Escolar Documentos
Profissional Documentos
Cultura Documentos
3.1 Introduo
classe P. Pode parecer uma contradio, mas o que acontece que alguns destes
problemas possuem uma estrutura to especfica que possvel encontrar um
algoritmo eficiente para os resolver.
Dados: Um grafo G
Soluo ptima
Meta-heursticas
Heursticas de melhoramento
Heursticas construtivas
A soluo ptima est contida no intervalo entre o limite superior e inferior. Para um
problemas de maximizao, os limites inferiores da soluo ptima (Opt) so dados
por heursticas (He) e os limites superiores por relaxaes (Rel).
Para medir a qualidade das soluo obtidas, so utilizados os desvios (gap) relativos
percentuais.
gap = [(Rel - Opt)/ Opt ]x 100 e gap = [(Opt - He)/ Opt ]x 100
Quanto menor for a diferena entre os limites (gap), maior a qualidade das
solues.
Mtodos de Aproximao
A principal dificuldade dos algoritmos aproximados reside no facto que a maior parte
dos problemas combinatrios possurem alguns ptimos globais e existirem muitos
ptimos locais no tendo as heursticas capacidade de distinguir um ptimo local de
um global.
A partir do incio dos anos 1980s surgem novos mtodos heursticos, apelidados de
meta-heursticas por Glover [1986], mas tambm conhecidos por Heursticas
Modernas. A rpida divulgao destes mtodos deve-se sua capacidade de
adaptao a problemas de grande dimenso, como so a maior parte dos problemas
reais. Uma abordagem introdutria pode ser encontrada em Pirlot [1996]. Em Reeves
[1995] so detalhadas algumas das meta-heursticas mais conhecidas, sem a
preocupao de as integrar.
Captulo 3 Taxonomia das Meta-heursticas 8
Na relaxao linear, dada uma formulao em programao linear inteira (ou mista)
do problema, ir relaxar a integralidade das variveis, da qual resulta um problema de
programao linear.
Caractersticas Meta-heurstica
3.2 ME Intensivas
3.2.1 Introduo
A procura local consiste na passagem de uma soluo Sn para uma outra soluo Sn+1
na vizinhana da primeira, de acordo com determinadas regras, no espao de solues
admissveis X. A sequncia de solues denominada trajectria no espao de
Captulo 3 Taxonomia das Meta-heursticas 12
A procura local iniciada num ponto qualquer SnX e a nova soluo Sn+1 escolhida
- S a soluo corrente
- S* a melhor soluo
-f a funo avaliao da soluo
- V(S) uma vizinhana de S
de notar que a escolha de uma boa estrutura de vizinhana essencial para a eficcia
do processo. Usando ainda o mesmo exemplo da Figura 2, fcil verificar que se
redefinisse uma vizinhana mais alargada seria possvel continuar a pesquisa, levando
a trajectria ao ptimo global.
Em cada iterao se a nova soluo for melhor que a soluo corrente, a soluo
corrente substituda. Caso contrrio, para a aceitao da nova soluo, a degradao
da funo objectivo, vai depender de um determinado processo aleatrio. A
probabilidade de aceitao de uma nova soluo dada por exp (-d/t). Para altas
temperaturas a probabilidade de aceitao exp (-d/t) muito prxima de 1, desta
forma, o algoritmo comporta-se como um algoritmo aleatrio, pesquisando o espao
de solues em passos largos. Para valores da temperatura perto de zero, a
probabilidade de aceitao baixa e o algoritmo comporta-se como um processo de
melhoramento iterativo.
Tal como o Simulated Annealing, a Procura Tabu uma meta-heurstica que guia a
procura para alm dos ptimos locais. O mtodo foi introduzido por Glover [1989] e
diferencia-se dos mtodos com origem na Inteligncia Artificial, como o Simulated
Annealing e os Algoritmos Genticos, por utilizar estrutura de memria em vez de
fazer uma abordagem sem-memria possui uma memria adaptvel. Uma descrio
detalhada do mtodo apresentada por Glover e Laguna [1997].
O mtodo consiste num procedimento iterativo que substitui uma soluo pela
seguinte utilizando uma estrutura de vizinhana, percorrendo trajectrias por boas
regies do espao de solues. Ao implementar uma heurstica Tabu devem ser
considerados trs aspectos: a funo objectivo f(S), a estrutura de vizinhana V(S), e
finalmente os tipos de memrias. As estruturas de memria geralmente utilizadas so
a memria de curta durao, materializada na lista Tabu T e uma memria de longa
durao (MLD) que regista a frequncia dos movimentos ao longo de um conjunto de
iteraes.
A Procura Tabu permite a passagem por uma soluo pior que a soluo corrente. Para
evitar que o processo entre em ciclo, repetindo o mesmo conjunto de solues,
introduzido no algoritmo uma lista onde so registados os movimentos efectuados. A
memria de curta durao ou lista tabu, de dimenso n, vulgarmente implementada
como uma lista circular, contm o conjunto dos n movimentos realizados
imediatamente antes, por forma a evitar os movimentos inversos, voltando o problema
sua forma inicial.
Captulo 3 Taxonomia das Meta-heursticas 17
Critrio de Aspirao
A posse de um elemento na lista tabu ("tabu tenure") vai criar um corte no espao de
procura. O critrio de aspirao, no mais do que uma tentativa de ultrapassar este
corte. Assim, o critrio de aspirao determina que se realize o movimento apesar do
elemento pertencer lista tabu. No critrio de aspirao, Asp tem em geral um valor
numrico prximo de f(S*), sendo o movimento aceite se f(S)> Asp, num problema
de maximizao.
A Procura Tabu utilizando a memria de curta durao cria uma estratgia de curto
prazo (ou intensificao), que alterna com a estratgia de longo prazo (ou
diversificao) utilizando a MLD.
Estratgia de Oscilao
Chama-se estratgia de oscilao a uma tcnica que pode ser usada como outra forma
de alternar a intensificao e a diversificao na procura. Esta tcnica pode ser
implementada relaxando um conjunto de restries e aplicando vizinhanas
especficas. O objectivo atravessar regies de solues no admissveis durante um
determinado perodo da pesquisa. Este mtodo ir ser desenvolvido no captulo 4 na
aplicao de meta-heurstica intensivas ao problema da clique mxima.
Cadeias de Ejeco
Aplicaes das cadeias de ejeco podem ser encontrada em Cao e Glover [1997],
Rego e Roucairol [1996], Rego [1998 a], Rego [1998 b] e Cavique, Rego e Themido
[1999].
Captulo 3 Taxonomia das Meta-heursticas 20
Path Relinking
- S* a melhor soluo
- S a soluo corrente
- S a prxima soluo
- f a funo avaliao da soluo
- k o nmero de vizinhanas (1.. kmax )
- Vk(S) a vizinhana k da soluo S
pela mesma altura Glover [1977] apresenta o Scatter Search. Mais tarde aparecem os
Algoritmos Memticos [Moscato 1989] como forma de optimizar agentes com
estratgias de cooperao e competio. Alguns autores incluem ainda os Sistemas de
Classificao [Goldberg 1989], a Programao Evolutiva [Fogel et al. 1966] e a
Programao Gentica [Koza 1992] como Algoritmos Evolutivos, embora estes
algoritmos tenham menos aplicao no domnio da optimizao.
i) Codificao
Na gerao da soluo inicial deve ser garantida a diversidade de solues, bem como
a garantia de que todos os genes esto representados na populao.
v) Operadores de mutao
vi) Substituio
- P e P so as populaes de solues
- S* a melhor soluo.
Entende-se por "epitasis" a forma como a funo objectivo varia quando uma varivel
que depende de outras variveis alterada. Nos AG define-se como "decepo"
quando o algoritmo se distancia da soluo ptima. A "decepo" est directamente
relacionada com os efeitos da "epitasis", digamos que a condio necessria mas
no suficiente. Os AG no tm um desempenho eficaz quando as variveis so muito
inter-relacionadas.
Uma meta-heurstica pode ser classificada de Algoritmo Memtico desde que seja
baseada numa pesquisa com populao e que recorra pesquisa local para criar novas
configuraes das solues.
O termo "memtico" foi introduzido por Moscato [1989], sendo tambm conhecidos
por Algoritmos Genticos Hibrdos, embora a denominao de Algoritmo Memtico
enfatize mais a diferena com os Algoritmos Gentico Cannicos [Coll, Durn e
Moscato 1999].
Espao de Solues
Gerador
da Amostra
- S a soluo corrente
- S* a melhor soluo
- f a funo avaliao da soluo
Procedimento Multi-partida
1. iniciar S e S*;
2. enquanto no se verificar condio de fim
2.1. gerar nova parcial S;
2.2. transformar S numa soluo completa;
2.3. se f(S) > f(S*) ento S* = S;
3. fim ciclo;
4. devolver S*;
- S a soluo corrente
- S a soluo melhorada
- S* a melhor soluo
- f a funo avaliao da soluo
Procedimento GRASP
1. iniciar S e S*;
2. repetir para um conjunto de iteraes
2.1. construir S usando um algoritmo semi-guloso;
2.2. aplicar procura local usando S dando origem a S;
2.3. se f(S) > f(S*) ento S* = S;
3. fim ciclo;
4. devolver S*;
O algoritmo semi-guloso vai utilizar uma funo g(x) para avaliar o impacto da
soluo parcial, dada pela unio de um novo elemento com a soluo corrente. A
heurstica dita adaptvel j que em cada iterao reconhecido o benefcio da
incluso de um elemento x na soluo S. utilizada uma lista restrita de elementos
candidatos (LRC) com as melhores avaliaes da funo g(x). Por fim escolhido
aleatoriamente da lista LRC um novo elemento que ir integrar a soluo.
- S a soluo corrente
- x um elemento da soluo
- g a funo de avaliao gulosa
- LRC a lista restrita de elementos candidatos
- max o valor mximo de g(x)
- min o valor mnimo de g(x)
- o parmetro de controlo, [0,1]
ii) cada arco (i,j) escolhido com base numa regra aleatria entre as cidades no
visitadas; a escolha de arco (i,j) directamente proporcional quantidade de
feromona, (i,j), e inversamente proporcional ao custo do arco, c(i,j).
iii) depois do circuito estar concludo, para cada arco por onde a formiga passou, o
valor da feromona ir ser incremento do valor , donde (i,j)= (i,j)+.
iv) finalmente, para todos os arcos vai existir uma evaporao da feromona, dada por
um factor de evaporao , com 0<<1, de onde resulta (i,j)= . (i,j)+ (i,j)
Dado que os valores iniciais de (i,j) so iguais para todos os arcos, as formigas
inicialmente fazem circuitos aleatrios. Se considerarmos vrias formigas circulando
no grafo em simultneo, os arcos que tm maior probabilidade de serem escolhidos
so os arcos com maior quantidade de feromona, j que foram considerados os arcos
mais desejados por outras formigas.
Captulo 3 Taxonomia das Meta-heursticas 33
- S a soluo corrente
- S* a melhor soluo
- f a funo avaliao da soluo
- x o elemento da soluo
- (x), (x) a quantidade de feromona de x
- o factor de evaporao e o incremento de feromona
Utilizando o efeito simultneo de vrias formigas, em que cada uma contribui para
avaliar os elementos que pertencem soluo, os melhores elementos so os que
receberem maior quantidade de feromona. A feromona pode ser considerada uma
memria (de longa durao) do algoritmo, actualizada pela passagem de formigas e
pela evaporao, registando o histrico de cada elemento.
- S a soluo corrente
- S* a melhor soluo
- f a funo avaliao da soluo
- SP o conjunto de solues parciais
Conhecido este problema, uma forma de o ultrapassar este problema fazer rapid
restarting, i.e. iniciar a pesquisa num outro ponto do espao de solues indo ao
encontro de um nova soluo de qualidade. O sucesso das estratgias de pesquisa
Captulo 3 Taxonomia das Meta-heursticas 36
Para alm da criao dos operadores hbridos, podemos tentar ir mais longe e criar
uma linguagem que sintetize os procedimentos meta-heursticos. Como forma de
resumir as meta-heursticas descritas ao longo deste captulo iremos criar um
linguagem composta pelos operadores j definidos e por um conjunto de operandos.
Como operandos heursticos temos: alterao da vizinhana (AV), heurstica
construtiva (HC), heurstica melhorativa (HM), multi-partida (MP) e o operador de
combinao (OC). Podemos agora, redefinir as metaheursticas como combinaes
de estratgias, da seguinte forma:
ii) A Procura Tabu (PT) utiliza estratgias combinadas, no caso da alternncia entre as
estratgias de intensificao (HM1) e diversificao (HM2), temos:
PT=*(HM1+HM2). Se utilizarmos os operandos alterao de vizinhana para
intensificao (AV1) e alterao de vizinhana para diversificao (AV2), temos:
PT=*(AV1+HM1+AV2+HM2)
iii) O GRASP sem qualquer dvida um algoritmo hbrido, com base numa nova
partida executa uma heurstica construtiva seguindo-se uma heurstica melhorativa:
GRASP= *(MP+HC+HM)
iv) O Algoritmo das Formigas (AF) repete processos construtivos orientados por
alteraes de vizinhana produzidos pelo feromona, temos assim: AF=*(AV+HC)
As redes das Equipas-A podem ser vistas como hiper-grafos orientados, tambm
chamados de fluxos de dados. O modelo para o desenvolvimento de Equipas-A pode-
se apresentar em seis passos:
3.6 - Concluses
Bibliografia
Aggarwal C.C., Orlin J.B. e Tai R.P. (1997), "Optimized crossover for the
independent set problem", Operations Research, vol 45, pp 226-234.
Agrawal R., Mannila H., Srikant R., Toivonen H. e Verkamo A. (1996), "Fast
discovery of association rules", in Advances in Knowledge and Data Mining, (Fayyad
U.M., Piatetsky-Shapiro G., Smyth P. e Uthurusamy R. Editors), MIT Press.
Batel Anjo A., (1999) "A tmpera controlada pela entropia - uma caracterizao
formal", Tese de Doutoramento, Universidade de Aveiro.
Battiti R., Protasi M. (1995), "Reactive Local Search for the Maximum Clique
Problem", Technical Report 75-052, International Computer Science Institute,
Berkeley, CA.
Berry M. e Linoff G. (1997), "Data Mining Techniques, for Marketing, Sales and
Customer Support", John Wiley and Sons.
Bron C. e Kerbosh J. (1973), "A 457- Finding all cliques of an undirected graph",
Communications of ACM, vol 6, n 9.
Cardoso M., Themido I., Moura Pires F. (1999), "Evaluating a clustering solution: an
application in the tourism market", Intelligent Data Analysis, vol 3, pp 491-510.
Cavique L., Rego C. e Themido I. (1999), "Subgraph ejection chains and tabu search
for the crew scheduling problem", Journal of the Operational Research Society, vol
50, pp 608-616.
43
Cavique L., Rego C. e Themido I. (2001 b), "A Scatter Search Algorithm for the
Maximum Clique Problem" aceite para publicao in Essays and Surveys in
Metaheuristics (Ribeiro C. e Hansen P. Editors), Kluwer Academic Publishers.
Colorni A., Dorigo M., Maniezzo V., (1992), "An investigation of some properties of
an ant algorithm", in Second European Conference on Parallel Problem Solving from
Nature, (Mnner R. e Manderick B. Editors), Elsevier Publishing, Brussels.
Corne D., Dorigo M., Glover F. Editors (1999), "New Ideas in Optimization",
McGraw-Hill International.
Feo T.A. e Resende M.G.C. (1989), "A probabilistic heuristic for a computationally
difficult set covering problem", Operations Research Letters, vol 8, pp 67-71.
Feo T.A., Resende M.G.C. e Smith S.H. (1994), "A greedy randomized adaptive
search procedure for maximum independent set", Operations Research, vol 42, pp
860-878.
Fogel L.J., Owens A.J., Walsh M.J. (1966), "Artificial intelligendse through simulated
evolution", John Wiley, New York, NY.
44
Friden C., Hertz A., Werra D. (1989), "STABULUS: A technique for finding stable
sets in large graphs with tabu search", Computing, vol 42, pp 35-44.
Garey M.R. e Johnson D.S. (1979), "Computers and intractability: a guide to the
theory of NP-completeness", W.H. Freeman and Company, New York.
Gendreau M., Soriano P., Salvail L. (1993), "Solving the maximum clique problem
using tabu search approach" in Annals of Operations Research, ( Glover F., Laguna
M., Taillard E., Werra D., Baltzer J.C. Editors), AG Science Publishers, vol 41, pp
385-403.
Ghamlouche I., Crianic T.G. e Gendreau M. (2001), "Path relinking and cycle-based
neighbourhoods for fixed charge, capacitated, multicommodity network design", in
Proceedings 4th Meta-heuristic International Conference (MIC 2001), Porto.
Glover F. (1986), "Future paths for integer programming and links to artificial
intelligence", Computers and Operations Research, vol 13, pp 533-549.
Glover F. (1989), "Tabu search - part I", ORSA Journal of Computing, vol 1, pp 190-
206.
Glover F. (1997), "A template for scatter search and path relinking", in Lecture Notes
in Computer Science, (Hao J.-K., Lutton E., Ronald E., Schoenaurer M., Snyers D.
Editors) pp 1-45.
Glover F. (1999), "Scatter search and path relinking", in New Ideas in Optimization,
(Corne D., Dorigo M., Glover F. Editors), McGraw-Hill International.
45
Jagota A., Sanchis L., Ganesan R. (1996), "Approximately Solving Maximum Clique
using Neural Network Related Heuristics", in Clique, Coloring and Satisfiability,
Second Implementation Challenge DIMACS, (Johnson D.S., Trick M.A. Editors),
AMS, pp 169-203.
Johnson D.S. e Trick M.A. eds (1996), "Clique, Coloring and Satisfiability Second
Implementation Challenge DIMACS", AMS.
Kelly J.P., Golden P.L., Assad A.A. (1993), "Large-scale controlled rounding using
tabu search with stategic oscillation" in Annals of Operations Research, (Glover F.,
Laguna M., Taillard E., Werra D., Baltzer J.C. Editors), AG Science Publishers, vol
41, pp 69-84.
46
Metropolis N., Rosenbluth A.W., Rosenbluth M.N., Tellet A.H e Teller E.(1953),
"Equation of state calculation by fast computing machines", J. of Chem. Phys., vol 21,
pp 1087-1091.
Michalewicz Z. e Fogel D.B. (2000), "How to solve it: modern heuristics", Springer-
Verlag.
Phillips E.M. e Pugh D.S. (1993), "How to get a PhD, a handbook for students and
their supervisors", Open University Press.
Rego C. (1998 a), "A subpath ejection method for the vehicle routing problem",
Management Science, vol 44, pp 1447-1459.
Rego C. (1998 b), "Relaxed tours and path ejection for the traveling salesman
problem", Eur. J. Op. Res., vol 106, pp 552-538.
Roy B. (1970), "Algbre moderne et thorie des graphes", tome 2, Dunod, Paris.
Salton G. e Lesk M.E. (1965), "The SMART automatic document retrieval system
an illustration", Communications of the ACM, vol 8, n 6, pp 391-398.
48
Schwefel H.-P. (1981), "Numerical optimization for computer models", John Wiley,
Chichester, UK.
Soriano P., Gendreau M. (1996), "Tabu search algorithms for the maximum clique",
in Clique, Coloring and Satisfiability, Second Implementation Challenge DIMACS,
(Johnson D.S., Trick M.A. Editors), AMS, pp 221-242.
Taillard .D., Gambardella L.-M., Gendreau M., Potvin J.-Y. (1998), "Adaptive
Memory Programming: A Unified View of Meta-Heuristics", Technical report
IDSIA-19-98, IDSIA, Lugano, publicado no EURO XVI Conference Tutorial and
Research Reviews, Brussels.