Escolar Documentos
Profissional Documentos
Cultura Documentos
1. INTRODUÇÃO
Com o avanço do setor tecnológico atual diversas transformações surgiram
nas sociedades contemporâneas. De modo que, busca-se na computação técnicas
e soluções para inúmeros problemas presentes em distintas áreas, como
engenharia, economia, biologia, ou mesmo em atividades cotidianas. Para isso,
avalia-se parâmetros de funcionamento e comportamento a fim de alcançar os
melhores resultados possíveis, sejam estes custos, prazos, lucros, qualidade,
eficiência ou outras variáveis.
2. MATERIAIS E MÉTODOS
O trabalho é fundamentado em uma pesquisa de abordagem
quanti-qualitativa, de natureza aplicada. Pois analisa computacionalmente, por meio
de variações numéricas e comportamentais uma população de indivíduos. Quanto
aos objetivos é enquadrada como descritiva, pois sua finalidade é estudar o
algoritmo e descrever seus resultados de acordo com o avanço das gerações em
função de modificações na taxa de mutação, correlacionando seus fenômenos e a
influência exercida no decorrer do tempo (Silva et al, 2007).
O procedimento de obtenção de dados e informações é experimental, já que
baseia-se em simulações e testes computacionais para gerar os resultados
esperados por meios gráficos e textuais e interpretá-los.
Para a realização da pesquisa a mesma foi dividida em três etapas: estudo
bibliográfico, codificação e tratamento dos resultados. Durante o estudo bibliográfico
aprofundou-se nos conceitos de Algoritmos genéticos, mutação, codificação e
decodificação, dentre outros. Conforme Lakatos e Marconi apud Manzo (2010,
p.166), uma bibliografia bem consolidada “oferece meios para definir, resolver, não
somente problemas já conhecidos, como também explorar novas áreas onde os
problemas não se cristalizam suficientemente”.
Com a efetivação da etapa anterior, deu-se início a codificação, na qual
aplicou-se os conceitos e formulações teóricas obtidos anteriormente a fim de criar,
editar e organizar o código para deixá-lo funcionando com as configurações e
técnicas desejadas. Durante esta fase, fez-se uso do ambiente de codificação
019, direcionado a geração e execução dos códigos de acordo com seus
Matlab 2
functions - scripts. Utilizou-se também o s oftware Microsoft Excel, dedicado a coleta
e agrupamento dos resultados em planilhas para posteriormente gerar os gráficos e
por conseguinte, fazer a análise dos mesmos. Os testes foram realizados tendo-se
um computador base disposto da seguinte configuração:
Fabricante Dell
Com a consolidação das fases descritas acima, pode dar-se início ao terceiro
e último procedimento, correspondente ao tratamento e análise dos resultados,
onde de posse dos dados numéricos foi possível gerar os gráficos e organizar as
tabelas contendo os resultados de forma mais adequada e compreensível.
3. CODIFICAÇÃO
3.1. Cenários e parâmetros das simulações
Na etapa de codificação foram implementas 30 simulações para cada
alteração efetuada no valor da taxa de mutação, sendo que cada simulação desta é
executada até atingir o limite máximo de gerações, especificado no algoritmo. Para
isso efetuou-se os testes em 8 diferentes cenários: quatro com a presença de
elitismo e quatro com a ausência de elitismo, sob os valores de mutação 2%, 10%,
15% e 50%. Os demais parâmetros utilizados no código assumiram valores fixos:
Crossover Uniforme
4. RESULTADOS NUMÉRICOS
Ao executar o código do script AG, primeiramente gera-se uma população
aleatória de indivíduos, que podem ser vistos como possíveis soluções de
determinado problema. E, durante o processo evolutivo, esta população vai sendo
avaliada, de modo que cada indivíduo recebe uma nota (fitness) referente a sua
aptidão. Assim, visa-se manter alguns destes em detrimento de outros, sendo que ,
para isso aplica-se o processo de seleção do tipo torneio, com opção elitista ou não,
e modificações de características fundamentais por meio da aplicação de mutações,
além da técnica de cruzamento (crossover) uniforme. Este processo vai se
repetindo, sempre buscando gerar descendentes mais aptos para a próxima
geração, até que uma solução satisfatória seja encontrada, nesse caso, o critério de
parada dá-se ao alcançar o valor de geração máxima.
4.1. Cenários
Os cenários estudados na pesquisa correspondem às variações da taxa de
mutação (2%, 10%, 15% e 50%) para uma população gerada de forma aleatória,
composta por 100 indivíduos. Nos quais analisou se 3 genes (Ngene=3),
denominados X, Y e Z, verificando-se o comportamento das gerações criadas a
partir destes em decorrência do aumento ou diminuição do número de mutações.
4.2.1. Genes
Na Figura 1 (b), de forma análoga ao (a), tem-se o gene Y, com valores entre
9,375 (simulação 22) e 10,15625 (simulação 28) para mutação mínima, 2%,
chegando a 13,2289005 (16ª simulação) e 8,039093764 (21ª simulação) para
mutação máxima, 50%. Ainda na mesma figura, desta vez no item (c), para as 30
simulações do gene Z, os valores obtidos variam de 3,906249999 até 4,003906329
para 2% mutação. De 3,879051884 até 4,077288524 com taxa de 10%. E entre
3,697074066, na 18ª simulação e 4,243775439 na 26ª simulação ao aplicar 15% de
mutação. E por fim, chegando ao valor máximo de 6,008511742 (simulação 16) e
mínimo 1,507440268 (simulação 8) para 50%.
(b)
(c)
Fonte: Autores
(b)
(c)
Fonte: Autores
Fonte: Autores
Fonte: Autores
Fonte: Autores
4.2.3. Acurácia
A acurácia, foi implementada como a média dos valores de fitness máximos e
seus desvios padrões. Conforme a Figura 6 (a), com elitismo e (b), sem elitismo,
para 2% o valor de acurácia foi elevado, contudo seu desvio também, assumindo
respectivamente 53,02473031, com desvio de 39,7350146 e 47,0186892 para um
desvio de 43,12961857. No gráfico (a), com Tm=10% houve um crescimento no
valor, chegando a 55,61333639, seguido de decréscimo com o decorrer das
mutações. Já em (b), todos aqueles que apresentam mutação elevada caíram
bruscamente, onde em Tm=50% a acurácia assumiu 0,013123365.
Figura 6. Acurácia
(a) com elitismo
Fonte: Autores
4.2.4. Precisão
A precisão foi obtida pela implementação da fórmula
p=3/(desvioX+DesvioY+DesvioZ). Para tal, na Figura 7(a), que representa as
análises com elitismo, obteve-se para 2% de mutação 9,318272275 de precisão,
para 10%, 13,84019387, para Tm=15% 6,647139255 e por fim, para taxa de 50% o
valor obtido foi 0,875195257. Enquanto que, em (b), sem elitismo, assumiu-se
7,348282643 para 2% de mutação, 1,233635455 para 10%, 0,52038668 para 15%
e 0,130508216 para 50%.
Figura 7. Precisão
(a) com elitismo
Fonte: Autores
4.2.6. Convergência
Para a análise da convergência, ou seja, do pontos máximos e mínimos
locais e globais em função das 200 gerações de cada uma das 30 simulações,
adotou-se duas imagens de cada uma das 8 execuções realizadas.
Fonte: Autores
Fonte: Autores
Fonte: Autores
Fonte: Autores
Fonte: Autores
Fonte: Autores
Fonte: Autores
6. CONSIDERAÇÕES FINAIS
Com base nos resultados obtidos, foi possível constatar que o aumento
gradativo da probabilidade de mutação ao longo da execução não melhorou o
desempenho do algoritmo, com exceção à taxa de 10% para o cenário com elitismo,
visto que para cada nova execução do AGs a melhor solução obtida tem variações
assim como sua curva de convergência. Conforme Lacerda et al. (2002), a mutação
melhora a diversidade dos cromossomos na população, no entanto, destrói
informação contida no cromossomo, logo, deve ser utilizada uma taxa de mutação
pequena, mas suficiente para assegurar a diversidade de cromossomos. Em termos
práticos, a probabilidade de mutação muito alta, mesmo nas gerações iniciais, tende
a deixar o algoritmo instável, o que prejudica seu desempenho, de maneira geral.
Ademais, foi possível perceber que a mutação é um operador genético
necessário para a diversificação da população e manutenção das características de
adaptação adquiridas pelas gerações anteriores. Portanto, torna-se necessária para
que haja a introdução e a diversidade genética, alterando aleatoriamente um ou
mais componentes de uma estrutura escolhida, fornecendo assim, meios para
introdução de novos elementos na população. Desta forma, conclui-se que a
mutação é capaz de contornar o problema de mínimos locais, pois com este
mecanismo, altera-se levemente a direção da busca.
REFERÊNCIAS
CERVO, Amado Luiz; BERVIAN, Pedro Alcino; DA SILVA, Roberto. Metodologia
Científica. 6. ed. São Paulo: Pearson Prentice Hall, 2007.
http://conteudo.icmc.usp.br/pessoas/andre/research/genetic/
https://monografias.ufrn.br/jspui/bitstream/123456789/8461/1/avalia%C3%A7%C3%
A3odetaxas_Nunes_2018.pdf