Você está na página 1de 19
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA COMPUTAÇÃO EVOLUTIVA TRABALHO
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA COMPUTAÇÃO EVOLUTIVA TRABALHO

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

COMPUTAÇÃO EVOLUTIVA

TRABALHO FINAL

Prof.º Dr.º Limão

Belém -

Dezembro/2016

Alunos:

Isa Andrade Jonatã Paulino Rosana Santos

Algoritmo Genético Multiobjetivo - MOGA

Algoritmo Genético Multiobjetivo - MOGA

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Agenda

1. Introdução

  • 2. MOGA

  • 3. Metodologia

  • 4. Resultados

  • 5. Considerações Finais

  • 6. Referências

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Introdução - Otimização Multiobjetivo

Trabalha com mais de uma função objetivo;

São

problemas

de

otimização

caracterizados

pela

existência de mais de um critério a ser otimizado;

Esses critérios são, na maioria das vezes, conflitantes entre si;

Muitos

problemas

do

mundo

real

várias funções objetivo.

envolve

otimizar

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Exemplo – Objetivo Conflitante

Construção de um automóvel -> Determinar espessura e material das placas para que se tenha:

Economia de Combustíve (leve)

Menor custo de Produção

Máxima resistência a Colisões

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Exemplo – Objetivo Conflitante • Construção de um

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Exemplo – Objetivo Conflitante

Cidadão procura um emprego e considera os seguintes atributos:

Salário Inicial

Localização do Trabalho Oportunidade associado ao trabalho

Uma Empresa tem que:

Maximizar lucro Minimizar a taxa de poluição

Outra Empresa tem que:

Minimizar taxa de acidente Minimizar os custos

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Otimização Mono-Objetivo

Ótimo

correspondentes as

soluções

extremas

(mínimas ou máximas) da função objetivo do problema em questão.

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Otimização Mono-Objetivo Ótimo correspondentes as soluções extremas (mínimas

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Otimização Multiobjetivos

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Otimização Multiobjetivos

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Exemplo – Objetivo Conflitante

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Exemplo – Objetivo Conflitante Dois Objetivos para ser

Dois Objetivos para

ser

resolvidos

de

forma simultânea.

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Princípios de Otimização Multiobjetivo

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Conjunto Pareto-ótimo

Uma dada solução x é dita

pertencer ao

conjunto

(fronteira) de Pareto

se

não existir nenhuma outra

solução

x

factível, capaz de

melhorar um dos objetivos do

problema (em relação a x)

sem

simultaneamente

piorar pelo menos um dos

Todas

as

soluções

Pertencentes ao conjunto (fronteira) de Pareto são

ditas não-dominadas;

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Conjunto Pareto-ótimo

Todas

as soluções não-

dominadas

de busca

S

do

espaço

formam o

conjunto Pareto-ótimo.

Conjunto 1 e 2

Dominado:

Conjunto

Não-

Dominado: 5, 3 e 4

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Conjunto Pareto-ótimo  Todas as soluções não- dominadas
PPGEE - Programa de Pós-graduação em Engenharia Elétrica Conjunto Pareto-ótimo  Todas as soluções não- dominadas

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Fronteira de Pareto

Dado um conjunto Pareto-ótimo P, a fronteira de Pareto é definida como:

FP={F(x)=( f 1 (x), f 2 (x),

,

A, D, B e E pertencem a fronteira de Pareto.

f m (x)) | x ∈ P}

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Fronteira de Pareto  Dado um conjunto Pareto-ótimo

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

MOGA – Algoritmo Genético Multiobjetivo

MOGA se baseia se no conceito de dominância. Ele se diferencia dos AGs clássicos pela forma com que atribui o valor de aptidão as soluções de uma população.

PPGEE - Programa de Pós-graduação em Engenharia Elétrica MOGA – Algoritmo Genético Multiobjetivo MOGA se baseia

1º PASSO:

Ranking: ri= 1 +n i

As poluções não dominadas possuem ranking 1.

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

MOGA – Algoritmo Genético Multiobjetivo

2º PASSO: associa-se um contador para u(ri) para cada valor ri.

Passo:

Por

último, e

atribuído um valor final de

aptidão

partilhada através

do calculo

da

soluções

que

mesma

media

das

partilham

a

classificação,

consideram-se

as

soluções

que partilham a mesma

aptidão

e

calcula-se

um

valor de aptidão partilhada.

Nicho:

Distribui

PPGEE - Programa de Pós-graduação em Engenharia Elétrica MOGA – Algoritmo Genético Multiobjetivo 2º PASSO: associa-se

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

METODOLOGIA

Software: Matlab Algoritmo: MOGA Minimizar: Taxa de Cruzamento: 0.8 Taxa de Mutação: 0.01 Simulação: 10 População:
Software: Matlab
Algoritmo: MOGA
Minimizar:
Taxa de Cruzamento: 0.8
Taxa de Mutação: 0.01
Simulação: 10
População: 30 e 90
Genótipo: 5 genes para cada variável
Critério de parada: 100 Gerações

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Código da Função Pareto

PPGEE - Programa de Pós-graduação em Engenharia Elétrica Código da Função Pareto
PPGEE - Programa de Pós-graduação em Engenharia Elétrica Código da Função Pareto

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Resultados

X1 X2 F1 F2
X1
X2
F1
F2
PPGEE - Programa de Pós-graduação em Engenharia Elétrica Resultados X1 X2 F1 F2 X1 X2 F1
X1 X2 F1 F2
X1
X2
F1
F2
PPGEE - Programa de Pós-graduação em Engenharia Elétrica Resultados X1 X2 F1 F2 X1 X2 F1

PPGEE - Programa de Pós-graduação em Engenharia Elétrica

Considerações Finais

Neste trabalho apresentou-se um estudo sobre Algoritmo Genético Multiobjetivo. No qual foi implementado um MOGA clássico, sem aptidão partilhada para obtenção da fronteira Pareto-Ótima. Foram usados dois tamanhos de população, onde a população com maior tamanho obteve mais quantidade de solução de Pareto-Ótimo, mas isso não implica que seus valores são melhores que o de menor tamanho de população. A falta de um método de nicho fez com que gerasse conjunto de soluções com distribuição não uniforme. Futuros trabalhos introduzirão diferentes Algoritmos Evolutivos de Multiobjetivo para efeito de comparação, aplicados à problemas do mundo real.