Tema 5 SA

Meta-heurísticas em
Otimização Combinatória
Tema 5
Simulated Annealing
Profª Laura Bahiense

(laura@pep.ufrj.br)
Escopo
Introdução
Recozimento físico
Fundamentos do Método de Recozimento Simulado
Analogia com a Otimização Combinatória
Algoritmo
Detalhes de Implementação
Profª Laura Bahiense 2/15 Meta-heurísticas em Otimização Combinatória Tema 5: Simulated Annealing
Introdução
Proposto por S. Kirkpatrick, C. D.Gelatt e M. P. Vecchi em 1983
Em português: Recozimento Simulado
Ideia: simular o processo de recozimento dos metais
Estabelecer uma conexão entre:
 A mecânica estatística: trata do comportamento de sistemas com vários graus de

liberdade em seu equilíbrio térmico a uma certa temperatura
 A otimização combinatória: trata de encontrar um mínimo ou um máximo de uma

dada função dependendo de vários parâmetros
Fundamentos do método:
recozimento físico
Recozimento físico:
 O sólido é aquecido além do seu ponto de fusão e é posteriormente resfriado
 Resfriamentos rápidos conduzem a produtos menos estáveis, porém de maior

energia interna
 Resfriamentos lentos conduzem a produtos mais estáveis, estruturalmente fortes,

porém de menor energia interna
 Quando o resfriamento é suficientemente lento, obtém-se uma estrutura

cristalina livre de imperfeições (estado de baixa energia)
 Isso deve ser feito cuidadosamente, de forma bastante lenta, caso contrário o
sólido sai do ponto de equilíbrio e o material resultante (metal ou cristal, p.ex.)
pode ficar com vários defeitos
recozimento simulado (1/3)
Recozimento simulado:
 Determinar o estado de baixa energia de um sistema é um problema de

otimização, embora não seja um problema combinatório
 A ideia então consiste em construir um processo de recozimento computacional

que simule o processo de recozimento físico
 Algoritmos baseados em melhorias iterativas se assemelham ao processo de

rearranjo microscópico modelado pela mecânica estatística, onde a função de
custo faz o papel da energia
 Porém, se forem aceitos apenas rearranjos que melhoram (neste caso, abaixam)
o valor da função de custo do sistema, chegar-se-ia muito rapidamente a T=0
(temperatura=0), levando a soluções arbitrariamente ruins
O Algoritmo de Metropolis:
 O algoritmo de Metropolis, vindo da mecânica estatística, é um
procedimento de melhorias iterativas onde pioras (neste caso,
aumentos na função de custo) controladas podem ser
incorporadas à busca por uma melhor solução
 (N. Metropolis, A. Rosenbluth, M. Rosenbluth, A. Teller, E. Teller, J.
Chem. Phys. 21, 1087, 1953), nos primórdios da computação
científica, introduziu um algoritmo simples para simular uma
coleção de átomos em equilíbrio para uma dada temperatura
 Em cada passo do algoritmo, um átomo sofre um pequeno deslocamento aleatório,
e a alteração resultante (ΔΕ) na energia do sistema é computada
 Quando esta alteração é não-positiva (ΔΕ ≤ 0), ela é aceita, e a configuração com
o átomo deslocado é usada como ponto inicial para o próximo passo
 Quando esta alteração é positiva (ΔΕ > 0), ela é tratada de forma probabilística:
ela é aceita com a seguinte probabilidade:
p(ΔΕ) = e − ΔΕ κB T
O Algoritmo de Metropolis e a Constante de Botltzmann :
 Essa probabilidade de mudança de estado (e − ΔΕ κB T ), quando
ΔΕ > 0, envolve a constante de Botltzmann, a constante física
que relaciona temperatura e energia de moléculas. Para T>0 a
função é monotonicamente decrescente em E
 Para computar a parte probabilística do método,

sorteamos, de maneira uniforme, um número entre 0 e 1
e comparamos com e − ΔΕ κB T :
 Se o número for menor, a nova configuração é aceita
 Caso contrário, a configuração atual é ponto inicial para o próximo passo
 Pela repetição destes passos várias vezes, obtém-se a simulação do movimento
térmico de átomos em contato com uma temperatura T, até que o sistema entre
em equilíbrio (esse é o Algoritmo de Metropolis)
Analogia com a Otimização Combinatória
Os estados do metal ou cristal correspondem a soluções do espaço de busca
A energia em cada estado corresponde ao valor da função objetivo
A energia mínima (se o problema for de minimização) corresponde ao valor de uma

solução ótima local, possivelmente global
Probabilidade de aceitação
de um movimento de piora
Resumo do método
O processo tem início em uma temperatura T elevada, onde a probabilidade de se
aceitar soluções de piora é maior, com o intuito de escapar de ótimos locais
A baixas temperaturas, somente estados com baixa energia têm alta probabilidade de
se tornar o estado corrente
Uma vez atingido o equilíbrio térmico em uma dada temperatura, ela é diminuída e
aplica-se novamente o passo de Metropolis
A taxa de aceitação de movimentos de piora é, portanto, diminuída com o decorrer

das iterações
No final do processo, praticamente não se aceita movimentos de piora, e o método se

comporta como o método da descida (ou subida, se for de maximização o problema)
O final do processo se dá quando a temperatura se aproxima de zero e nenhuma

solução de piora é mais aceita, evidenciando o encontro de um ótimo local
(possivelmente global)
estrutura de vizinhança
Simulated Annealing:
taxa de resfriamento
função objetivo
0<α<1
número máximo de iterações
algoritmo
temperatura inicial
solução inicial
temperatura final (de congelamento)

SAmax iterações em cada temperatura
Equilíbrio atingido para a temperatura T :

Resfria (T := T × α) e zera o contador para a nova temperatura
Detalhes de implementação:
prescrições de annealing (1/3)
São prescrições de annealing as decisões envolvendo:
 temperatura final
 condição de parada
 temperatura inicial
 taxa de resfriamento
Temperatura final ou Temperatura de congelamento do sistema: teoricamente a

temperatura final deveria ser zero. Na prática é suficiente chegar a uma temperatura
próxima a zero, devido a precisão limitada da implementação computacional:
 O mais comum é identificar o congelamento do processo quando a taxa de
aceitação de movimentos cai abaixo de um valor predeterminado, p. ex., para
T = 0,001 ou T = 0,0001
Condição de parada: geralmente utiliza-se um número máximo de iterações global

(SAmax), ou um número máximo de iterações para cada Temperatura (SAmaxT)
 O número máximo de iterações deve ser calculado com base na dimensão do
problema
Temperatura Inicial: deve ser alta o bastante para permitir movimentos livres entre
soluções vizinhas
Pode ser escolhida a partir do conhecimento da variação média de custo entre

soluções vizinhas:
 Gerar uma solução inicial qualquer
 Gerar um certo número de vizinhos
 Para cada vizinho, calcular o respectivo custo
 Retornar como temperatura inicial o maior custo das soluções vizinhas
Alternativamente, pode ser obtida por simulação,i.e., fixando-se uma taxa de

aceitação mínima de movimentos:
 Gerar uma solução inicial qualquer
 Partir de uma temperatura inicial baixa
 Contar quantos vizinhos são aceitos em SAmax iterações nessa temperatura
 Se o número de vizinhos aceitos for alto (p.ex., 95%) retornar a temperatura corrente como
a temperatura inicial
 Caso contrário, aumentar a temperatura (p.ex., em 10%) e repetir o processo
Taxa de resfriamento: o equilíbrio térmico deve ser aproximado a cada temperatura
É comum trabalhar nas temperaturas mais altas com uma taxa de resfriamento menor,
e aumentá-la conforme a temperatura se reduz
Os três tipos de resfriamento mais utilizados são:
Resfriamento geométrico: Tk = α · Tk-1 , 0 < α < 1

 Resfriamento lento: 0.8 < α < 0.99
 É comum trabalhar nas temperaturas mais altas com uma taxa de resfriamento menor e
aumentá-la conforme a temperatura reduz
Resfriamento rápido: Tk = Tk-1 ∕ (1 + β · Tk-1 )

 Com β pequeno ( β << T0 , p.ex., β=(T0 ˗ TSAMax) / (SAMax·T0· TSAMax) )
Prescrição de Hajek (resfriamento muito lento):

 Ver artigo: Cooling Schedules for Optimal Annealing, Bruce Hajek, Mathematics of
Operations Research, Vol. 13, No. 2, May 1988
decisões específicas do problema
São decisões específicas do problema:
 espaço de soluções
 estrutura de vizinhança
 função objetivo (ou função de custo)
Espaços de soluções com topografia acidentada ou com grandes áreas planas

prejudicam o andamento do algoritmo
A estrutura de vizinhança deve garantir que qualquer solução seja alcançável a partir
de qualquer outra
Soluções não-viáveis podem ser penalizadas, em vez de mantidas fora do espaço de

soluções, a fim de garantir a condição anterior e facilitar o cálculo da função objetivo

Tema 5 SA

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tema 5 SA

Enviado por

Direitos autorais:

Formatos disponíveis

Meta-heurísticas em

Profª Laura Bahiense

Fundamentos do Método de Recozimento Simulado

Analogia com a Otimização Combinatória

Em português: Recozimento Simulado

Ideia: simular o processo de recozimento dos metais

Estabelecer uma conexão entre:

 A mecânica estatística: trata do comportamento de sistemas com vários graus de

 A otimização combinatória: trata de encontrar um mínimo ou um máximo de uma

 O sólido é aquecido além do seu ponto de fusão e é posteriormente resfriado

 Resfriamentos rápidos conduzem a produtos menos estáveis, porém de maior

 Resfriamentos lentos conduzem a produtos mais estáveis, estruturalmente fortes,

 Quando o resfriamento é suficientemente lento, obtém-se uma estrutura

 Determinar o estado de baixa energia de um sistema é um problema de

 A ideia então consiste em construir um processo de recozimento computacional

 Algoritmos baseados em melhorias iterativas se assemelham ao processo de

 Para computar a parte probabilística do método,

Os estados do metal ou cristal correspondem a soluções do espaço de busca

A energia em cada estado corresponde ao valor da função objetivo

A energia mínima (se o problema for de minimização) corresponde ao valor de uma

A taxa de aceitação de movimentos de piora é, portanto, diminuída com o decorrer

No final do processo, praticamente não se aceita movimentos de piora, e o método se

O final do processo se dá quando a temperatura se aproxima de zero e nenhuma

temperatura final (de congelamento)

Equilíbrio atingido para a temperatura T :

Temperatura final ou Temperatura de congelamento do sistema: teoricamente a

Condição de parada: geralmente utiliza-se um número máximo de iterações global

Pode ser escolhida a partir do conhecimento da variação média de custo entre

Alternativamente, pode ser obtida por simulação,i.e., fixando-se uma taxa de

Resfriamento geométrico: Tk = α · Tk-1 , 0 < α < 1

Resfriamento rápido: Tk = Tk-1 ∕ (1 + β · Tk-1 )

Prescrição de Hajek (resfriamento muito lento):

Espaços de soluções com topografia acidentada ou com grandes áreas planas

Soluções não-viáveis podem ser penalizadas, em vez de mantidas fora do espaço de

Você também pode gostar