Escolar Documentos
Profissional Documentos
Cultura Documentos
Departamento de Engenharia de
tica
Teleinforma
s-Graduac
o em
Programa de Po
a
tica
Engenharia de Teleinforma
Otimizac
ao Usando Algoritmos de
Computac
ao Evolutiva (GA e DE) e
Intelig
encia de Enxame (PSO)
31 de Maio de 2015
Quest
ao 1. Considere a funcao de Rastringin para 2 variaveis:
f (x1 , x2 ) = 20 + x1 2 + x2 2 10(cos(2x1 ) + cos(2x2 )),
(1)
(a) Func
ao no domnio
(a) Aptid
ao do melhor indivduo
Figura 6: N
umero de geracoes para convergencia variando N.
Na Figura 6 vemos que ha uma grande variacao no n
umero de geracoes
necessarias para convergencia do AG para cada valor de N, porem ao
analisarmos a curva vemos que ha uma tendencia de reducao do n
umero
de geracoes necessarias quando o n
umero de indivduos e aumentado,
6
Figura 8: N
umero de geracoes para convergencia variando pc .
Figura 10: N
umero de geracoes para convergencia (apt<0.01) variando pm .
Contudo, as simetrias deste problema especificadas nos itens (i) e (ii)
fazem com que os pontos cujos cromossos sao inversos, por exemplo
000010 e 111101, tenham valores de aptidoes identicas, o que faz com
que a aptidao de um certo cromossomo que passa pelo processo de
mutacao com probabilidades de mutacao muito grandes ou muito pequenas sejam equivalentes.
Considere o seguinte exemplo: Um cromossomo 10100010101 passa
por um processo de mutacao com pm = 0.01 e o resultado obtido e
10100010111, em que ocorreu uma mutacao no terceiro gene menos
significativo. Se consideramos agora a pm = 0.99, a probabilidade de
se obter um cromossomo igual a 01011101000, onde todos os genes,
exceto o terceiro menos significativo, mudaram e a mesma que de se
obter o cromossomo resultante do primeiro processo de mutacao, e no
caso do nosso problema, ambos teriam a mesma aptidao por serem
mutualmente inversos.
9
Para mostrar que em um caso sem simetria isto nao ocorre, retiramos
a simetria presente nosso problema, reescrevendo a funcao de Rastringin na forma abaixo, deslocando o seu ponto de mnimo para o
ponto (5, 5), cujos graficos sao mostrados na Figura 11.
f (x1 , x2 ) = 20+(x1 +5)2 +(x2 +5)2 10(cos(2(x1 +5))+cos(2(x2 +5))),
(2)
10
(a) Aptid
ao do melhor indivduo
12
(a) Aptid
ao do melhor indivduo
(a) Aptid
oes dos melhor indivduo
AG
0.8960 s
3.5096 s
DE
0.2219 s
0.0611 s
PSO
0.0118 s
0.0480 s
(a) Aptid
oes dos melhor indivduo
16
(a) Aptid
oes dos melhor indivduo
(a) Aptid
ao variando cr
18
Quest
ao 2. Considere o problema de ajuste de curvas para os dados do
aerogerador disponibilizado no SIGAA. De posse de um conjunto de N
pares entrada-sada {(v(l), p(l))}N
ao e um
l=1 , assuma que a curva de regress
polinomio de ordem k(k 0), ou seja
p(v) = a0 + a1 v + a2v 2 + ... + ak v k ,
(3)
em que v e a velocidade do vento (m/s) e p e a potencia gerada (kW) predita pelo modelo polinomial. Use as metaheursticas DE e PSO para estimar
valores para os parametros aj , j = 0, ..., k.. Compare o resultado obtido com
aquele gerado pela funcao polyfit do Matlab/Octave.
O conjunto de dados a ser aproximado, que representa as velocidades e
as potencias de uma aerogerador e mostrado na Figura 22.
x(i) = [a0
ai1
ai2
19
...
ain ]T ,
(4)
N
X
(p(l) p(l))2
(5)
l=1
10.3729
5.0036
1.4339
0.0677]T ,
(6)
funcoes do Matlab polyfit e polyval, esta curva representada pelo pontilhado em cor verde, vemos que em todos os pontos as duas curvas parecem
estar sobrepostos, tendo sempre valores muito parecidos, alem disso, analisarmos os valores dos ndices do polinomio gerados pela funcao polyfit na
equacao percebemos que estes valores sao muito proximos aos obtidos no
melhor indivduo DE, com diferencas apenas a partir da sexta casa decimal.
Xpolyf it = [0.3913
10.3729
5.0036
1.4339
0.0677]T ,
(7)
(a) Aptid
oes dos melhor indivduo
2.3952
1.2871
1.0690
0.0559]T ,
(8)
aumenta o n
umero de maximo de geracoes, o algoritmo PSO chega em valores menores de erro. Na Figura 26 sao mostradas as aptidoes por geracao.
(a) Aptid
oes dos melhor indivduo
(a) Aproximac
ao DE
23
Quest
ao 3. Repita a Questao 2 usando como funcao-objetivo a ser minimizada a soma dos erros quadraticos (SEQ) com regularizacao:
f (xi ) =
N
X
ei 2 (l) + kxi k2 ,
(9)
l=1
em que > 0 e uma constante pequena, chamada de constante de regularizacao. O smbolo k k denota a norma euclidiana de um dado vetor.
A constante de regularizacao e um hiperparametro do problema de minimizacao em questao, ou seja, ele deve ser escolhido primeiro para que os
algoritmos de otimizacao metaheurstica possam ser aplicados. Assim, usando um valor adequado para (e.g. = 0.1), calcule a norma do vetor de
parametros obtido e compare-a com a norma do vetor obtido na Questao 2.
Em que o resultado obtido usando-se a funcao-objetivo mostrada na Eq. (3)
difere daquele obtido usando-se a funcao-objetivo da Questao 2?
A adaptacao do codigos da Questao 2 para a funcao SEQ e feita atraves
da adicao do termo mais a direita na equacao (9) na funcao de aptidao de
ambas metaheursticas. Este acrescimo da norma ao quadrado na funcao a
ser minimizada tem o intuito de fazer com que o resultado de norma mnima
seja obtido. Deste modo e esperado que as normas dos polinomios obtidos
nesta questao sejam menores do que as da questao anterior.
Escolhendo o valor de = 0.01, executamos os codigos de DE e PSO com
regularizacao, utilizando polinomios de ordem 4 e os mesmos parametros
utilizados na questao anterior. Os graficos obtidos sao mostrados na Figura
28, onde vemos que os resultados continuam com as mesmas caractersticas
obtidas na questao anterior, com o DE mostrando uma aproximacao perfeita
e o PSO com uma boa aproximacao dos valores.
Para verificar se as normas sao realmente reduzidas, executamos cada
codigo 50 vezes e calculamos a media das normas ao quadrado do melhor
indivduo de cada realizacao e dispomos os resultados nas Tabelas 2 e 3 para
os problemas com polinomios de ordem 4 e 6, respectivamente.
24
(a) Aproximac
ao DE
DE
PSO
134.8466 37.8074
134.6893 6.2554
DE
PSO
933.6167 141.3933
894.9717 0.1432