Machine Translated by Google

Swarm e Computação Evolutiva 70 (2022) 101040

Listas de conteúdos disponíveis em ScienceDirect

Swarm e Computação Evolutiva

página inicial da revista: www.elsevier.com/locate/swevo

Trabalho de pesquisa

Além da exploração: medindo o impacto da busca local em algoritmos

meméticos baseados em enxames por meio das interações de
indivíduos na população
Clodomir Santanaa,ÿ , Marcos Oliveiraa , Carmelo Bastos-Filho b , Ronaldo Menezes a

a Departamento de Ciência da Computação, Universidade de Exeter, Exeter, Reino Unido

b Departamento de Engenharia de Computação, Universidade de Pernambuco, Recife, BR

artigoinfo abstrato

Palavras-chave: Algoritmos meméticos são conhecidos por seus recursos aprimorados de refinamento de solução. Esses recursos são
Algoritmos meméticos resultado da incorporação de métodos de busca local em metaheurísticas baseadas em população, como enxames e
Convergência
algoritmos evolutivos. No entanto, projetar um algoritmo memético não é uma tarefa trivial. A inclusão de procedimentos de
Exploração-Exploração
busca local deve considerar o equilíbrio exploração-exploração e sua interação com outros operadores de algoritmo. Devido
redes de interação
a essas variáveis, não existe uma metodologia universal para projetar um algoritmo memético. Embora trabalhos anteriores
colônia artificial de abelhas
Otimização de enxame de particulas
tenham investigado o impacto de procedimentos de busca local em algoritmos genéticos e de colônias de formigas, temos
conhecimento limitado sobre o impacto desses procedimentos em outros tipos de algoritmos baseados em enxames. Para
algoritmos baseados em enxames, as interações dentro da população são vitais para o surgimento da inteligência coletiva
e moldam o comportamento do algoritmo. Aqui, modelamos essas interações em uma rede e analisamos o impacto da
pesquisa local em algoritmos baseados em enxames. Selecionamos a Otimização por Enxame de Partículas (PSO), a
Colônia Artificial de Abelhas (ABC) e uma versão memética de cada algoritmo como um estudo de caso. Examinamos os
efeitos das modificações propostas nas variantes meméticas. Os resultados obtidos indicam que as redes de interações
capturam diversas características dos algoritmos e o impacto das estratégias de busca local. O impacto dos operadores de
busca local pode ser aferido pela análise temporal das mudanças nas propriedades estruturais da rede do algoritmo (eg
estudo do peso e distribuição das conexões da rede). Essas mudanças estão ligadas à assinatura de convergência dos
algoritmos e podem ser usadas como um proxy para avaliar as diferenças entre os algoritmos estudados e suas versões
meméticas.

1. Introdução
Algoritmos Meméticos (MAs) foram introduzidos pela primeira vez por Moscato et al.
[1,2] inicialmente como uma classe de algoritmos que combina algoritmos evolutivos
com métodos de busca local. O termo “memético” vem do conceito de Richard Dawkins
de memes como uma unidade de evolução cultural que pode ser propagada e exibir
aprimoramentos locais [3,4]. Esses algoritmos foram propostos pela primeira vez e
extensivamente aplicados para melhorar o refinamento da solução em algoritmos
genéticos [4]. Embora seja um conceito simples, desenvolver um novo algoritmo memético
é desafiador porque requer mais do que apenas combinar uma metaheurística com um
operador de busca local. Envolve fatores cruciais, como selecionar o operador de busca
local adequado que interaja com os outros operadores na metaheurística. Apesar dos
avanços na área, no entanto, ainda não há uma metodologia consolidada para desenvolver
novas MAs e avaliar o impacto dos operadores de busca local.
Após o foco inicial em algoritmos genéticos, as MAs foram estendidas para melhorar
as capacidades de busca local não apenas de estratégias evolutivas, mas também de
enxames e outras metaheurísticas baseadas em população [5]. Além disso, vários tipos
de estratégias de busca local, como subida de colina [6], recozimento simulado [7],
busca tabu [8] e busca padrão [9] também foram empregados para melhorar as
capacidades de refinamento da solução das metaheurísticas baseadas em enxame. .
Uma das razões por trás da crescente popularidade dos MAs é seu desempenho em
espaços de busca de alta dimensão e não diferenciáveis [5] e suas capacidades de
exploração aprimoradas [10]. Como resultado, podemos ver uma variedade de artigos
propondo, melhorando ou usando algoritmos meméticos para problemas de otimização
discretos, contínuos, restritos, multiobjetivos e outras classes [11]. Também podemos
encontrar exemplos de aplicações de MAs em vários problemas do mundo real; por
exemplo, layout de circuito [12], geração automática de suíte de teste [13], roteamento de
arco capacitado [14], detecção de comunidade em redes [15] e escalonamento de job
shop [16].

ÿ Autor correspondente.
Endereço de e-mail: csantana@biocomplexlab.org (C. Santana).

https://doi.org/10.1016/j.swevo.2022.101040
Disponível online em 20 de janeiro de
2022 2210-6502/© 2022 Os autores. Publicado por Elsevier BV Este é um artigo de acesso aberto sob a licença CC BY-NC-ND (http://
creativecommons.org/licenses/by-nc-nd/4.0/)
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
No que diz respeito ao estudo das capacidades dos MAs, estudos relatam
que monitorar a convergência da população preservando a diversidade das
soluções é um fator crucial para evitar soluções sub-ótimas e continuamente
descobrir melhores soluções [11]. O trabalho de Ong et al. [17] apresenta um
exemplo de análise de convergência de algoritmos meméticos. Em seu estudo,
Ong et al. empregou a teoria das cadeias de Markov para estender os esforços
anteriores na análise de convergência de AGs. Além disso, Moscato e Cotta
[18] argumentam que um procedimento de reinicialização da população é uma
estratégia essencial e recorrente adotada pelas AMs para superar a convergência
prematura para soluções sub-ótimas.
Além da velocidade de convergência, todos os algoritmos baseados em
população devem gerenciar o equilíbrio entre exploração-exploração das
soluções [11]. Em MAs, esse equilíbrio depende de vários aspectos, como a
interação entre o procedimento de busca local e as outras características do
algoritmo [19]. Apesar dos esforços para analisar convergência, exploração e
exploração em algoritmos meméticos, ainda não há consenso de uma
metodologia unificada, e novos métodos continuam surgindo.
Além disso, devido ao grande número de variáveis envolvidas no processo
de projeto de um MA, a escolha da estratégia de busca local e a definição de
sua frequência de execução em muitos casos são consideradas uma “arte” [20] .
Apesar de alguns trabalhos mostrarem que os efeitos da busca local podem
diferir dependendo do algoritmo utilizado [21,22], o impacto dos métodos de
busca local em outros tipos de MAs ainda não está claro, sendo necessários
novos estudos nesses casos.
Trabalhos anteriores aplicaram com sucesso uma abordagem baseada em
rede para estudar estagnação, convergência, exploração e exploração de
otimizadores de enxame de partículas com o objetivo de reduzir essa lacuna de
pesquisa [23,24]. Essa abordagem, chamada de redes de interação, conta com
a inteligência coletiva que emerge dos padrões de interação da população e
permite que indivíduos reativos simples assumam tarefas complexas. As redes
de interação capturam as interações da população em redes onde os nós
representam os indivíduos da população, e os links são criados quando os
indivíduos interagem. Por exemplo, uma interação pode ser quando um indivíduo
compartilha informações sobre sua localização atual ou
a localização do melhor óptimo que encontrou.
Neste artigo, propomos modificações na metodologia de criação de redes
de interação e analisamos as características dessas redes usando as métricas
de divergência de retratos [25] e diversidade de interações [26] . Como estudo
de caso, selecionamos a colônia artificial de abelhas (ABC), otimização de
enxame de partículas (PSO) e duas variações meméticas desses algoritmos.
Além de serem dois algoritmos de otimização proeminentes da família de
inteligência de enxame, selecionamos o ABC e o PSO devido às suas diferenças
de comportamento. O PSO geralmente apresenta alta capacidade de exploração
[27]. Se não for feito corretamente, a integração de uma operação de pesquisa
local adicional no PSO pode levar à convergência prematura. Em contraste, o
ABC é conhecido por ser mais eficiente na exploração do que na exploração
[28]. Por esta razão, a variante memética deste algoritmo tem o potencial de
melhorar suas capacidades de refinamento de solução. Mostramos como as
redes de interação podem codificar características dessas
algoritmos baseados em enxames. Além disso, empregamos essas redes para
examinar as capacidades de exploração aprimoradas, convergência mais rápida
de algoritmos meméticos e as mudanças causadas pela introdução da busca
local nas variantes meméticas ABC e PSO selecionadas. Embora estejamos
conduzindo nossa análise usando PSOs e ABCs, as redes de interação foram
aplicadas a outros tipos de algoritmos baseados em enxames [29-31]. Ao
empregar essas redes, podemos modelar e monitorar padrões de interações
diretas e indiretas entre indivíduos. Também podemos estudar as mudanças
nesses padrões durante o processo de otimização, sob diferentes problemas
de otimização, ou quando diferentes valores de parâmetros/operadores são
usados.
O restante deste artigo está estruturado da seguinte forma.
A seção 2 apresenta os algoritmos meméticos estudados, as redes de interação
e as métricas utilizadas para avaliar as redes. A seguir, na Seção 3, descrevemos
os experimentos realizados e analisamos os resultados. Por fim, a Seção 4
resume o artigo e apresenta as conclusões.
2
Swarm e Computação Evolutiva 70 (2022) 101040
2. Embasamento teórico
Esta seção descreve brevemente o embasamento teórico desta pesquisa.
Inclui a explicação sobre as redes de interação e as modificações propostas a
elas (Seção 2.1), as métricas de divergência de retratos e diversidade de
interações (Seção 2.2) e os algoritmos meméticos selecionados (Seção 2.3).
2.1. As redes de interação
Ao lidar com algoritmos baseados em população, as interações entre os
indivíduos dentro da população resultam no surgimento de uma inteligência
global que é vital para o desempenho do algoritmo [32].
Essas interações acontecem entre indivíduos que colaboram ou competem
para alcançar um determinado objetivo. Tanto nas interações colaborativas
quanto nas competitivas, os indivíduos frequentemente compartilham
informações relacionadas à qualidade e localização das soluções encontradas.
Dada a importância dessas interações para o desempenho de base populacional,
Oliveira et al. propôs em 2014 uma técnica para representar essas interações
como uma estrutura chamada redes de interação [33]. As redes de interação
são grafos onde os nós (ou vértices) representam os indivíduos da população
do algoritmo. As conexões (ou arestas) indicam as interações que aconteceram
durante o processo de otimização. A definição das redes de interação ( ) é
mostrada pela Equação (1)
+ ÿ1
=
ÿ ÿ
( ), (1)
ÿ=
onde é uma dada iteração, é o tamanho da janela de tempo, ÿ ÿ ÿ 1 e é
o número total de iterações. O processo de criação dessas redes é ilustrado
na Fig. 1. Vale ressaltar que, quando o tamanho da janela de tempo é igual a
um, as redes da Fig. 1 (2) são iguais às da Fig. 1 (3).
A literatura possui trabalhos que utilizam esta abordagem para estudar
diversos aspectos de algoritmos baseados em enxames; por exemplo, suas
características [23,31,34], convergência e ritmo de exploração-exploração [24,26].
Além disso, trabalhos recentes demonstraram a aplicação desta abordagem
para a análise de vários algoritmos baseados em população [29,30]; entretanto,
até onde sabemos, a aplicação de redes de interação na avaliação de algoritmos
meméticos é uma novidade.
Outra contribuição deste trabalho é uma modificação proposta no processo
de criação das redes de interação. Ao contrário de trabalhos anteriores que
criam/atualizam as conexões usando um valor de peso fixo (geralmente igual a
um), aqui estamos explorando uma estratégia diferente que usa a distância
entre os nós como o peso da conexão. Dessa forma, a força das conexões
refletirá o quão próximos espacialmente os nós estão e, portanto, o grau de
similaridade entre as soluções que eles representam.
Além disso, com essa representação dos pesos das arestas, podemos
entender melhor o estado de convergência do enxame analisando a evolução
dos pesos das conexões ao longo do tempo. Também definimos que na rede
de interação, além do rótulo, todos os nós terão um valor que representa o
fitness do indivíduo quando a conexão foi criada/atualizada. Esta informação
pode nos dar insights relacionados ao status do enxame.
2.2. Métricas selecionadas
Para comparar as redes de interação do enxame, selecionamos a divergência
de retrato (PD), que é uma métrica grafo-invariante que mede as semelhanças
estruturais entre as redes independentemente de seus tamanhos e de serem
direcionadas ou não direcionadas [35].
Também empregamos a Interaction Diversity [29]: uma métrica que
quantifica a diversidade do fluxo de informações em uma rede. Esta medição
pode ser associada à convergência/estagnação e para analisar o equilíbrio
exploração/exploração no enxame [24,26,29].
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 1. Criação da rede de interação do enxame. O primeiro nível (1) representa o estado do enxame em cada iteração do algoritmo. O nível (2) contém as redes
de interação criadas com base nas informações do nível 1. No último nível (3), temos as redes utilizadas para analisar o enxame. Geramos essas redes
combinando um conjunto de redes consecutivas do nível 2. O número de redes combinadas é determinado pelo tamanho da janela de tempo utilizada (w). Neste
exemplo, as janelas de tempo têm tamanho igual a dois, e o número total de redes (m) no terceiro nível é ÿ2.

2.2.1. Divergência de retrato onde 1, 2 são duas redes, 1

e 2
são a rede invariante
1
A divergência de retrato (PD) se destaca por trabalhar com redes de e
de 2 respectivamente,
1 = de acordo ( 1 + 2), e (ÿ||ÿ) é calculado
2
diferentes tamanhos, diretas/não direcionadas, ponderadas/não ponderadas com a Eq. 4.
e rótulo invariante. Partindo do princípio de que uma rede pode ser
( 1, 2 )
representada integralmente por sua matriz de adjacência (ou seja, uma (,)
( 1 || 2 ) = ÿ ÿ 1 (4)
matriz by cujos valores representam o peso das conexões entre o conjunto =0 =0 (,)(1 2( , ) ) ,
de nós). Usando as informações de arestas/nós, o retrato da rede, também
onde 1e 2 são o diâmetro (caminho mais curto na rede) de PD
conhecido como -matriz, é calculado e codifica as informações estruturais de uma rede [25].
dá um1 e valor2.entre zero e um, onde zero significa que as matrizes
A matriz -matriz é calculada conforme indicado pela Equação (2)
comparadas são idênticas e um significa que são diferentes.
= ( ), (2)
,

onde Um exemplo da eficácia do PD para medir as diferenças entre as

representa que a linha ÿ da matriz B, é o número de nós na
,
redes de interação de algoritmos com diferentes características é
rede e é uma invariante da rede — propriedade da rede que vale para
apresentado na Fig. 2. Neste exemplo, usamos o PD para comparar
todas as redes possíveis com rótulos permutados — da rede. Indica o
30 redes do ABC e PSO. Observe que as cores azuladas significam que o
número de nós da rede que possuem vizinhos a uma distância igual
as redes comparadas são estruturalmente semelhantes. Em contraste, as cores
a . Essa distância é calculada contando o número mínimo de arestas
avermelhadas indicam que as redes possuem estruturas diferentes.
(caminho mais curto) que conecta os dois nós. A matriz B desconsidera
A comparação de redes para os mesmos algoritmos (eg Fig. 2 A e
os rótulos dos nós e pode representar redes diretas e não direcionadas.
B) utilizando a métrica PD revela valores que indicam as semelhanças
Devido a essa propriedade da matriz B, o PD é uma métrica invariante
entre a estrutura das redes (valores PD próximos de 0). No entanto,
de rótulo que funciona com redes direcionadas e não direcionadas.
quando comparamos as redes de algoritmos com características
Com relação às redes ponderadas, para criar a matriz B, é utilizada
diferentes (Fig. 2 C), os valores de PD estão mais próximos de 1,
uma estratégia de binning para estimar as distâncias. Essa estratégia
indicando as diferenças na estrutura das redes. Vale ressaltar que
também apresenta baixo custo computacional quando se trata de
redes de pequeno e médio porte [35]. estudos anteriores mostraram que, dependendo das características da
aplicação, o limite utilizado para caracterizar duas redes como
Com base nas matrizes B, a métrica PD emprega o Jensen-Shannon
semelhantes ou não semelhantes varia [25,35]. Porém, como a
divergência para medir a distância entre dois retratos:
investigação desse limite para as redes de interação está fora do
1
( 1, 2) = ( 1 || 1) ( 2 || ), (3) escopo deste trabalho, optamos por realizá-la em um estudo futuro.
2 +2

3
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 2. Aplicação da métrica PD para medir as similaridades das redes para os algoritmos PSO e ABC em 30 execuções independentes. Neste exemplo, ambos os algoritmos
foram executados com uma população de 100 indivíduos na função benchmark Sphere com 50 dimensões. O critério de parada utilizado foi de 500 iterações e a janela de tempo
tem tamanho igual a 10. Nestes mapas de calor, a cor azul indica que as redes possuem estrutura semelhante (valores de PD próximos a 0). Como podemos ver, as comparações
das redes para os mesmos algoritmos (A e B) na maioria dos casos resultam em valores de PD mais próximos de 0 do que de 1, indicando a similaridade das redes. No entanto,
quando comparamos dois algoritmos com padrões de interação distintos, como o ABC e o PSO (C), podemos observar que os valores de PD estão próximos de 1, indicando a
dissimilaridade entre as redes.

2.2.2. Diversidade de interação 2.3.1. PSO com pesquisa de padrão

A diversidade de interação (ID) é uma métrica proposta por Oliveira et al. [26] que é
usado para medir a diversidade do fluxo de informação do enxame. Como o fluxo de
informações está vinculado à distribuição espacial das soluções no enxame, essa métrica
pode ajudar a detectar estagnação/convergência, exploração e exploração.
A ideia por trás do cálculo do ID é que quanto mais diversificado o fluxo
de informação o enxame, mais conectados estarão os nós na rede de interação. Portanto,
se várias sub-redes isoladas são criadas quando removemos uma fração dos links mais
fracos (ou seja, pesos de borda mais baixos), a rede não está bem conectada (baixa
diversidade). Em outras palavras, podemos medir a diversidade analisando a facilidade
com que a rede pode ser dividida em sub-redes quando removemos um certo número de
O primeiro algoritmo memético escolhido é uma variante do PSO com a busca de
padrões (PS) [36] como método de busca local produzindo o PSO PS [5]. Ele foi
selecionado devido à estratégia que os autores adotaram para propor esse algoritmo que
não altera as regras do PSO para atualizar a posição da partícula. Em vez disso, inclui
uma etapa adicional que realiza a pesquisa local em torno de cada partícula em um grupo
selecionado. Este grupo é composto principalmente pelas melhores partículas do enxame.
O Algoritmo 1 descreve como o PSO-PS funciona.
Algoritmo 1. PSO com Pesquisa de Padrão

arestas.
Para calcular a diversidade de interação de uma determinada rede, usamos a seguinte
equação:

()|
=1ÿ , (5)
|

onde | | representa o tamanho da população (isto é, o número de nós na rede) e ( ) é a

área sob a curva de destruição da rede . A área é calculada empregando a regra trapezoidal
composta. A curva de destruição onde cada ponto descreve o número de sub-redes
desconectadas (componentes isolados) criadas pela remoção de uma fração das arestas
mais fracas da rede, e o valor de varia de 0 a 1.

Na literatura, podemos encontrar pesquisas que aplicaram a diversidade de interação

para analisar o fenômeno de estagnação em diferentes topologias de comunicação para
o PSO [26], estudar o equilíbrio exploração-exploração no PSO [24] e comparar a
exploração-exploração de diferentes algoritmos baseados em enxames [29]. Neste trabalho,
empregaremos esta métrica para analisar a exploração-exploração dos algoritmos 2.3.2. ABC com busca por seção áurea O
selecionados. segundo algoritmo selecionado foi o memético ABC (MeABC) [37], que incorpora o
Golden Section Search (GSS) [38] para aumentar as capacidades de exploração do ABC.
Ao contrário do PSO-PS, o MeABC inclui uma fase memética (como no PSO-PS) e modifica
2.3. Algoritmos meméticos selecionados a regra de atualização das soluções adicionando a melhor solução global atual ao
atualizar as posições das abelhas empregadas e observadoras. A equação (6) ilustra
Como um estudo de caso para a análise de convergência, capacidades de exploração essas mudanças
e efeitos de modificações feitas em MAs, selecionamos duas versões meméticas dos dois
algoritmos baseados em enxames mais proeminentes: o PSO e o ABC. Como mencionado = +( , )+( ), (6)
ÿ
ÿ

, , , , ,
anteriormente, esses algoritmos têm comportamentos de busca distintos. O ABC é mais
conhecido por suas capacidades de exploração, enquanto o PSO melhorou a exploração. onde é a posição atual da fonte de alimento na dimensão é uma fonte de alimento
,
, selecionada de acordo com a regra de seleção empregada ou observadora, é um
A Seção 2.3.1 descreve o PSO memético selecionado enquanto a Seção 2.3.2 de número aleatório gerado uniformemente entre -1 e 1 e é um número aleatório gerado
segue o memético ABC. Vale ressaltar que esses algoritmos foram selecionados como um uniformemente entre 0 e onde é um parâmetro do MeABC. Na fase memética, o GSS é ,
estudo de caso. As redes de interação podem ser estendidas para outros algoritmos usado para explorar apenas a melhor solução atual no enxame. O Algoritmo 2 descreve o
meméticos e uma variedade de outros algoritmos baseados em população, conforme MeABC.
demonstrado em trabalhos anteriores [29–31].

4
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
Algoritmo 2. ABC memético
3. Experimentos e resultados
Implementamos o PSO memético usando uma melhor topologia global e
adotamos os valores recomendados para os parâmetros descritos no artigo da
proposta [5]. Os valores dos parâmetros são: adotado = 1,496 e um decréscimo
= 2 linear para o fator de inércia (de 0,9 a 0,4). A busca padrão do PSO-
1
PS teve um raio de busca de 2,0, e o delta inicial foi de 1,0. Usamos uma
população de 100 partículas e 500 iterações como critério de parada em todos
os experimentos realizados.
Além disso, em cada experimento, realizamos 30 simulações independentes
dos algoritmos. Os mesmos valores foram usados para o PSO padrão.
Com relação à seleção de parâmetros para o ABC e o MeABC, foi utilizada
uma população composta por 50 funcionárias e 50 abelhas observadoras
(quando necessário, uma das observadoras atua como abelha batedora), e o
critério de parada foram 500 iterações (como no PSO e PSO-PS). O limite de
tentativas para o ABC e MeABC foi definido como 10, e o MeABC usado = 1,5,
critérios de parada para o GSS como < 0,01 e o limite de seleção igual a 0,4.
Novamente, esses valores foram baseados nos valores recomendados em
seus respectivos documentos de proposta. Também realizamos 30 simulações
desses algoritmos em todos os experimentos realizados.
Esta seção contém experimentos para explicar a relação entre as redes
de interação e os algoritmos que elas representam e como essas redes podem
nos ajudar a entender fenômenos como convergência, exploração e exploração.
A Seção 3.1 explica como a estrutura das redes de interação reflete as
características dos algoritmos que elas representam. Na Seção 3.2, realizamos
experimentos para estudar a
5
Swarm e Computação Evolutiva 70 (2022) 101040
exploração-exploração usando as redes. Por fim, a Seção 3.3 mostra que as
redes de interação também podem ser usadas para avaliar a convergência dos
algoritmos.
Em alguns experimentos realizados, baseamos a análise utilizando a
função Esfera como estudo de caso. Reconhecemos que esta é uma função
fácil e que o potencial dos algoritmos meméticos seria melhor avaliado em
cenários mais desafiadores. No entanto, escolhemos a Esfera por ser um
exemplo mais didático, e seus resultados podem ser explicados de forma mais
simples. Além disso, como mencionado anteriormente, vários trabalhos têm
focado no desempenho de MAs em problemas desafiadores. Além disso,
mesmo quando baseamos a análise inicial usando o Sphere, mostramos
posteriormente os resultados para outras funções de benchmark. A lista a
seguir resume as investigações realizadas neste estudo, descrevendo os
objetivos e os resultados esperados de cada análise.
• Caracterização das Redes de Interação: nesta etapa, estudam-se as
características da rede e como ela muda junto com o processo de
otimização. Observamos aspectos como a distribuição do grau de trabalho
da rede, a evolução dos hubs e clusters, a evolução do peso das conexões
e comparamos as redes geradas em diferentes etapas da otimização. Um
dos objetivos desta etapa é validar o modelo observando se as redes
capturam as características dos algoritmos que representam. Por exemplo,
algoritmos que elegem líderes da população que orienta o processo de
busca, resultando em redes com hubs (ou seja, presença de nós que
representam um grande número de conexões), algoritmos que operam com
subpopulações têm redes com clusters (ou seja, altamente sub-redes
conectadas). Outro objetivo é estudar como as redes evoluem ao longo da
otimização, medindo as diferenças estruturais das redes em estágios
distintos. Este estudo permite, por exemplo, identificar os padrões de
convergência dos algoritmos. Além disso, podemos avaliar as semelhanças
entre diferentes algoritmos comparando seus padrões de convergência.
• Avaliação de Exploração-Exploração: para analisar a exploração e
comportamento de exploração dos algoritmos de suas respectivas redes
de interação, podemos estudar a evolução do peso da aresta e grau de nó
das redes. Como o peso da borda está associado à proximidade espacial
do enxame e o grau do nó está vinculado à quantidade de interação, esses
indicadores podem fornecer informações sobre a exploração/exploração.
Por exemplo, quando um algoritmo como o PSO explora uma solução, as
conexões da rede estarão concentradas em um número reduzido de nós
(ou seja, diminuição do grau médio dos nós). Alternativamente, a métrica
ID também pode ser empregada para realizar essas análises.
• Análise de Convergência: para esta análise, primeiro, devemos nos
certificar de que os algoritmos tiveram a oportunidade de convergir ou
passar por múltiplos ciclos de convergência. Uma maneira simples de
garantir isso é selecionar um problema menos complexo com um número
reduzido de dimensões. Em seguida, o estudo dos padrões de convergência
PD dos algoritmos mostra como as redes convergem, se possui um
mecanismo para aumentar a diversidade da população e evitar a
convergência prematura, e comparando dois algoritmos, podemos identificar
qual deles tem convergência mais rápida. Nesses experimentos, esperamos
que as variantes meméticas converjam mais rapidamente que a original.
Além disso, devido à presença da abelha exploradora nos ABCs,
esperamos ver diferentes ciclos de convergência.
3.1. Caracterização das redes de interação dos algoritmos
A análise do comportamento dos algoritmos e das características das redes
geradas foi baseada em seus resultados com a função Sphere benchmark [39].
Adotamos o número de dimensões igual a 50 e, para cada algoritmo, realizamos
30 execuções independentes usando 500 iterações como critério de parada.
Para gerar as redes de interação usadas nesta análise, dividimos as redes
criadas por 500 iterações em 50 grupos de 10 iterações.
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
Fig. 3. Exemplos de redes de integração geradas para o PSO e PSO-PS no início ( A cor
representa a aptidão do nó (quanto mais escura a cor, melhor é o representado pelo nó), o tamanho é proporcional ao grau de influência do nó (ou seja, o número
de conexões que apontam para dentro do nó).
ações. Em seguida, somamos as matrizes de adjacência dos itens em cada
grupo para gerar uma única estrutura que codifica os padrões de interação de
uma janela de tempo específica. A Fig. 3 e a Fig. 4 apresentam, respectivamente,
as redes de interação para o ABC e MeABC, e PSO e 1), meio ( 25) e fim ( 50)
do PSO-PS no início ( processo de otimização.
Como podemos ver na Fig. 3, as redes tanto do PSO quanto do PSO PS
são caracterizadas pela presença de hubs (nós mais conectados) que
representam os melhores indivíduos globais do enxame. Como uma única
janela de tempo pode abranger várias iterações, é possível ter mais de um hub
na rede. No PSO/PSO-PS, existe uma relação entre o número de hubs na rede
e a convergência do enxame. No início da execução, como as soluções são
geradas aleatoriamente no espaço de busca, é relativamente fácil melhorá-las,
levando à criação de novos líderes. 1), a última janela de tempo ( 50)
Da mesma forma que o cenário
inicial ( temos um número elevado de nós atuando como hubs na rede; porém,
neste caso, a criação de hubs se deve à proximidade espacial das partículas
como resultado da convergência do enxame para uma posição ótima. Porque
as partículas estão mais próximas umas das outras, seu fitness tende a ser
semelhante e pequenas melhorias podem resultar em novos líderes (ou seja, hubs). MeABC, para todos os valores de podemos
A principal diferença entre a rede na primeira e na última vez
janela está relacionada com a aptidão dos hubs. Inicialmente, a minoria dos nós
tem boa qualidade (poucos cubos com cor preta); porém, em 50), tanto para
janela de tempo (maioria PSO quanto para PSO-PS, vemos que a última
dos hubs tem cor preta. Ou seja, para algoritmos, a convergência do enxame é
refletida em uma rede com um elevado número de bolhas com qualidade
semelhante.Além disso, nas últimas janelas de tempo, podemos ver que a
maioria dos nós da rede tem uma cor escura, que também é diferente da
primeira janela de tempo.
Swarm e Computação Evolutiva 70 (2022) 101040
1), meio ( 25) e fim ( 50) do processo de otimização.
de 50. O baixo número 1 e 50, a Fig. 3 indica que para 25, diferentemente
temos menos
hubs pode ser porque eles começaram a hubs quando comparado a 1 e mais
convergir
nesta etapa do processo de otimização. À medida que o conjunto inicial de
soluções é refinado, alguns se tornam proeminentes e explorados pelos outros.
Como as partículas restantes no enxame não são necessárias espacialmente
próximas ao líder, a probabilidade de superar o melhor global não é alta. Esse
cenário muda à medida que as partículas começam a convergir, gerando uma
rede semelhante à do
50.
Na Fig. 4, a cor dos nós indica a qualidade das soluções.
Podemos ver que tanto o ABC quanto sua versão memética inicialmente
apresentam um equilíbrio no enxame relacionado à qualidade da solução (o
número de nós vermelhos é semelhante ao número de nós pretos). Esse
equilíbrio é uma indicação de que, em ambos os algoritmos, existe um alto grau
de diversidade no conjunto de soluções iniciais. Um alto nível de diversidade no
enxame é vital para explorar melhor o espaço de busca nas primeiras iterações do algoritmo
Também pode reduzir o risco de convergência prematura devido à falta de
diversidade no enxame.
A principal diferença entre as redes da ABC e MeABC é a
presença de hubs nas redes destas últimas. Como pode ser visto na Fig. 4, no
, observar a presença de um ou mais
nós que representam um alto número de conexões. Esses hubs resultam das
modificações propostas no MeABC, que introduz nas regras de atualização de
posição das abelhas empregadas e observadoras. As abelhas empregadas e
observadoras também se movem em direção à melhor fonte de alimento da
colônia, e os hubs na Fig. 4 representam essas fontes de alimento. Observe
que, como uma única janela de tempo pode agrupar várias iterações, é possível
ter mais de um hub.
Além disso, comparando a última janela de tempo 50) da origem
( nal e ABC memético, pode-se notar que o algoritmo memético parece
6
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
Fig. 4. Exemplos de redes de integração geradas para ABC e MeABC no início (a cor
representa a aptidão do nó (mais escura a cor, melhor), o tamanho é proporcional ao grau de influência do nó (ou seja, o número de conexões que apontam para
dentro do nó).
ter um enxame de soluções mais boas do que o ABC original. Esta convergência pode
ser forçada pela introdução do movimento das abelhas em direção aos melhores
elementos. Além disso, a adoção de um melhor global parece reduzir o efeito do scout
bee, que é um mecanismo do ABC para manter a diversidade no enxame gerando
soluções aleatórias quando elas não podem ser melhoradas após o número de
tentativas. Como essa situação geralmente acontece no final da execução quando o
enxame converge para um ponto, e é difícil melhorar a solução, a abelha exploradora
opera mais nas últimas iterações.
Queríamos comparar e contrastar diferentes redes de algoritmos nos próximos
experimentos para entender sua natureza estocástica. Além disso, também queríamos
analisar como a estrutura da rede muda ao longo do processo de otimização. Por esta
razão, usamos a métrica PD para comparar o grau de similaridade entre as redes em
ambos os casos (ou seja, diferentes execuções e diferentes janelas de tempo). A Fig.
5 apresenta os resultados da comparação das redes em diferentes janelas de tempo
dos PSOs enquanto a Fig. 6 mostra os resultados para os ABCs.
A Fig. 5 mostra a comparação das redes em diferentes janelas de tempo para o
PSO e o PSO-PS. Em ambos os algoritmos, a rede no início da execução é
estruturalmente diferente daquelas no final (janelas de tempo próximas a 50). Essa
diferença pode ser decorrente da convergência do enxame, que altera os padrões de
interação e altera o peso das conexões entre os indivíduos. Além disso, comparando o
mapa de calor para o PSO (Fig. 5 A e D) com o PSO-PS (Fig. 5 B e E), podemos ver
que o padrão do PSO-PS é semelhante ao PSO após o primeiras dez janelas de tempo.
porque a rede
estrutura de trabalho pode ser associada ao estado de exploração/exploração e
convergência do enxame, essa mudança pode resultar das capacidades de exploração
aprimoradas desse algoritmo em comparação com o PSO.
7
Swarm e Computação Evolutiva 70 (2022) 101040
1), meio ( 25) e fim ( 50) do processo de otimização.
A comparação entre o PSO e o PSO-PS (Fig. 5 C e F) revela que a estrutura da
rede para esses algoritmos é consideravelmente semelhante com uma diferença para
o PSO-PS, graças aos recursos de pesquisa local aprimorados , a convergência
acontece antes do PSO. Essa convergência inicial produz a mudança no padrão da Fig.
5 C e faz com que a rede na última janela de tempo do PSO seja mais semelhante às
redes em torno da janela de tempo 45 do PSO-PS.
Mais uma vez, esperamos este resultado uma vez que o PSO memético utilizado neste
trabalho não modifica as regras de interação do PSO.
Em contraste com a comparação PSO e PSO-PS, a diferença entre o ABC e o
MeABC é mais proeminente, indicando uma convergência mais rápida e mudanças nos
padrões de interação dos algoritmos.
Os resultados apresentados na Fig. 6 mostram que as modificações propostas no
MeABC alteraram a estrutura da rede. No ABC, o padrão indica um alto grau de
similaridade de uma rede em uma determinada janela de tempo e as janelas de tempo
antes e depois dela. No entanto, no MeABC, podemos ver que o padrão ficou mais
estreito, o que indica que a rede apresenta um tipo particular de estrutura em cada
janela de tempo.
Como esta característica também está presente nas redes PSO, a adoção da regra de
atualização de posição que utilizou um melhor indivíduo global pode ser a causa do
padrão apresentado nos resultados do MeABC.
Comparando o ABC com o MeABC, podemos ver nas Fig. 6 C e F que a mudança
no padrão é mais significativa do que a representada na Fig. 5 C, o que pode ser devido
à introdução da busca local combinada com a uso de uma melhor abelha global para
guiar o enxame no MeABC. Outro aspecto interessante ilustrado pela Fig. 6 C é que
podemos ver uma mudança abrupta no padrão em torno da janela de tempo 14. 14,
Analisando as características das redes antes e depois notamos uma redução no ritmo
em que o grau médio do nó
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 5. Diferenças entre as redes do PSO e do PSO-PS. Empregamos a média (A - C) e o desvio padrão (D - F) da métrica PD para comparar as últimas redes produzidas
ao longo do processo de otimização. Em ambos os casos, adotamos uma janela de tempo com tamanho de 10 iterações (mesclamos os resultados de 10 iterações em
uma única rede). As cores indicam o grau de similaridade das redes comparadas; quanto mais avermelhada for a cor, mais diferentes serão as redes, enquanto que
quanto mais azulada for a cor, mais semelhantes serão em sua estrutura. Os valores nesses gráficos são a média de 30 simulações independentes dos algoritmos.

Fig. 6. Diferenças entre as redes do ABC e MeABC. Empregamos a média (A - C) e o desvio padrão (D - F) da métrica PD para comparar as últimas redes produzidas
ao longo do processo de otimização. Em ambos os casos, adotamos uma janela de tempo com tamanho de 10 iterações (mesclamos os resultados de 10 iterações em
uma única rede). As cores indicam o grau de similaridade das redes comparadas; quanto mais avermelhada for a cor, mais diferentes serão as redes, enquanto que
quanto mais azulada for a cor, mais semelhantes serão em sua estrutura. Os valores nesses gráficos são a média de 30 simulações independentes dos algoritmos.

estava diminuindo no ABC. Vale ressaltar que esses resultados estão relacionados
ao cenário simulado e podem mudar com diferentes condições.
Além disso, no MeABC, após 14, detectamos uma queda
significativa no número de arestas nas redes. No ABC memético, duas situações
podem levar ao comportamento de exploração e estagnação. No primeiro cenário,
as abelhas continuam explorando a mesma melhor(is) solução(ões), o que significa
que ao invés de criar novas arestas com outros agentes do enxame, as abelhas
vão atualizando a conexão que possuem.
com uma abelha/grupo de abelhas (ou seja, explorando a solução). No último
cenário, como as abelhas observadoras e batedoras têm operadores gananciosos,
elas não se moverão devido à estagnação ou convergência se as abelhas não
puderem melhorar sua solução. Portanto, eles não se moverão e, portanto, não
criarão novas conexões.
Para identificar a estagnação/convergência do enxame em algoritmos
baseados no ABC, podemos observar a frequência com que as abelhas batedoras
são usadas para gerar novas soluções. Na Fig. 7 C, as curvas verde e roxa
indicam quando a abelha exploradora gera uma nova solução no ABC e

8
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 7. Curvas mostrando a evolução do enxame junto com as janelas de tempo na função Esfera com 50D. Os grandes plots têm as curvas normalizadas (ou seja, dividimos
cada curva pelo seu maior valor) para analisarmos as características do avaliador das curvas, comparando então a qualidade da solução dos algoritmos. Em contraste, os
gráficos inseridos têm o eixo y em uma escala logarítmica, e isso foi feito para mostrar que as versões MeABC e PSO-PS foram capazes de melhorar o desempenho do
ABC e do PSO, respectivamente. Vale ressaltar que o pior custo atual é o valor de aptidão do pior elemento do enxame naquele momento específico.

Fig. 8. Z-Score calculado usando o PSO como referência para o PSO-PS e o ABC como referência para o MeABC. Os painéis A e D representam a média e os painéis B e
E ilustram o desvio padrão. Observe que, para o Z-Score, valores próximos a zero indicam as semelhanças entre a referência do algoritmo e sua versão memética. Os
painéis C e F representam a assinatura de convergência do PSO, PSO-PS, ABC e MeABC como uma estimativa de densidade do kernel (KDE), visível respectivamente na
Fig. 5 A e B e na Fig. 6 A e B. Observe que o PSO memético tem uma assinatura semelhante ao PSO. Em contraste, o memético ABC apresenta um padrão distinto ao ABC.

MeABC. Podemos ver na Fig. 7 C que para o ABC, a abelha exploradora foi
utilizada pela primeira vez
14 em torno da janela de tempo, o que pode indicar
que naquele ponto o enxame convergiu para um ponto onde as abelhas
tiveram dificuldades em melhorar as soluções. Também não podemos ver
melhorias substanciais no custo da melhor solução
ponto. 14, as curvas para o Além disso, Fig. 7 encontrada após esse
B e C mostra que após MeABC continua a melhorar. Esse comportamento
pode ser uma indicação de que a melhor solução e o enxame continuam
melhorando. Vale ressaltar também que a Fig. 7 A indica que as alterações
propostas nos algoritmos meméticos resultaram em melhores soluções e
melhoraram o ritmo de convergência do enxame.
Uma explicação para a diferença mais notável entre os ABCs e os PSOs
tem a ver com a modificação mais extensa proposta no memético ABC. O
número de melhores indivíduos em uma vitória por tempo
dow, representado como hubs na rede, pode variar de execução para
execução no PSO. Em contraste, o ABC geralmente não possui hubs
ou outra característica que pode mudar consideravelmente de uma execução
para outra, tornando as redes mais parecidas. A presença de hubs causados
pelo melhor indivíduo global também pode ser a razão por trás da diferença
entre ABC e MeABC.
Ressaltamos que, neste trabalho, focamos em estudar o comportamento
dos algoritmos, e por isso, apresentamos as curvas de convergência com
valores normalizados. Entendemos que esta abordagem evita comparações
quanto à qualidade das soluções encontradas; no entanto, os gráficos inseridos
da Fig. 7 e de trabalhos anteriores [5,37] nos dão indicações do desempenho
desses algoritmos em termos de qualidade das soluções encontradas.
Os resultados a seguir apresentam três métodos para simplificar a análise
dos mapas de calor e a comparação entre os algoritmos. Esses métodos
contam com a análise dos padrões de convergência de PD (painéis A e B da
Fig. 5 e Fig. 6) como distribuições de dados (Fig. 8 e Tabela 1) e redes (Fig.
9).

9
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 9. Aplicação do PD para comparar as semelhanças entre o padrão de convergência dos algoritmos. Para aplicar a métrica PD, consideramos as matrizes representadas na Fig. 5 A e B e Fig.
6 A e B como uma matriz de adjacência e, para cada algoritmo e cada execução, criamos uma rede onde os nós são as janelas de tempo. O peso da aresta é igual ao inverso do valor na respectiva
matriz (1ÿ ). Para não produzir redes totalmente conectadas, aplicamos um limite para remover todos os valores maiores que 0,5. Os painéis A, B, D e E representam a matriz de adjacência
resultante usada para criar as redes do PSO, PSO-PS, ABC e MeABC, respectivamente. Os painéis C e F mostram, respectivamente, os resultados de PD da comparação do PSO-PS e MeABC
com os outros algoritmos. Observe que o PSO-PS é mais semelhante ao PSO; no entanto, as modificações introduzidas no MeABC tornaram-no mais semelhante ao PSO/PSO-PS do que ao ABC.

Tabela
PSOs, podemos ver semelhanças significativas entre eles, corroborando as
1 Resultados de outras métricas utilizadas para comparar as distribuições dos algoritmos (8 C conclusões de nossa análise anterior.
e F). Todos os resultados apresentados são estatisticamente significativos (com p-valor < 0,05).
Em contraste com os resultados do PSO e sua versão memética, a
Ressaltamos que para o teste de Kolmogorov-Smirnov, valores iguais a zero indicam que não
comparação do Z Score entre o ABC e o MeABC (Fig. 8 E e F) revela
podemos desconsiderar a hipótese nula (ou seja, as duas distribuições são idênticas). Em
disparidades significativas, especialmente ao longo da diagonal principal do
contraste, para as correlações Tau de Spearman e Kendall, valores próximos a um significam
uma correlação positiva entre os dados comparados. Observe que os resultados para essas
mapa de calor. Novamente, a análise dos padrões de convergência desses
métricas concordam com a análise anterior das Figs. 5, 6, 8 e 9. algoritmos ajuda a explicar essas diferenças. Observando os padrões da Fig. 6
A, B e C, podemos ver que as dissimilaridades entre o ABC e o MeABC estão
relacionadas às mudanças na forma dos padrões de convergência e nos valores
Comparação Correlação Kolmogorov-Smirnov Spearman Tau de Kendall
de PD (cores verdes mais escuras no MeABC em comparação com o ABC).
PSO-PS - PSO 0,053 0,854 0,680 Além disso, na Fig. 8 F, observando a comparação do KDE, também podemos
PSO-PS - ABC 0,442 0,353 0,247
ver diferenças significativas separando o ABC e o MeABC.
PSO-PS - MeABC 0,382 0,387 0,275
MeABC - ABC 0,331 0,880 0,696
MeABC - PSO 0,380 0,468 0,339 Usando a mesma ideia de transformar as matrizes em vetores e calcular o
KDE, use três métricas selecionadas para correlacionar os resultados dos PSOs
e ABCs. A Tabela 1 apresenta os resultados das comparações usando o teste
de Kolmogorov-Smirnov e as correlações de Spearman e Kendalls Tau. Vale
ressaltar que todos os resultados apresentados na tabela possuem p-valor <
No primeiro método, achatamos as matrizes transformando-as em um vetor
0,05. Além disso, o teste de Kolmogorov-Smirnov tem comportamento oposto
e então comparamos a distribuição dos dados e medimos a correlação entre a
às métricas de correlação, e valores próximos a zero indicam semelhanças
distribuição de diferentes algoritmos. A operação de achatamento é empregada
entre os dados comparados.
para reduzir a dimensionalidade do problema. Ela é realizada gerando um vetor
Observando os resultados da Tabela 1, podemos concluir que todas as três
unidimensional resultante da concatenação seqüencial das linhas da matriz.
métricas concordam que o PSO e o ABC combinam melhor com suas
Assim, para uma dada matriz com linhas e colunas, o vetor resultante é
respectivas versões meméticas. Além disso, o MeABC compartilha mais
descrito por ] = [ ][ ] para em [1, 2, … , ÿ 1, ] e em [1, 2, …, ], onde = ( × ) + . Os
semelhanças com os PSOs do que o ABC. Entretanto, o teste de Kolmogorov-
[ painéis A e B da Fig. 8 representam, respectivamente, a média eÿo1,desvio
Smirnov foi a única métrica capaz de mostrar que o PSO-PS é consideravelmente
padrão da comparação entre o PSO e o PSO-PS usando o Z-Score. A ideia é
mais parecido com o PSO do que o MeABC com o ABC.
mostrar como um mapa de calor as janelas de tempo que apresentam as
Uma terceira maneira de comparar a assinatura de convergência PD dos
diferenças mais significativas (valores distantes de zero) do PSO e do PSO-PS.
algoritmos é mostrada na Fig. 9. Essa abordagem usa o mapa de calor como a
Como podemos ver no painel A e B da Fig. 8 , a principal diferença entre o PSO
matriz de adjacência de uma rede com nós iguais a janelas de tempo e conexões
e o PSO-PS ocorre dentro da janela de tempo 22 e 42. Essas diferenças podem
representando sua similaridade. Para evitar a produção de uma rede totalmente
ser explicadas pelos resultados ilustrados na Fig. 5 A, B e C, onde vemos que
conectada e auto-loops, removemos todas as arestas com valor de PD maior
as diferenças no padrão de PSO e PSO-PS tornam-se mais evidentes na janela
que 0,5 e igual a 0 (diagonal principal). Além disso, como queríamos que a
de tempo 20. Além disso, analisando a estimativa de densidade do kernel (KDE)
conexão mais forte representasse alta similaridade de PD, definimos o peso da
do
conexão como o inverso do valor de PD

10
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
Fig. 10. Características do enxame, da rede de interação e da métrica de diversidade de interação do PSO nas funções de benchmark. Observe que, para melhor
visualização, normalizamos cada curva nos níveis de enxame e rede por seus respectivos valores mais altos.
(1ÿ ). A Fig. 9 A, B, D e E ilustra exemplos de matrizes de adjacência usadas.
Em seguida, como estamos lidando com redes, podemos usar a métrica PD para
avaliar suas semelhanças estruturais. Observando as Fig. 9 C e F, podemos ver
novamente que os resultados suportam nossa análise anterior: o PSO e o ABC são
mais semelhantes às suas respectivas versões meméticas. Além disso, o MeABC é
mais semelhante aos PSOs do que ao ABC, e o grau de similaridade entre o PSO e
o PSO-PS (0,261 ± 0,040) é maior que o ABC e o MeABC (0,283 ± 0,033).
3.2. Avaliação da exploração-exploração
Para estudar o comportamento do algoritmo, selecionamos um conjunto de
funções de otimização de benchmark com diferentes características (por exemplo,
unimodal vs multimodal, convexo vs não-convexo, separável vs não separável). As
funções selecionadas foram: Ackley, Rastrigin, Rosenbrock, Shaffer's F7, Schwefel
e Sphere. Estudos anteriores mostraram que a métrica ID pode avaliar
comportamentos de exploração/exploração em otimizadores de enxame de partículas.
O resultado esperado para algoritmos baseados em PSO é começar com valores
baixos e altos de ID (associados à exploração). Ele transita para uma fase de
exploração (redução dos valores de ID) e, após a convergência do algoritmo, o ID
começa a subir novamente. Este último aumento é causado pela proximidade
espacial das partículas que aumentam a probabilidade de alternar a melhor partícula
global de uma iteração para outra.
Para cada função benchmark, adotamos o número de dimensões igual a 50 e
executamos 30 simulações independentes dos algoritmos usando o critério de
parada de 500 iterações. Todos os algoritmos usaram uma população de 30
indivíduos, e o número de dimensões do problema foi definido como 100. Os
parâmetros usados são descritos nas seções de descrição dos algoritmos (Seção
2.3.1 e Seção 2.3.2).
A Fig. 10 mostra o comportamento no nível do enxame (A a F) e no nível da rede
de interação (G a L). Queríamos mostrar esses dois tipos de gráficos para mostrar
que as redes podem capturar o comportamento do enxame;
11
Swarm e Computação Evolutiva 70 (2022) 101040
por exemplo, o valor médio do nó é equivalente ao custo médio do enxame. Além
disso, eles podem nos ajudar a entender melhor a métrica de ID.
As redes de interação na Fig. 10 também podem fornecer informações sobre o
comportamento de exploração no enxame. Na fase de exploração, o enxame tenta
melhorar a(s) melhor(es) solução(ões) encontrada(s). Do ponto de vista do fluxo de
informação, a população estará utilizando o(s) melhor(es) elemento(s) de informação
para realizar sua busca. Nas redes de interação, notamos esse comportamento nos
valores do grau dos nós. Como as interações acontecem em torno dos melhores nós
da exploração, o grau médio da rede diminui nesta fase.
Em contraste, um aumento no grau médio do nó é uma indicação do comportamento
de exploração.
Como podemos ver na Fig. 10 (G a L), na maioria das funções, o PSO começa
com uma fase de exploração, realiza a exploração e depois retorna a um
comportamento de exploração. As mudanças no modo de busca por enxames do
PSO estão relacionadas com a frequência de mudanças nas partículas que possuem
as melhores informações. Essas mudanças podem acontecer no estágio inicial de
otimização quando as soluções das partículas podem ser facilmente melhoradas
levando a uma alta probabilidade de mudar o melhor global. Além disso, uma
situação semelhante ocorre quando o enxame começa a convergir. Nesse caso, as
alternâncias na melhor partícula ocorrem devido à proximidade da solução no espaço
de busca.
Pode-se também observar na Fig. 10 (G a L) que funções altamente multimodais
(eg Rastrigin e Schwefel) com vários mínimos locais tendem a ter uma fase inicial de
exploração mais curta. Esta exploração inicial mais breve pode ser porque altamente
multimodal pode ser muito mais desafiador do que os outros. Assim, melhorar o
conjunto de soluções aleatórias iniciais torna-se mais difícil. À medida que a
otimização progride e o enxame começa a convergir, a influência da inicialização
aleatória diminui e as partículas começam a alternar o papel do líder com mais
frequência.
Trabalhos anteriores [24,26,29] mostraram que a métrica de diversidade de
interação pode ser aplicada para analisar o equilíbrio entre exploração
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
Fig. 11. Características do enxame, da rede de interação e da métrica de diversidade de interação do PSO-PS nas funções de benchmark. Observe que, nos diagramas
de rede, os valores das curvas representam o grau médio do nó, o peso médio da aresta e o valor médio do nó. Além disso, para melhor visualização, normalizamos
cada curva nos gráficos de enxame e rede por seus respectivos valores mais altos.
e exploração em algoritmos baseados em enxames; assim, empregamos essa
métrica e a versão modificada proposta para avaliar as redes dos algoritmos
estudados. A Fig. 10 (M - R) mostra como as métricas de diversidade de interação
se comportam ao longo do processo de otimização.
Os resultados da métrica ID para o PSO (Fig. 10 M - R) suportam a análise
baseada no valor do grau médio do nó. Além das funções de Rastrigin e Schwefel, o
PSO apresentou alta diversidade de interação (relacionada ao comportamento de
exploração [24,26]) nas primeiras janelas de tempo. Em seguida, muda
progressivamente para a exploração (baixa diversidade de iteração) e retorna à
exploração no final.
Em relação ao PSO-PS, como o Pattern Search não altera o padrão de interação
do PSO, mas ajuda a aumentar as capacidades de busca local e acelerar a
convergência, como esperado, não vemos mudanças significativas nas curvas (Fig .
11 ). A diferença mais perceptível entre o PSO e o PSO-PS aconteceu na função
Rastrigin, janela de tempo 15 , a interação onde podemos ver que em torno da
começa a diminuir. Após a janela de diversidade atinge um pico e depois
22
tempo, aumenta novamente. Como esse comportamento não foi observado no PSO,
a adoção da busca de padrão pode ter aumentado a probabilidade de sair de um
mínimo local. Quando uma nova solução melhor é encontrada, o enxame a explora
(diminua o ID). Quando as partículas começam a convergir, novas soluções melhores
são encontradas por diferentes partículas, o que aumenta a diversidade de interação.
Além disso, também podemos observar na Fig. 11 B que, no enxame 15, a
torno do vinco. distância média para a melhor solução começa em nível, em
Este aumento suporta o argumento de que uma nova melhor solução foi 22,
encontrada (provavelmente fora do mínimo local). Além disso, ao redor
podemos ver que a distância média ao melhor começa a diminuir novamente,
indicando a convergência do enxame.
Diferentemente do PSO, a análise do grau médio do nó na rede de interação do
ABC não apresenta uma relação clara com as fases de exploração/exploração do
algoritmo. Como podemos ver na Fig. 12, as curvas do ABC no enxame, rede e nível
de diversidade de interação são diferentes do PSO e PSO
12
Swarm e Computação Evolutiva 70 (2022) 101040
PS. Note que os operadores gananciosos do ABC são um dos motivos da diminuição
do grau médio dos nós da rede. À medida que as soluções são refinadas, torna-se
mais desafiador melhorar sua qualidade, pois as arestas são criadas apenas quando
há melhorias. Assim, a rede experimenta uma diminuição no grau médio do nó.
Conforme explicado anteriormente, apenas a abelha observadora utiliza a
qualidade da solução como critério de seleção da interação. Em contraste, a abelha
empregada tem uma seleção aleatória, e a abelha exploradora não produz interações
entre as soluções do enxame. Devido a essa característica, a rede ABC tende a não
ter hubs como o PSO. No entanto, usando a diversidade de interação, ainda podemos
ter uma noção das fases de exploração e explotação do ABC.
A Fig. 12 (M a R) mostra os resultados obtidos para todas as funções de
benchmark. Como pode ser observado, a diversidade de interação para o ABC
apresentou valores superiores a 0,5 em todos os cenários simulados.
Esse resultado pode indicar um alto componente de exploração do algoritmo. Além
disso, enquanto a curva mostra uma tendência descendente (reduzindo a
exploração) para a função Rastrigin e Schwefel, para a Esfera, Ackley e Rosenbrock,
podemos ver uma tendência ascendente (aumentando a exploração).
Comparando os resultados da Fig. 12 com o MeABC Fig. 13 podemos ver várias
diferenças em todos os níveis. No nível do enxame, podemos ver que a convergência
foi mais rápida, e os efeitos da abelha batedora foram reduzidos (observe o
comportamento da linha vermelha). No nível da rede, podemos ver que para a
Esfera, Rastrigin, Shaffer e Schwefel, o grau médio do nó cai para um determinado
nível e continua flutuando em torno desse nível em vez de diminuir.
Além das diferenças no nível de enxame e rede, o nível de diversidade de
interação do MeABC também é diferente do ABC. Como podemos ver na Figura 13
M a R, embora o valor de ID seja superior a 0,5 como no ABC, para o MeABC, ele
não muda tanto quanto no ABC.
Essas diferenças podem resultar da introdução da melhor informação global nas
regras de atualização de posição do ABC e do uso da fase memética na melhor
solução do enxame.
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 12. Características do enxame, da rede de interação e da métrica de diversidade de interação do ABC nas funções de benchmark. Observe que, para melhor
visualização, normalizamos cada curva nos níveis de enxame e rede por seus respectivos valores mais altos.

Fig. 13. Características do enxame, da rede de interação e da métrica de diversidade de interação do MeABC nas funções de benchmark. Observe que, para melhor
visualização, normalizamos cada curva nos níveis de enxame e rede por seus respectivos valores mais altos.

3.3. Análise de convergência
Para analisar o comportamento de convergência dos algoritmos, selecionamos
as funções Sphere e Rastrigin para verificar as diferenças entre o comportamento
de convergência em problemas unimodais e multimodais.
Além disso, para garantir que os algoritmos convergissem, mantivemos os
parâmetros exatos dos experimentos anteriores, mas reduzimos o número de
dimensões do problema de 50 para 5.
Devido às características dos algoritmos selecionados, esperamos ver dois
comportamentos diferentes em uma função unimodal: Algoritmos baseados em
PSO devem convergir para uma solução e continuar lá até que os critérios de
parada sejam atendidos. Em contraste, algoritmos baseados em ABC devem
apresentar múltiplos ciclos de divergência de convergência devido à ação da
abelha escoteira.
A Fig. 14 mostra a comparação das redes dos algoritmos em diferentes
etapas do processo de otimização na função Sphere. O

13
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 14. Comparação entre as redes de interação dos algoritmos em diferentes janelas de tempo na função Esfera com cinco dimensões. O valor em cada ponto no mapa de calor é o
valor médio de 30 simulações independentes. Vale ressaltar que valores próximos a 0 (cor azul) indicam alto grau de similaridade entre a estrutura das redes comparadas.

Fig. 15. Convergência na função Sphere observada a partir do nível do enxame e da rede. Observe a semelhança entre os gráficos de ambos os níveis para todos os algoritmos.
Além disso, devido a essas semelhanças, o nível de rede pode ser usado para monitorar a convergência do enxame.

os resultados para os algoritmos baseados em PSO são bastante semelhantes
(Fig. 14 A e B), a diferença é que o PSO memético converge mais rapidamente,
produzindo assim o padrão distorcido na Fig. 14 E. Esses resultados apóiam
nossa hipótese sobre o comportamento de convergência de o PSO e o PSO-PSO.
Observe que a convergência mais rápida do PSO-PS em relação ao PSO torna-
se mais perceptível à medida que a complexidade do problema aumenta, como
nos experimentos anteriores com 50 dimensões.
Para o ABC e o MeABC, a Fig. 14 C e D apresenta uma indicação mais
precisa de convergência. O número de repetições do padrão na diagonal
principal corresponde ao número de vezes que o enxame convergiu. Novamente,
as recorrências ocorrem devido à ação da abelha escoteira, que gera novas
soluções toda vez que uma fonte de alimento não pode ser melhorada após um
número consecutivo de tentativas. Conforme afirmado em trabalhos anteriores,
tal mecanismo para redefinir parte da população em caso de convergência é
benéfico para MAs. Também reduz a probabilidade da população convergir para
uma solução sub-ótima [19].
Além disso, a Fig. 14 H ilustra que em uma execução, o MeABC tem três
ciclos de convergência enquanto o MeABC tem dois. Comparando os algoritmos
baseados em ABC com os baseados em PSO, na Fig. 14 F e G, é perceptível
que os ciclos de convergência do ABC e MeABC também são aparentes. A linha
amarela da linha horizontal nos gráficos representa quando o ABC/MeABC
começa a transição da convergência.
Para testar essas afirmações, a Fig. 15 descreve o mesmo cenário (ou seja,
função Sphere com cinco dimensões) da Fig. 14 , mas sob a perspectiva dos
níveis de enxame e rede. Além disso, os resultados da Fig. 15 A, B, E e F
indicam que a análise feita com base nos mapas de calor PD coincide com as
parcelas para o PSO e PSO-PS. Da mesma forma, quando analisamos os
gráficos para ABC e MeABC (Fig. 15 C, D, G e H), podemos ver que os ciclos
de convergência são refletidos como os picos nas curvas.
Com relação aos resultados de uma função multimodal, a Fig. 16 mostra os
mapas de calor PD para as redes geradas na função Rastrigin de cinco
dimensões. Podemos notar na Fig. 16 A e B que ao redor 40 e 35

para o PSO e PSO-PS, respectivamente, o padrão começa a mudar. Esse

14
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

Fig. 16. Comparação entre as redes de interação dos algoritmos em diferentes janelas de tempo na função Rastrigin com cinco dimensões. O valor em cada ponto no mapa de calor é o
valor médio de 30 simulações independentes. Vale ressaltar que valores próximos a 0 (cor azul) indicam alto grau de similaridade entre a estrutura das redes comparadas.

Fig. 17. Convergência na função Rastrigin observada a partir do enxame e nível de rede. Observe a semelhança entre os gráficos de ambos os níveis para todos os algoritmos.
Além disso, devido a essas semelhanças, o nível de rede pode ser usado para monitorar a convergência do enxame.

a mudança pode ser devido à descoberta de uma solução melhor no enxame.
A comparação entre o PSO e o PSO-PS mostra resultado semelhante; no
entanto, a convergência mais rápida do PSO-PS pode ter causado uma
mudança no padrão da Fig. 16 E.
Observando os resultados da função Rastrigin para o ABC e MeABC na
Fig. 16 C, D, G e H, podemos ver uma situação semelhante à função unimodal
onde o ABC apresentou dois ciclos de convergência enquanto o MeABC teve
três. No entanto, pode-se notar que o padrão de convergência nos ciclos da
função multimodal é diferente do da função unimodal.
A análise do PSO e do PSO-PS no nível da rede nos ajuda a entender os
padrões descritos na Fig. 16 A e B. Quando o padrão dos mapas de calor PD
começa a mudar, vemos uma diminuição no grau médio do nó na rede . Como
não há mudanças substanciais nas outras curvas, isso é uma indicação de
que o enxame encontrou uma solução melhor na vizinhança e passou a
explorá-la. Para o ABC e MeABC, a Fig. 17 C, D, H e H confirma a
convergência mais rápida do MeABC sobre o ABC, e a altura decrescente
dos picos pode ser
uma indicação de que o tempo de convergência pode estar diminuindo de um
ciclo para outro.
4. Conclusões
As capacidades de busca local dos algoritmos meméticos são uma das
razões por trás de seu desempenho em vários problemas de otimização.
Embora possamos encontrar na literatura exemplos de trabalhos que estudam
o impacto da busca local em otimizadores genéticos e de colônias de formigas,
ainda há espaço para contribuições que ajudem a entender a extensão do
efeito que os mecanismos de busca local têm nas MAs em geral.
Este artigo empregou uma versão modificada das redes de interação para
capturar os padrões de interação em algoritmos de otimização baseados em
população. Mostramos que essas redes codificam características dos
algoritmos. Em conjunto com as métricas de divergência de retrato e
diversidade de interação, elas podem ser usadas para estudar as capacidades
de convergência, exploração e exploração.

15
Machine Translated by Google
C. Santana, M. Oliveira, C. Bastos-Filho et al.
A comparação entre o PSO e o PSO-PS indicou que a inclusão da busca
local como uma etapa extra do processo de otimização aumenta a velocidade
de convergência, mas não altera as características do PSO. No entanto,
esta etapa adicional de busca local pode comprometer o equilíbrio exploração-
exploração e levar a uma convergência prematura quando não realizada
corretamente.
Para o ABC memético, como as modificações foram mais substanciais,
notamos uma mudança significativa no MeABC em relação ao ABC. A
variante memética não só foi capaz de convergir mais rapidamente, mas
também encontrar soluções melhores. Além disso, conforme sugerido em
trabalhos anteriores, a presença de mecanismos que reiniciam a população
parcial em caso de estagnação/convergência – o scout bee do ABC/MeABC
– pode reduzir o risco de convergência prematura para regiões sub-ótimas.
Em resumo, a simples inclusão de um procedimento de busca local
independente em algoritmos baseados em enxames pode acelerar a
convergência da população. No entanto, isso não altera as características do
algoritmo e pode levar a uma convergência prematura. Também foram
observados melhores resultados quando as modificações propostas na
versão memética vão além da inclusão da busca local. Neste caso, a inclusão
do procedimento de busca local é seguida de outra modificação e considera
as características e operadores dos algoritmos. Essas mudanças se refletem
no comportamento dos algoritmos e, conseqüentemente, em suas redes de
interação.
Embora tenhamos adotado o PSO e o ABC como exemplos em nossa
análise neste artigo, as redes de interação podem modelar diferentes tipos
de algoritmos baseados em enxames além do PSO e do ABC [30,31,40]. Na
verdade, pode ser estendido a outros tipos de algoritmos baseados em
população, como algoritmos evolutivos (EAs). Argumentamos que para EAs,
a representação de rede desses algoritmos seria semelhante às redes
filogenéticas (ou seja, estruturas semelhantes a árvores que representam
relacionamentos evolutivos entre indivíduos) [41]. A principal diferença entre
as redes baseadas em enxame e as baseadas em evolução é que os nós
nas redes anteriores permanecem os mesmos durante todo o processo de
otimização. Em contraste, os últimos nós mudam devido à geração de novos
indivíduos usando operadores evolutivos. Em termos gerais, as redes para o
EA podem ser vistas como uma rede dinâmica cuja topologia muda ao longo do
Dado que as métricas utilizadas não dependem dos rótulos das redes, elas
também poderiam ser aplicadas para estudar as redes de interação de EA.
Além das investigações sobre algoritmos evolutivos, pretendemos estender
este estudo avaliando o impacto de diferentes métodos de busca local em
um mesmo algoritmo.
Declaração de Interesse Concorrente
Os autores declaram que não têm interesses financeiros concorrentes
conhecidos ou relacionamentos pessoais que possam parecer influenciar o
trabalho relatado neste artigo.
Declaração de contribuição de autoria do CRediT
Clodomir Santana: Conceituação, Metodologia, Software, Validação,
Investigação, Visualização, Redação – rascunho original. Marcos Oliveira:
Conceituação, Metodologia, Redação – revisão e edição. Carmelo Bastos-
Filho: Conceituação, Metodologia, Redação – revisão e edição. Ronaldo
Menezes: Supervisão, Conceituação, Metodologia, Redação – revisão e
edição.
Reconhecimentos
Este trabalho é parcialmente financiado por uma bolsa de estudos
fornecida pela Faculdade de Engenharia, Matemática e Ciências Físicas
(CEMPS) da Universidade de Exeter. Os autores gostariam de agradecer a
James Bagrow por nos fornecer sua implementação para a divergência de retratos.
16
Swarm e Computação Evolutiva 70 (2022) 101040
Referências
[1] P. Moscato, et al., Sobre evolução, busca, otimização, algoritmos genéticos e artes marciais : em
direção a algoritmos meméticos, programa de computação simultânea Caltech, Relatório C3P 826
(1989) 1989.
[2] P. Moscato, MG Norman, Uma abordagem memética para a implementação do problema do
caixeiro viajante de uma ecologia computacional para otimização combinatória em sistemas de
transmissão de mensagens, Parallel computing and transputer applications 1 (1992) 177–186.
[3] R. Dawkins, O gene egoísta, Oxford University Press, 2016.
[4] N. Krasnogor, J. Smith, Um tutorial para algoritmos meméticos competentes: modelo, taxonomia e
problemas de design, IEEE Trans. Evolução Comput. 9 (5) (2005) 474-488.
[5] Y. Bao, Z. Hu, T. Xiong, A pso e algoritmo memético baseado em busca de padrão para SVMS
otimização de parâmetros, Neurocomputing 117 (2013) 98–106.
[6] H. Wang, D. Wang, S. Yang, Um algoritmo memético com estratégia de escalada adaptativa para
problemas de otimização dinâmica, Soft comput 13 (8–9) (2009) 763–780.
[7] C.-H. Mu, J. Xie, Y. Liu, F. Chen, Y. Liu, L.-C. Jiao, algoritmo Memetic com estratégia de recozimento
simulado e otimização gananciosa de rigidez para detecção de comunidade em redes, Appl Soft
Comput 34 (2015) 485–501.
[8] A. El Fallahi, C. Prins, RW Calvo, Um algoritmo memético e uma busca tabu para o problema de
roteamento de veículos com vários compartimentos, Computers & Operations Research 35 (5)
(2008) 1725–1741.
[9] F. Kang, J. Li, H. Li, Algoritmo de colônia artificial de abelhas e busca de padrão hibridizado para
otimização global, Appl Soft Comput 13 (4) (2013) 1781–1791.
[10] PTH Nguyen, D. Sudholt, Algoritmos meméticos superam algoritmos evolutivos
em otimização multimodal, Artif Intell (2020) 103345.
[11] F. Neri, C. Cotta, Algoritmos meméticos e otimização de computação memética: uma revisão da
literatura, Swarm Evol Comput 2 (2012) 1–14.
[12] S. Areibi, Z. Yang, algoritmos meméticos eficazes para design vlsi = algoritmos genéticos + pesquisa
local + agrupamento multinível, Evol Comput 12 (3) (2004) 327–353.
[13] G. Fraser, A. Arcuri, P. McMinn, Um algoritmo memético para toda a geração de conjuntos de testes,
Jornal de Sistemas e Software 103 (2015) 311–327.
[14] Y. Mei, K. Tang, X. Yao, Algoritmo memético baseado em decomposição para problema de
roteamento de arco capacitado multiobjetivo, IEEE Trans. Evolução Comput. 15 (2) (2011) 151–165.
[15] M. Gong, B. Fu, L. Jiao, H. Du, Algoritmo memético para detecção de comunidade na rede
obras, Physical Review E 84 (5) (2011) 056101.
[ 16 ] Algoritmos meméticos para a oficina
problema de agendamento com operadores, Appl Soft Comput 34 (2015) 94–105.
[17] Y.-S. Ong, M.-H. Lim, N. Zhu, K.-W. Wong, Classificação de algoritmos meméticos adaptativos: um
estudo comparativo, Transações IEEE em Sistemas, Homem e Cibernética, Parte B (Cibernética)
36 (1) (2006) 141–152.
[18] P. Moscato, C. Cotta, A Gentle Introduction to Memetic Algorithms, in: Handbook
de metaheurísticas, Springer, 2003, pp. 105–144.
[19] P. Moscato, C. Cotta, An Accelerated Introduction to Memetic Algorithms, in: Hand book of
Metaheuristics, Springer, 2019, pp.
[20] F. Neri, C. Cotta, A Primer on Memetic Algorithms, em: Handbook of Memetic Algorithms, Springer,
tempo. 2012, pp. 43–52.
[21] U. Aickelin, EK Burke, J. Li, Uma estimativa do algoritmo de distribuição com pesquisa local
inteligente para lista de enfermeiras baseada em regras, Journal of the Operational Research
Society 58 (12) (2007) 1574–1585.
[22] J. Levine, F. Ducatelle, Otimização de colônias de formigas e busca local para problemas de
empacotamento e corte de estoque, Journal of the Operational Research Society 55 (7) (2004)
705–716.
[23] MA Oliveira-Júnior, CJ Bastos-Filho, R. Menezes, Assessing Particle Swarm Otimizers Using
Network Science Metrics, in: Complex Networks IV, Springer, 2013, pp. 173–184.
[24] M. Oliveira, D. Pinheiro, M. Macedo, C. Bastos-Filho, R. Menezes, Melhor exploração– ritmo de
exploração, melhor enxame: Examinando as interações sociais, em: 2017 IEEE Latin American
Conference on Computational Intelligence ( LA-CCI), IEEE, 2017, pp. 1–6.
[25] JP Bagrow, EM Bollt, Uma abordagem teórica de todas as escalas para comparar redes, Applied
Network Science 4 (1) (2019) 45.
[26] M. Oliveira, D. Pinheiro, B. Andrade, C. Bastos-Filho, R. Menezes, Diversidade de comunicação em
otimizadores de enxames de partículas, in: International Conference on Swarm Intel ligence,
Springer, 2016, pp . .
[27] F. Rezaei, HR Safavi, Guaspso: uma nova abordagem para manter um melhor equilíbrio entre
exploração e exploração no algoritmo pso, Soft comput 24 (7) (2020) 4855–4875.
[28] JC Bansal, H. Sharma, K. Arya, K. Deep, M. Pant, Colônia de abelhas artificiais autoadaptáveis,
Otimização 63 (10) (2014) 1513–1532.
[29] M. Oliveira, D. Pinheiro, M. Macedo, C. Bastos-Filho, R. Menezes, Descobrindo a rede de interação
social em algoritmos de inteligência de enxame, Aceito para publicação na Applied Network
Science (2020).
[30] C. Santana, E. Keedwell, R. Menezes, Uma abordagem para avaliar algoritmos de inteligência de
enxame baseados em redes complexas, em: Proceedings of the 2020 Genetic and Evolutionary
Computation Conference, 2020, pp. 31–39.
[31] N. Gurrapadi, L. Taw, M. Macedo, M. Oliveira, D. Pinheiro, C. Bastos-Filho, R. Menezes, Modelando
as interações sociais na otimização de colônias de formigas, em: Conferência Internacional sobre
Dados Inteligentes Engenharia e aprendizado automatizado, Springer, 2019, pp. 216–224.
[32] M. Mavrovouniotis, C. Li, S. Yang, Uma pesquisa de inteligência de enxame para otimização
dinâmica: algoritmos e aplicativos, Swarm Evol Comput 33 (2017) 1–17.
[33] M. Oliveira, CJ Bastos-Filho, R. Menezes, Rumo a uma abordagem baseada em rede para analisar
otimizadores de enxames de partículas, em: 2014 IEEE Symposium on Swarm Intelligence, IEEE,
2014, pp. 1–8.
Machine Translated by Google

C. Santana, M. Oliveira, C. Bastos-Filho et al. Swarm e Computação Evolutiva 70 (2022) 101040

[34] L. Taw, N. Gurrapadi, M. Macedo, M. Oliveira, D. Pinheiro, C. Bastos-Filho, R.
Menezes, Caracterizando as interações sociais no algoritmo da colônia artificial de abelhas,
arXiv preprint arXiv:1904.04203(2019).
[35] M. Tantardini, F. Ieva, L. Tajoli, C. Piccardi, Comparando métodos para comparar
redes, Sci Rep 9 (1) (2019) 1–19.
[36] V. Torczon, Sobre a convergência de algoritmos de busca de padrão, SIAM J. Optim. 7 (1)
(1997) 1-25.
[37] JC Bansal, H. Sharma, K. Arya, A. Nagar, Memetic search in artificial Bee Colony Algoritmo,
Soft Comput 17 (10) (2013) 1911–1928.
[38] C. Tsai, J. Kolibal, M. Li, O algoritmo de busca da seção áurea para encontrar um bom
parâmetro de forma para métodos de colocação sem malha, Eng Anal Bound Elem 34 (8)
(2010) 738–746.
[39] F.-M. De Rainville, F.-A. Fortin, M.-A. Gardner, M. Parizeau, C. Gagné, Deap: Uma estrutura
python para algoritmos evolutivos, em: Anais da 14ª conferência anual sobre computação
genética e evolutiva, 2012, pp. 85–92.
[40] M. Macedo, L. Taw, N. Gurrapadi, RC Lira, D. Pinheiro, M. Oliveira, C. Bastos– Filho, R.
Menezes, Pescando por interações: uma abordagem científica de rede para modelagem
de cardumes de peixes, em: Proceedings of the Genetic and Evolutionary Computation
Conference, 2021, pp. 40–48.
[41] DH Huson, R. Rupp, C. Scornavacca, redes filogenéticas: conceitos, algoritmos e aplicações,
Cambridge University Press, 2010.

17