Escolar Documentos
Profissional Documentos
Cultura Documentos
FEVEREIRO DE 2019
RESUMO
Dado um certo problema representado por uma função teste cuja proposta seja
encontrar um determinado valor em determinado ponto, denominado solução ótima.
Duas técnicas diferentes foram utilizadas a fim de comparar seus resultados alterando
alguns parâmetros que poderiam melhorar ou piorar o índice total de acerto,
realizando um grande número de tentativas e analisando as taxas de sucesso. As
técnicas utilizadas, denominadas metaheurísticas, ao passo que podem ser
vantajosas para um certo trabalho e inviáveis para outros. Sendo assim, existe a
necessidade de se descobrir qual método é mais interessante e indicado para cada
questão analisada.
Palavras chave
Figura 3.2.1.1 – Box plot para a função Eggcrate no Estudo de Caso nº1
Figura 3.2.1.2 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.2.2.1 – Box plot para a função Eggcrate no Estudo de Caso nº2
Figura 3.2.2.2 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.2.3.1 – Box plot para a função Eggcrate no Estudo de Caso nº3
Figura 3.2.3.2 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.2.4.1 – Box plot para a função Eggcrate no Estudo de Caso nº4
Figura 3.2.4.3 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.3.1.1 – Box plot para a função Rosenbrock no Estudo de Caso nº1
Figura 3.3.1.2 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.3.2.1 – Box plot para a função Rosenbrock no Estudo de Caso nº2
Figura 3.3.2.2 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.3.3.1 – Box plot para a função Rosenbrock no Estudo de Caso nº3
Figura 3.3.3.2 – Convergência do melhor valor em função do número de iterações para o PSO
Figura 3.3.4.1 – Box plot para a função Rosenbrock no Estudo de Caso nº4
Figura 3.3.4.2 – Convergência do melhor valor em função do número de iterações para o PSO
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Eggcrate no Estudo de Caso nº1
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Eggcrate no Estudo de Caso nº2
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Eggcrate no Estudo de Caso nº3
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Eggcrate no Estudo de Caso nº4
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Rosenbrock no Estudo de Caso nº1
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Rosenbrock no Estudo de Caso nº2
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Rosenbrock no Estudo de Caso nº3
Tabela 3.2.1.1 – Tabela de comparação com valores estatísticos relevantes para a função
Rosenbrock no Estudo de Caso nº4
SUMÁRIO
INTRODUÇÃO -------------------------------------------------------------------------------- 1
METAHEURÍSTICAS --------------------------------------------------------------------- 1
FUNÇÃO EGGCRATE --------------------------------------------------------------------- 1
FUNÇÃO ROSENBROCK --------------------------------------------------------------------- 2
ALGORITMOS DE -------------------------------------------------------------------------------- 3
OTIMIZAÇÃO
POPULAÇÃO E BUSCA --------------------------------------------------------------------- 3
ITERAÇÕES --------------------------------------------------------------------- 4
PRIMEIRO ALGORITMO --------------------------------------------------------------------- 4
(ALGORITMO N1)
SEGUNDO ALGORITMO --------------------------------------------------------------------- 5
(PSO)
RESULTADOS -------------------------------------------------------------------------------- 6
VALORES UTILIZADOS --------------------------------------------------------------------- 6
FUNÇÃO EGGCRATE --------------------------------------------------------------------- 7
ESTUDO DE CASO Nº1 -------------------------------------------------------------- 7
ESTUDO DE CASO Nº2 -------------------------------------------------------------- 11
ESTUDO DE CASO Nº3 -------------------------------------------------------------- 14
ESTUDO DE CASO Nº4 -------------------------------------------------------------- 17
FUNÇÃO ROSENBROCK --------------------------------------------------------------------- 20
ESTUDO DE CASO Nº1 -------------------------------------------------------------- 20
ESTUDO DE CASO Nº2 -------------------------------------------------------------- 23
ESTUDO DE CASO Nº3 -------------------------------------------------------------- 26
ESTUDO DE CASO Nº4 -------------------------------------------------------------- 28
CONCLUSÕES -------------------------------------------------------------------------------- 31
REFERÊNCIAS -------------------------------------------------------------------------------- 33
BIBLIOGRÁFICAS
1. INTRODUÇÃO
1.1. METAHEURÍSTICAS
1
𝑥 ∗ = (0,0) 𝑒 𝑓(𝑥 ∗ ) = 0
Onde:
𝑥𝑖 : 𝑝𝑜𝑛𝑡𝑜 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑡𝑒 à 𝑖𝑡𝑒𝑟𝑎çã𝑜 𝑎𝑡𝑢𝑎𝑙
𝑥𝑖+1 : 𝑝𝑜𝑛𝑡𝑜 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑡𝑒 à 𝑖𝑡𝑒𝑟𝑎çã𝑜 𝑓𝑢𝑡𝑢𝑟𝑎
𝑖=1
2
2. ALGORITMOS DE OTIMIZAÇÃO
3
2.2. ITERAÇÕES
3. RESULTADOS
Onde:
N – Número de indivíduos
I – Número de iterações
Além dos parâmetros de execução dos programas, temos os parâmetros
utilizados nas funções dos algoritmos aplicados, que mudam de acordo com a
função objetivo utilizada.
7
comparados alguns valores importantes na análise da busca pelo ótimo global,
como valor mínimo, valor médio e desvio padrão. Após estas comparações,
também foi realizando um procedimento estatístico denominado teste de
hipótese, que visa comparar dois valores e descobrir a dependência ou
independência entre ambos. Mais especificamente, foi realizado o teste T de
Student, que utiliza de uma distribuição normal dos dados, uma dissertação
detalhada do método pode ser encontrada em [2], é mostrado o método de
maneira mais explícita.
FIGURA 3.2.1.1 – Box plot para a função Eggcrate no Estudo de Caso nº1
8
FIGURA 3.2.1.2 – Convergência do melhor valor em FIGURA 3.2.1.3 – Convergência do melhor valor em
função do número de iterações para o PSO função do número de iterações para o N1
9
Através dos resultados, é possível perceber uma sensível
vantagem do N1 em relação ao PSO no quesito do valor médio
encontrado. Porém, a mediana do PSO apresenta uma vantagem,
uma vez que o ótimo global foi atingido em 82% dos casos.
10
FIGURA 3.2.1.5 – Análise de população fixa e FIGURA 3.2.1.6 – Análise de população fixa e
variável para o PSO variável para o N1
11
FIGURA 3.2.2.1 – Box plot para a função Eggcrate no Estudo de Caso nº2
FIGURA 3.2.2.2 – Convergência do melhor valor FIGURA 3.2.2.3 – Convergência do melhor valor
em função do número de iterações para o PSO em função do número de iterações para o N1
12
FIGURA 3.2.2.4 – Vista dos contornos da função Eggcrate
13
Valor Máximo 0.2860 Valor Máximo 18.9764
Mediana 0.0149 Mediana <0.0001
Desvio Padrão 0.0353 Desvio Padrão 3.4787
Porcentagem 92.50 Porcentagem 84.80
de Encontro do de Encontro do
OG OG
FIGURA 3.2.2.5 – Análise de população fixa e FIGURA 3.2.2.6 – Análise de população fixa e
variável para o PSO variável para o N1
14
FIGURA 3.2.3.1 – Box plot para a função Eggcrate no Estudo de Caso nº3
FIGURA 3.2.3.2 – Convergência do melhor valor em FIGURA 3.2.3.3 – Convergência do melhor valor
função do número de iterações para o PSO em função do número de iterações para o N1
15
FIGURA 3.2.3.4 – Vista dos contornos da função Eggcrate
16
Porcentagem 67.80 Porcentagem 99.70
de Encontro do de Encontro do
OG OG
FIGURA 3.2.3.5 – Análise de população fixa e FIGURA 3.2.3.6 – Análise de população fixa e
variável para o PSO variável para o N1
17
FIGURA 3.2.4.1 – Box plot para a função Eggcrate no Estudo de Caso nº4
Assim como nos outros casos, a convergência das funções pode ser
analisada nas figuras 3.2.4.2 e 3.2.4.3.
FIGURA 3.2.4.2 – Convergência do melhor valor em FIGURA 3.2.4.3 – Convergência do melhor valor em
função do número de iterações para o PSO função do número de iterações para o N1
18
FIGURA 3.2.4.4 – Vista dos contornos da função Eggcrate
19
FIGURA 3.2.4.5 – Análise de população fixa e FIGURA 3.2.4.6 – Análise de população fixa e
variável para o PSO variável para o N1
20
FIGURA 3.3.1.1 – Box plot para a função Rosenbrock no Estudo de Caso nº1
FIGURA 3.3.1.2 – Convergência do melhor valor em FIGURA 3.3.1.3 – Convergência do melhor valor
função do número de iterações para o PSO em função do número de iterações para o N1
21
FIGURA 3.3.1.4 – Vista dos contornos da função Rosenbrock
22
FIGURA 3.3.1.1 – Análise de população fixa e FIGURA 3.3.1.1 – Análise de população fixa e
variável para o N1 variável para o N1
23
Seguindo com a análise dos resultados coletados, as
figuras 3.3.2.2 e 3.3.2.3 mostram a convergência do ponto de
melhor resultado, enquanto a figura 3.3.2.4 mostra a mesma
convergência, porém graficamente e em apenas uma amostra, da
mesma forma como já foi realizado em todos os outros estudos
de caso.
24
FIGURA 3.3.2.2 – Convergência do melhor valor em FIGURA 3.3.2.3 – Convergência do melhor valor em
função do número de iterações para o PSO função do número de iterações para o N1
25
FIGURA 3.3.2.5 – Análise de população fixa e FIGURA 3.3.2.6 – Análise de população fixa e
variável para o PSO variável para o N1
FIGURA 3.3.3.1 – Box plot para a função Rosenbrock no Estudo de Caso n°3
26
FIGURA 3.3.3.2 – Convergência do melhor valor em FIGURA 3.3.3.2 – Convergência do melhor valor
função do número de iterações para o PSO em função do número de iterações para o N1
27
Por último, a análise de população fixa e variável pode ser vista
nas figuras 3.3.3.5 e 3.3.3.6
FIGURA 3.3.3.5 – Análise de população fixa e FIGURA 3.3.3.6 – Análise de população fixa e
variável para o PSO variável para o N1
28
FIGURA 3.3.4.1 – Box plot para a função Rosenbrock no Estudo de Caso nº4
FIGURA 3.3.4.2 – Convergência do melhor valor em FIGURA 3.3.4.3 – Convergência do melhor valor em
função do número de iterações para o PSO função do número de iterações para o N1
29
FIGURA 3.3.4.4 – Vista dos contornos da função Rosenbrock
30
FIGURA 3.3.4.5 – Análise de população fixa e FIGURA 3.3.4.6 – Análise de população fixa e
variável para o PSO variável para o N1
4. CONCLUSÕES
31
Com isso, é possível definir que, para uma melhor resposta de cada função,
seria mais recomendado utilizar o PSO para ambas as funções, uma vez que
ele apresentou resultados mais consistentes caso sejam consideradas as duas
funções teste aplicadas.
32
5. REFERÊNCIAS BIBLIOGRÁFICAS
33