Escolar Documentos
Profissional Documentos
Cultura Documentos
T RABALHO 01
Uberlândia
16 de Abril de 2019
Conteúdo
1 Algoritmo Genético 2
1.1 Estudo proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Resultados e análise de sensibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3 Conclusões 9
1
1. Algoritmo Genético
0 ≤ x2 ≤ 10
Deve ser realizada uma análise de sensibilidade sobre os parâmetros “Número de Indivíduos”,
“Número de Gerações”, “Probabilidade de Crossover” e “Probabilidade de Mutação”. Para cada
análise, os demais parâmetros devem manter os valores padrões abaixo:
A análise de sensibilidade foi realizada segundo os critérios citados no item 1.1 e variando as
sementes do algoritmo de geração de números aleatórios, a fim de realizar a análise estatística. A
Tabela 1 mostra os valores da função objetivo obtidos após cada rodada do algoritmo de otimização.
Os dados da tabela são compilados na Figura 1.
2
Tabela 1. Resultados dos valores da função objetivo via algoritmo genético.
3
NÚMERO DE INDIVÍDUOS NÚMERO DE GERAÇÕES
5 50 100 10 100 1000
-16.0 2.5 -16.0 2.5
DESVIO PADRÃO
DESVIO PADRÃO
-17.0 -17.0
1.5 1.5
MÉDIA
MÉDIA
-17.5 -17.5
1.0 1.0
-18.0 -18.0
DESVIO PADRÃO
-17.0 -17.0
1.5 1.5
MÉDIA
MÉDIA
-17.5 -17.5
1.0 1.0
-18.0 -18.0
• Ainda sobre os parâmetros Nind e Nger , nota-se que possuem comportamento assintótico, ou
seja a partir de um dado valor, não há um ganho significativo sobre o valor da função objetivo,
o que é esperado, já que o algoritmo poderá já estar próximo ao mínimo.
• Em relação à probabilidade de crossover, nota-se que para valores altos (0.9) a aleatoriedade
inserida sobre o algoritmo prejudica a taxa de convergência, fazendo com que para o mesmo
número de avaliações da função objetivo, o desvio padrão seja maior e o melhor candidato
esteja mais distante do mínimo. Ressalta-se que ainda que prejudique a taxa de convergência,
o parâmetro auxilia o algoritmo a fugir de mínimos locais.
• A probabilidade de Mutação não apresentou uma tendência clara, de forma que para o valor
intermediário de 0.05 o algoritmo apresentou o menor valor em média, e o menor desvio padrão.
Esperava-se que a menor probabilidade de mutação corresponde-se ao menor desvio padrão, já
que diminuiria o nível de aleatoriedade.
4
• Por fim, observa-se que apesar dos vários mínimos locais presente na função, o algoritmo foi
eficiente em encontrar o mínimo global do intervalo, desde que fornecidos valores adequados
de Nind e Nger . O mínimo global no intervalo foi obtido graficamente por meio da Figura 2,
na qual observa-se que o valor está coerente com os resultados obtidos pelo algoritmo. Um
dos motivos para a diferença entre os valores de mínimo obtido pelo algoritmo e graficamente
é a discretização do gráfico, que se deu em intervalos de 0.1. Se o refinamento fosse maior,
poderia-se encontrar valores mais próximo ao obtidos pelo algoritmo genético.
20
15
10
5
FO
-5
-10
-15
X: 8.6
Y: 9
-20 Z: -18.36
10 10
8 8
6 6
4 4
2 2
x2 0 0
x1
5
2. Algoritmo de Colônia de Vaga-lumes
2.1 Enunciado
O caso a ser estudado para o algoritmo de colônia de vaga-lumes (ACV) é semelhante ao avaliado
pelo algoritmo genético, apresentando a mesma função objetivo. No entanto, para o ACV, deverá
ser realizada uma analise de sensibilidade sobre os parâmetros “Número de Indivíduos”, “Número
de gerações”, “β0 ” e “α”. Para cada análise, os demais parâmetros devem ser mantidos nos valores
padrões:
A análise de sensibilidade foi realizada segundo os critérios citados no item 2.1 e variando as
sementes do algoritmo de geração de números aleatórios, a fim de realizar a análise estatística. A
Tabela 2 mostra os valores da função objetivo obtidos após cada rodada do algoritmo de otimização.
Os dados da tabela são compilados na Figura 3.
6
Tabela 2. Resultados dos valores da função objetivo via ACV.
7
NÚMERO DE INDIVÍDUOS NÚMERO DE GERAÇÕES
5 50 100 10 100 1000
-10.0 6.0 -10.0 2.6
-11.0 -11.0
5.0 2.1
-12.0 -12.0
DESVIO PADRÃO
DESVIO PADRÃO
-13.0 4.0 -13.0 1.6
MÉDIA
MÉDIA
-14.0 -14.0
3.0 1.1
-15.0 -15.0
-16.0 2.0 -16.0 0.6
-17.0 -17.0
1.0 0.1
-18.0 -18.0
-19.0 0.0 -19.0 -0.4
ΒETA 0 ALPHA
0.5 0.7 0.9 0.1 0.25 0.5
-10.0 2.6 -10.0 2.6
-11.0 -11.0
2.1 2.1
-12.0 -12.0
DESVIO PADRÃO
DESVIO PADRÃO
-13.0 1.6 -13.0 1.6
MÉDIA
MÉDIA
-14.0 -14.0
1.1 1.1
-15.0 -15.0
-16.0 0.6 -16.0 0.6
-17.0 -17.0
0.1 0.1
-18.0 -18.0
-19.0 -0.4 -19.0 -0.4
• Para o problema proposto, o ACV necessitou de uma grande quantidade de avaliações da função
objetivo para aproximar do mínimo obtido graficamente, sendo os parâmetros Nind e Nger os
mais influentes.
• Embora o caso Nger = 10 tenha realizado 550 avaliações da função objetivo e o Nind = 5 tenha
feito 2505, o primeiro teve desvio padrão menor e um valor médio significativamente melhor
que o segundo. Tal fato sugere que o algoritmo seja mais sensível à redução do número de
indivíduos que ao número de gerações.
• Embora o resultado médio tenha melhorado com o aumento do número de gerações, o desvio
padrão não apresentou uma tendência clara, já que o maior valor ocorreu para o valor interme-
diário.
• O parâmetro α não apresentou tendência clara, já que o melhor valor médio ocorreu para o
valor intermediário.
8
3. Conclusões
Por meio das análises realizadas, é possível observar a capacidade dos algoritmos apresentados de
“fugir” dos mínimos locais, mesmo em funções com vários mínimos, como a mostrada na Figura 2,
o que representaria um desafio para os algoritmos clássicos.
Comparando as duas metodologias, também é possível afirmar que, pelo menos para a função ob-
jetiva proposta, o GA se mostrou mais eficiente e robusto que o ACV dado que, para o mesmo número
de avaliações, o GA obteve resultados mais próximos ao mínimo obtido graficamente, mantendo um
desvio padrão menor. Além disso, o algoritmo GA apresentou menor sensibilidade aos parâmetros,
apresentando variações menos bruscas que o ACV.