Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Introdução
Metodologia
FO = ∑∑ x MOD
j [
(t i ) − x EXP
j (t i ) ]
j =1 i =1 ; (2)
EXP MOD
onde x representa o deslocamento obtido experimentalmente e x representa o
deslocamento dado pelo modelo descrito na equação (1).
Devido ao esforço computacional exigido pelo método AG, foram avaliadas diferentes
estratégias de paralelização, assumindo que cada membro da população (indivíduo) pode ser
avaliado de forma independente, ou ainda, que alguns operadores genéticos não dependem
dos demais para serem realizados (Cantú-Paz 1995). Foram avaliados os seguintes modelos de
paralelização: AG Global, ou mestre-escravo, modelo Ilha e modelo Stepping Stones.
Resultados
para o tamanho da população e/ou número máximo de gerações, o AG paralelo apresenta uma
capacidade maior de fornecer melhores resultados se comparado com a sua versão seqüencial
(Figura 1), evidenciando que o AG paralelo é um algoritmo diferente do AG seqüencial.
0,8 0,9
Sequencial
0,7 0,8
Sequencial
Precisão
0,6
Precisão
0,7
Ilha
0,5 0,6
Ilha
0,4
0,5
0,3
0,4
100 120 140 160 180 200
50 100 150 200 250
População (indivíduos) Máximo de Gerações
Conclusão
Referências
CANTÚ-PAZ, E, A sumary of research on parallel genetic algorithms. Technical Report 95007, IlliGAl,
Universidade de Illinois, Urbana-Champaign. 1995
GOLDBERG, D.E. Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley
Publishing Company, New York. 1989
MACDONALD, N.; Minty, E.; Malard, J.; Harding T.; Brown S. e Antonioletti, M. Writing Message Passing
Parallel Programs with MPI, Universidade de Edinburgo, Escócia. 2000.