 2.
Limite inferior Varivel Limite superior
0.010 m a 0.110 m
0.221 m b 0.600 m
0.111 m c 0.220 m
117
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 5-6
Solues factveis para Aplicao 3.
a (m) c (m) b (m)
1 0.0565926 0.1317475 0.2244121
2 0.0567086 0.1271769 0.2313636
3 0.0624789 0.1185379 0.1471292
4 0.0689238 0.1400256 0.2099402
5 0.0774947 0.1240965 0.2373435
6 0.0776107 0.1115289 0.2412877
7 0.0777633 0.1242129 0.2367536
8 0.0890429 0.1157636 0.2350533
9 0.0957143 0.1323562 0.2362909
10 0.0983969 0.1127265 0.2367073
11 0.1003088 0.1308909 0.2323537
12 0.1030906 0.1423691 0.2296402
13 0.1060997 0.1378683 0.2317221
14 0.1069573 0.1232482 0.2230704
118
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
119
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Comparando a Figura 5-8 com Figura 5-9, nota-se que, apesar dos resultados do
efeito pelicular descrito pela linha contnua (n=0) estarem de acordo, o resultado
para a corrente total induzida (20 termos na equao 5-3), representado pelas linhas
pontilhadas no est. Ento buscou-se outra maneira para validar quais resultados
esto corretos. Partiu-se, ento, de um software desenvolvido no CPDEE, chamado
Softwave Numerical Program (dissertao de mestrado do aluno Andr Gustavo
Lomnaco) que resolve vrios tipos de problemas eletromagnticos 2D, utilizando os
mtodos FEM (Finite Element Method), BEM (Boundary Element Method) e MoM
(Method of Moment). O autor do software, juntamente com outra aluna de mestrado
(Simone Aparecida Viana), implementou este caso de correntes induzidas utilizando-
se do mtodo FEM. O resultado obtido encontra-se na Figura 5-10.
120
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
121
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
5.4 Concluso
Neste captulo, o SSGA foi utilizado para resolver trs problemas de otimizao
envolvendo correntes induzidas. As funes objetivo destas aplicaes so
complicadas, fazendo uso das funes de Bessel e envolvendo integrais. Estas
funes so caras computacionalmente se comparadas ao tempo gasto com as
funes analisadas no Captulo 4. Por esse motivo, os parmetros tamanho da
populao e nmero de geraes foram dimensionados de forma a deixar o SSGA
122
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
trabalhar com um pequeno nmero de clculos de funo, mesmo que, para isso, se
perca um pouco de performance quanto ao nmero de execues com sucesso em
relao ao nmero de execues realizadas.
123
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
6. Concluso
124
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
125
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
mtodo da inverso
Para a realizao dos testes, foi escolhido o software GAlib (MIT), a partir do qual
foram implementadas as modificaes necessrias. Em seguida, foram escolhidas
trs funes teste (Degrau, Rastrigin e Picos) sobre as quais foi feita toda a anlise
numrica. Tambm foram fixados alguns parmetros e mtodos:
seleo: Roleta;
cruzamento: 2pontos;
126
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
127
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
No Captulo 5, o SSGA (com critrio de adaptao dinmica DF) foi utilizado para
resolver trs problemas de otimizao envolvendo correntes induzidas. O
mecanismo de reduo de intervalo foi inserido apenas na Aplicao 2. Os
resultados foram satisfatrios, considerando-se que os parmetros foram
quantificados de modo que o nmero de clculo de funes no fosse grande, pois o
tempo computacional requerido para o clculo de cada funo objetivo era bem
grande (veja Apndice B), se comparado ao tempo de processamento obtido no
Captulo 4.
Espera-se que esta dissertao sirva como base para aqueles interessados em
conhecer os Algoritmos Genticos, aplic-los a problemas de otimizao diversos e
tambm deixar o leitor apto leitura e entendimento de outros trabalhos relativos ao
tema.
128
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
7. Apndice A: Algumas
Aplicaes que Utilizam GAs
Referncia [39].
Tema: Aplicao de um GA Paralelo na resoluo de um problema de fluxo de
fbrica.
O processo do fluxo de fbrica fica melhor explicado pela figura que segue.
129
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
tarefa k tarefa l
mquina i
mquina i+1
O que se deseja otimizar o tempo de espera total d1, ..., n entre a primeira e a
ltima tarefa. Ento a funo objetivo a seguinte.
n
C max = d
j =0
p( j)p ( j+1)
Referncia [44].
Tema: GA aplicado otimizao da geometria de bucha de transformador .
130
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
8. Apndice B: Tempo
Computacional
131
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
Tabela 8-1
Tempo computacional da primeira fase de testes (Captulo 4).
Item RGA SGA SSGA TCT
NCF TC NCF TC NCF TC
Tabela 4-3 - - 285000 00:04:20 - - 00:04:20
Tabela 4-4 92071 00:01:28 - - - - 00:01:28
Tabela 4-6 57159 00:00:46 291450 00:01:20 114020 00:00:36 00:02:42
Tabela 4-7 90109 00:01:19 305500 00:01:19 219420 00:01:11 00:03:49
Tabela 4-8 68179 00:01:03 97500 00:00:28 93780 00:00:35 00:02:06
Tabela 4-10 107819 00:00:38 307500 00:00:59 150300 00:00:38 00:02:15
Tabela 4-11 150614 00:01:54 307500 00:02:13 245180 00:02:01 00:06:08
Tabela 4-12 73582 00:01:01 97500 00:00:56 89420 00:00:58 00:02:55
Tabela 4-16 29160817 09:00:13 54292500 04:41:48 34189140 03:42:22 17:24:23
Figura 4-4 - - - - 1575042 00:11:06 00:11:06
Figura 4-8 663090 00:07:12 3751500 00:11:12 1433580 00:05:42 00:24:06
Figura 4-9 354582 00:03:30 3136500 00:09:24 812100 00:03:12 00:16:06
Figura 4-10 1241874 00:22:54 3751500 00:22:06 2994060 00:21:00 01:06:00
Figura 4-11 537066 00:09:12 3136500 00:18:30 1556340 00:11:12 00:38:54
Figura 4-12 795440 00:14:20 1189500 00:09:18 1090140 00:09:54 00:33:32
Figura 4-13 431064 00:07:24 994500 00:06:36 828180 00:06:18 00:20:18
Tabela 8-2
Tempo computacional dos testes de tcnicas mais avanadas (Captulo 4).
Nmero de BFGS Nichos Reduo
Variveis NCF TC NCF TC NCF TC
2 184500 00:01:56 61200 00:00:30 2337000 00:09:30
4 414000 00:05:43 107100 00:02:12 4548600 00:19:00
6 918000 00:29:00 137700 00:05:24 8322000 00:57:00
8 1512000 00:59:00 399300 00:22:54 11080800 01:44:30
10 2196000 02:28:00 588900 00:47:12 17955000 05:42:00
12 2970000 04:31:00 666900 01:18:18 20349000 6:29:30
14 3834000 06:45:15 1025100 02:53:24 29412000 8:33:00
16 4788000 12:09:00 1326000 04:50:36 36366000 18:31:30
18 5832000 19:41:00 1731900 05:44:00 57285000 36:34:30
20 6966000 27:29:00 2113800 08:42:00 74179800 47:39:30
Tabela 8-3
Tempo computacional das aplicaes (Captulo 5).
NCF TC
Aplicao 1 19600 01:29:34
Aplicao 2 18560 143:59:41
Aplicao 3 2600 19:59:53
132
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
9. Apndice C: Softwares de
GAs
133
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
134
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
10. Bibliografia
[1] Bazaraa M.S. & Shetty C.M., Nolinear Programming-Theory and Algorithms, ed
John Wiley & Sons, 1979.
[2] Bertsekas D.P., Dynamic Programming - Deterministic and Stochastic Models, ed.
Prentice Hall, Inc, 1987.
[3] Bland R.G., GoldFarb D., Todd M.J., The Ellipsoid Method-A Survey, Operations
Research, vol.29, pp.1039-1091, 1981.
[4] Davis L., Handbook of Genetic Algorithms, Van Nostrand Reinhold, New York,
1991.
[5] De Jong K.A. & Spears W.M., An Analysis of the Interacting Roles of Population
Size and Crossover in Genetic Algorithms,
[6] De Jong K.A., Adaptive System Design: A Genetic Approch, IEEE Transactions on
Systems, Man and Cybernetics, vol.10, n 9, 566-574, september, 1980.
[7] De Jong K.A., Analysis of the Behavior of a Class of Genetic Adaptive Systems,
PhD. thesis, Dep.Computer and Comunication Sciences, Univ. Michigan, Ann
Arbor,1975.
[8] Deb K. & Goldberg D.E., An Investigation of Niche and Species Formation in
Genetic Function Optimization, Proceedings of the Third International Conference on
Genetic Algorithms, pp. 42-50, 1989.
[9] Fletcher R., Practical Methods of Optimization, Volume 1, ed. John Wiley & Sons,
1980.
[10 Goldberg D.E. & Richardson J., Genetic Algorithms with Sharing for Multimodal
] Function Optimization, Proceedings of Second International Conference on Genetic
Algorithms, pp. 41-49, 1987.
[11 Goldberg D.E., Genetic Algorithms in Search, Optimization and Machine Learning.
] Reading MA: Addison Wesley, 1989.
[12 Goldberg D.E., Optimal Initial Population Size for binary-Coded Genetic
] Algorithms, TCGA Report n 85001, Tuscaloosa: Univer. of Alabama, the
Clearinghouse for Genetic Algorithms.
[13 Goldberg D.E., Milman K., & Tidd C., Genetic Algorithms: A Bibliography,
] Department of General Engineering, University of Illinois, Illigal report n 92008, july,
1992.
[14 Grefenstette J.J., Optimization of Control Parameters for Genetic Algorithms, IEEE
] Transactions on Systems, Man and Cybernetics, vol. SMC-16, n 1, pp. 122-128,
january/february, 1986.
[15 Grefenstette J.J., Gopal R., Rosmaita B.J. & Van Guch D., Genetic Algorithms for the
] Traveling Salesman Problem, Proceedings of an International Conference on Genetic
Algorithms and Their Aplications, pp. 160-168, 1985.
135
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
136
Algoritmos Genticos: Estudo, Novas Tcnicas e Aplicaes
137