Escolar Documentos
Profissional Documentos
Cultura Documentos
1
1. Etapa 1: Geração de soluções com diversi-
dade
Usada para construir um conjunto P composto por
P size soluções diferentes e que podem ser factı́veis
ou infactı́veis. Esse conjunto de soluções, gerada preser-
vando a diversidade, pode ser grande, por exemplo,
200 soluções.
2
2. Etapa 2: Melhoria local das soluções
Transforma as soluções do conjunto anterior visando
melhorar a factibilidade e/ou a qualidade de cada
uma dessas soluções.
3
3. Etapa 3: Atualização dos conjuntos reduzi-
do de soluções
Nesta etapa se seleciona um conjunto reduzi-
do de soluções chamadas de Ref Set ou soluções de
referência ou soluções de qualidade.
4
4. Etapa 4: Geração do subconjunto de soluções
Nesta etapa, as soluções armazenadas em Ref Set
são agrupadas em grupos menores chama-
dos de subconjuntos.
5
Etapa 5: Combinação das soluções de cada
subconjunto
Nesta etapa, as soluções presentes em cada subgrupo
são usadas para gerar novas soluções. Portanto, cada
subconjunto é analisado de forma independente.
Assim, as soluções armazenadas em cada sub-
conjunto deve gerar novas soluções através
de uma estratégia adequadamente projeta-
da.
A forma mais simples de gerar novas soluções
em subconjuntos formados por apenas duas soluções
é usar a mesma estratégia da recombinação usada
no algoritmo genético. Assim, duas soluções são re-
combinadas e geram duas novas soluções exatamente
iguais que no caso do AG.
Uma forma mais sofisticada de gerar novas so-
luções é usando path relinking. Nesse caso, deve-se
projetar uma estratégia de busca com a caracteri-
zação de uma estrutura de vizinhança especı́fica que
permite percorrer o espaço de busca partindo de uma
das soluções do subconjunto analisado e parar quan-
do for encontrada a outra solução desse subconjunto.
Essa estrutura de vizinhança permite en-
contrar muitas soluções que se encontram
na região do espaço de busca entre as duas
soluções do subconjunto.
6
Todas as soluções encontradas nesse processo de bus-
ca são comparadas e as melhores são armaze-
nadas em um conjunto chamado P ool.
7
PSO - Particle Swarm Optimiztion
O algoritmo de PSO foi inventado por Eberhart e
Kennedy em 1995 e, conceitualmente, pode ser inter-
pretado como sendo um algoritmo genético modificado,
isto é, um algoritmo que incorpora conceitos presentes
no algoritmo genético e da programação evolucionária.
8
Dada uma proposta de solução na iteração k, então
essa solução deve passar para uma nova posição no
espaço de busca (deve passar para uma solução vizi-
nha) e essa nova posição deve ser determinada usan-
do uma composição de três tipos de informação:
a inercia, a memória e a cooperação.
A inercia tenta preservar a direção realizada na ite-
ração anterior, isto é, a nova proposta de solução
deveria estar localizada na mesma direção realizada
na iteração anterior.
A memória tenta de que a nova solução seja procu-
rada seguindo a direção em que se encontra a melhor
solução já encontrada nas transições realizadas pela
solução inicial que deu origem à solução corrente.
A cooperação tenta de que a nova solução seja
procurada seguindo a direção em que se encontra a
melhor solução já encontrada nas transições reali-
zadas por todas as soluções, isto é, a nova solução
deve ser procurada seguindo a direção em
que se encontra a incumbente.
Toda a lógica fundamental de PSO imagina que o
problema que está sendo resolvido é um tı́pico proble-
ma com modelo matemático conhecido e com variáveis
de decisão sendo variáveis reais (contı́nuas) e um es-
paço de busca limitado ao espaço E d.
9
Considere um problema a ser resolvido usando PSO.
Nesse contexto, supor que existe N propostas de solução
na população corrente na iteração t. Cada proposta de
solução é representada pelo vetor xn = (xn,1, xn,2, . . . , xn,d).
Na iteração t, associado a cada partı́cula n existe também
uma velocidade vn = (vn,1, vn,2, . . . , vn,d).
Nesse contexto, a posição da proposta de solução
n (solução vizinha) na iteração t + 1 é encon-
trada usando as seguintes relações:
Observações finais:
11