Otimização de problemas multimodais usando meta-heurísticas evolutivas

Pós-graduação em Engenharia Elétrica - FEIS

Neste trabalho é proposta a resolução de problemas multimodais usando duas diferentes meta-heurísticas: Algoritmo Genético de Chu-Beasley modificado e o Algoritmo Genético de Chaves Aleatórias Viciadas (BRKGA), com foco principal nos resultados obtidos por esta última. É feita especificamente a implementação das meta-heurísticas e comparação dos resultados obtidos por estas diferentes técnicas. Uma característica muito importante do BRKGA é a estruturação que permite separar o algoritmo em duas parcelas claramente diferenciadas, uma parcela que depende exclusivamente das características do BRKGA e, portanto, independente do problema que se pretende resolver e outra parcela que depende exclusivamente das características especificas do problema que pretendemos resolver. Essa característica geral do BRKGA permite que ele seja facilmente aplicado a uma grande variedade de problemas, já que a primeira parcela pode ser integralmente aproveitada na resolução de um novo problema. Por outro lado, o Algoritmo Genético de Chu-Beasley (AGCB) é caracterizado pela substituição de um único indivíduo no ciclo geracional e pelo controle máximo de diversidade, mas isto não é suficiente para resolução de problemas complexos e multimodais, sendo assim, é apresentado o AGCB modificado, onde o critério de diversidade é estendido, a população inicial e o descendente gerado no ciclo geracional passa por uma melhoria local. Essas características tornam-o competitivo justificando a comparação com o BRKGA

In this work it is proposed the resolution of multimodal problems using two different meta- heuristics: Chu-Beasley’s Genetic Algorithm and Biased Random Key Genetic Algorithm (BRKGA), focusing mainly on the results obtained by the latter. Specifically the imple- mentation and comparison of results obtained by these different techniques is made. There are several metaheuristics, each with its own specific characteristics which have advan- tages and disadvantages for the resolution of certain problems and in several ways in the implementation and results. A very important feature of the BRKGA is the structure that allows to separate the algorithm into two clearly different parts, one part that depends exclusively on the characteristics of BRKGA and therefore independent of the problem to be solved and another part that depends exclusively on the specific characteristics of the problem we intend to solve. This general feature of the BRKGA allows it to be readily applied to a variety of problems, because the first component part can be fully utilized to solve a new problem. On the other hand, Chu-Beasley’s Genetic Algorithm (AGCB) is characterized by the replacement of a single individual in the generation cycle and by maximum control of diversity, but this is not enough to solve complex and multimodal problems, therefore it is presented the modified AGCB, where the diversity criterion is extended, the initial population and the descendant generated in the generational cycle passes through a local improvement. These features make it competitive, justifying the comparison with BRKGA