Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Montes Claros MG
2015
Montes Claros MG
2015
RESUMO
Problemas de otimizao so facilmente encontrados nas mais diversas reas do conhecimento,
com diferentes especificidades e nveis de complexidade. Devido a isso, a definio do melhor
mtodo para resoluo de tais problemas pode ser bastante difcil, pois o desempenho de cada
um ir depender, principalmente, da natureza do problema. Alm disso, a popularizao de
computadores com mltiplos ncleos ou processadores tem incentivado o desenvolvimento de
algoritmos paralelizveis, como os Sistemas Multiagente. Este trabalho prope um Sistema
Multiagente Evolutivo baseado em ilhas, utilizando Algoritmos Genticos e Evoluo
Diferencial, para a soluo de problemas no lineares. Experimentos realizados mostraram que
o mtodo proposto apresentou bons resultados quando comparado a outros algoritmos
disponveis na literatura, especialmente em problemas com maior complexidade ou maior
dimenso.
Palavras-chave: Sistemas MultiAgente Evolutivos, Algoritmos Genticos, Evoluo
Diferencial, Computao Natural, Otimizao.
ABSTRACT
Optimization problems can be easily found in several areas of knowledge, with different levels
of complexity and specificities. For this reason, it can be difficult to choose a resolution
methods to these problems, since its performance will depend mainly on the nature of the
problem. Furthermore, the increasing use of multi-core computers leads to the development of
new parallel algorithms, like multiagent systems. This paper aims to develop an Evolutionary
MultiAgent System based on an island model, using Genetic Algorithms and Differential
Evolution to solve nonlinear problems. Experiments showed that the proposed method showed
good results when compared to other algorithms available in the literature, especially in
problems with more complex or larger.
Keywords: MultiAgent Systems. Evolutionary MultiAgent Systems. Differential Evolution
Genetic Algorithms. Evolutionary Computation. Natural Computing. Optimization.
LISTA DE FIGURAS
Figura 1: Pseudocdigo de um AG. ......................................................................................... 12
Figura 2: Fluxograma que sintetiza um AG. ............................................................................ 13
Figura 3: Fluxograma que sintetiza um ED. ............................................................................. 15
Figura 4: Pseudocdigo de um ED. .......................................................................................... 16
Figura 5: Representao grfica da mutao do algoritmo de ED. .......................................... 17
Figura 6: Componentes de um Sistema de Agente. .................................................................. 21
Figura 7: Utilizao de AE pelos agentes individualmente e pela populao de agentes. ....... 22
Figura 8: Representao grfica da funo de Rastrigin bidimensional. ................................. 32
Figura 9: Acompanhamento do progresso do AG. ................................................................... 33
Figura 10: Acompanhamento do progresso do ED. ................................................................. 33
SUMRIO
1
INTRODUO .................................................................................................................. 6
2.2
2.2.1
2.2.2
VARIANTES ....................................................................................................... 18
2.3
2.3.1
3.2
3.3
4.2
CONCLUSES ................................................................................................................ 37
INTRODUO
A otimizao pode ser definida como a tentativa de se produzir o melhor resultado (resposta)
possvel para uma determinada situao, segundo um critrio de avaliao previamente
definido. Geralmente definida como uma busca, e no importando a rea de atuao, sempre
tem como objetivo encontrar a melhor soluo dentre todas as solues possveis (espao de
solues), por intermdio da maximizao ou minimizao de uma funo objetivo (LINDEN,
2006). A definio de melhor relativa ao problema proposto, s tolerncias aceitas e aos
mtodos utilizados para resoluo e avaliao.
Problemas de otimizao so facilmente encontrados nas mais diversas reas do conhecimento,
com diferentes especificidades e nveis de complexidade. Devido a isso, a escolha do mtodo
pode ser de difcil determinao, pois o desempenho de cada um vai depender, principalmente,
da natureza do problema. O teorema No Free Lunch para algoritmos de otimizao nos
mostra o quo difcil e improvvel a criao de uma estratgia de otimizao que seja
universalmente eficiente. (WOLPERT & MACREADY, 1997) (HO & PEYNE, 2001)
Uma das abordagens mais estudadas na Otimizao so as metaheursticas baseadas na
Computao Natural, das quais os Algoritmos Evolucionrios (ou Evolutivos) (AE), fazem
parte. Os Algoritmos Evolutivos so tcnicas inspiradas no princpio Darwiniano da evoluo
das espcies e na gentica (GOLDBERG, 1989). Metaheursticas so procedimentos genricos
de alto nvel que fazem uso de aleatoriedade em diversas estratgias heursticas visando
encontrar boas solues para o problema considerado (BLUM & ROLI, 2003).
Destacam-se entre as diversas abordagens dos AE os Algoritmos Genticos (AG) e a Evoluo
Diferencial (ED). Os AG foram propostos por HOLLAND (1975) e so fortemente baseados
no processo de seleo natural e evoluo das espcies. Em suma, prope que os indivduos
mais aptos e suas caractersticas tem maiores chances de prevalecer pelas geraes
subsequentes, enquanto os mais fracos (menos aptos) tendem a desaparecer. O mtodo da ED
criado por STORN & PRICE (1995) tem como ideia principal a gerao de novos indivduos,
denominados vetores, por intermdio do procedimento de adicionar um vetor diferena
ponderada entre outros dois vetores aleatrios.
O restante desse trabalho est organizado da seguinte forma: o segundo captulo apresenta a
fundamentao terica utilizada para o seu desenvolvimento, abordando assuntos pertinentes
otimizao e heursticas utilizadas pelos algoritmos. No terceiro captulo apresentada a
implementao do trabalho, descrevendo a metodologia utilizada nos algoritmos. O quarto
captulo apresenta as implantaes, os testes, os resultados obtidos e faz uma comparao entre
o SMAE e os algoritmos de AG e ED isoladamente. Por fim, o quinto captulo traz as
concluses, dificuldades encontradas e os trabalhos futuros.
2
2.1
FUNDAMENTAO TERICA
ALGORITMOS GENTICOS
Os Algoritmos Genticos (AG) foram desenvolvidos por John Holland e sua equipe, na
Universidade de Michigan, em 1975. Originalmente, os AG estavam muito fortemente ligados
a modelos de aprendizado automtico, como demonstrada na nfase dada por HOLLAND
(1975) aos chamados sistemas classificadores, que so um modelo de mquina de aprendizado
usando AG. Posteriormente GOLDBERG (1989) passou a utilizar a ideia de otimizao como
tema central na teoria dos AG. Por esses motivos que, ao contrrio de outras abordagens
evolutivas, os AG conceitualmente apresentam um escopo mais amplo do que a simples
otimizao, sendo apresentados como um modelo para a aprendizagem de mquina por
HEITKOETTER & BEASLEY (1994).
Os AG so o ramo mais conhecido da Computao Evolutiva (CE), sendo eles algoritmos de
otimizao global, baseados nos mecanismos de gentica e seleo natural (GOLDBERG,
1989), (LINDEN, 2006). So um mecanismo de busca de solues que utilizam combinaes
de melhores solues - melhores pais - de uma determinada gerao, com o objetivo de obter
novas solues - filhos - para a gerao seguinte. Os filhos devem apresentar resultados mais
eficientes para a funo de avaliao, funo essa que a responsvel por manter a gerao
contnua de melhores solues para o problema.
A base de um algoritmo gentico pode ser definida por: um procedimento de descoberta de
bons blocos, seleo desses blocos e construo de novos blocos a partir desses, sendo que a
ideia principal que cada novo bloco gerado a partir de outros bons blocos, ser melhor que os
blocos geradores. (HOLLAND, 1975)
Assim sendo, LINDEN (2006) conclui que os AG no constituem um algoritmo de busca da
soluo tima de um problema, mas sim uma metaheurstica que encontra, de forma
probabilstica, um conjunto de boas solues a cada execuo.
Os AG empregam uma estratgia de busca paralela e estruturada, mas aleatria, que voltada
em direo ao reforo da busca de pontos de alta aptido, ou seja, pontos nos quais a funo
10
a ser minimizada (ou maximizada) tm valores relativamente baixos (ou altos) (BRAGA et al.,
2000). Portanto, apesar de aleatrios, eles no so caminhadas aleatrias no direcionadas, pois
exploram informaes histricas para encontrar novos pontos de busca onde so esperados
melhores desempenhos.
A vantagem principal dos AG ao trabalharem com o conceito de populao, ao contrrio de
muitos outros mtodos que trabalham com um s ponto, que eles encontram segurana na
quantidade. Tendo uma populao de pontos bem adaptados, a possibilidade de alcanar um
falso timo torna-se menor.
O conceito de mnimo/mximo local (ou falso timo) acontece quando o algoritmo converge
para uma regio que possui uma soluo local e a explora at que encontre seu melhor valor,
ignorando, porm, o restante do espao de busca.
A seguir descrevemos os conceitos fundamentais da gentica que so utilizados nos AG:
Cromossomo ou Indivduo: uma possvel soluo para o problema em questo,
codificada, de acordo com um modelo selecionado, com informaes do problema a
ser resolvido.
Gene: parte de uma soluo. Por exemplo, supondo um vetor [1, 3, 2] como uma
soluo proposta para o problema, pode-se dizer que o 3 um gene do cromossomo.
Fitness: demonstra o quo adaptado um determinado individuo a situao qual
ele est exposto. No caso dos AG representa o valor obtido pela funo de avaliao
sobre aquele determinado indivduo (ou soluo).
Funo de Avaliao: a funo objetivo do problema em questo, que deve avaliar
cada soluo proposta e determinar a probabilidade da sua permanncia no grupo de
solues admissveis (timas) para o problema.
Populao: conjunto de solues propostas, presentes numa determinada etapa da
execuo do AG.
Cruzamento: processo de reproduo de indivduos, no qual os indivduos filhos
(solues propostas para a gerao seguinte) so construdos a partir de genes obtidos
dos pais (solues propostas atuais).
11
12
13
Incio
Inicializa Parmetros
Populao Inicial
Funo de Avaliao
Mutao
Fim da
Busca?
Cruzamento
Sim
Trmino
No
Seleo
EVOLUO DIFERENCIAL
O algoritmo de Evoluo Diferencial foi desenvolvido por Storn e Price, inicialmente em 1995
e surgiu a partir de tentativas para resolver o problema de ajuste polinomial de Chebychev
(STORN & PRICE,1995). Esse algoritmo introduz uma abordagem um pouco diferente dos
demais AE. Prope usar a diferena de vetores para perturbar a populao de indivduos
(demais vetores) o que, segundo STORN & PRICE (2013), resulta em um mtodo que requer
poucas variveis, de rpida convergncia, simples e robusto.
14
15
Incio
Inicializa Parmetros
Populao Inicial
(Vetores Alvos)
Sim
Trmino
Funo de Avaliao
Seleo
Fim da
Busca?
(Vetores Candidatos)
Cruzamento
No
Mutao
(Vetores Doadores)
16
(1)
17
Com base na descrio do operador pode-se concluir que o nmero de vetores no conjunto
(tamanho da populao) deve ser maior ou igual a 4, para que a mutao seja vivel. (STORN
& PRICE, 1995). A Figura 5 mostra uma representao do operador de mutao do ED.
2.2.1.2 CRUZAMENTO
No processo de cruzamento, um vetor candidato (Vc) criado combinando elementos do vetor
doador (Vd) e do vetor alvo (Va). Cada elemento do vetor doador tem uma chance de participar
do vetor candidato determinada pela probabilidade de cruzamento (Pc). Se a posio observada
do vetor doador no participar do vetor candidato, um elemento do vetor alvo ser utilizado no
lugar. Podemos representar esse processo de cruzamento por intermdio da equao:
() = {
(),
(), >
= 1, ,
(2)
Este mtodo de cruzamento denominado binomial. Uma variao deste mtodo que veio a
surgir depois, o cruzamento exponencial, dita que elementos do vetor doador sejam utilizados
at que o primeiro nmero aleatrio seja maior que Pc, sendo que todos os prximos sero do
vetor alvo. De acordo com STORN & PRICE (2013), o cruzamento binomial nunca ser pior
que o cruzamento exponencial.
18
2.2.1.3 SELEO
Depois de construdo, o vetor candidato ento comparado ao vetor alvo, por meio dos valores
da funo objetivo aplicado a cada um, e o substituir na prxima gerao caso represente uma
melhor soluo para o problema.
() (() ), (+1) =
() > (() ), (+1) = ()
(3)
Mutao:
o Escolher V1 baseado em algum critrio especfico e no aleatoriamente. Ex.:
melhor vetor do conjunto.
o Utilizar 2 (dois) vetores diferenciais (diferenas ponderadas), para isso o mnimo
de indivduos da populao passa a ser 6 (seis).
Cruzamento:
o Binrio: para cada posio do vetor candidato, h uma chance de ser usado um
elemento do vetor doador.
o Exponencial: o vetor candidato preenchido como no binrio, porm ao
primeiro elemento do vetor alvo utilizado, todos os prximos elementos tambm
derivam dele.
Com o intuito de classificar essas variantes STORN & PRICE (1995) introduziram a seguinte
notao:
19
///
Onde:
a - especifica o critrio de escolha do vetor a ser mutado V1, rand para escolha aleatria ou best
para escolha do vetor de menor custo.
b - especifica o nmero de vetores diferena (direes) utilizados na etapa de mutao.
c - especifica o esquema de cruzamento adotado, bin para cruzamento binomial ou exp para
cruzamento exponencial.
Utilizando dessa notao, podemos definir a implementao padro proposta por Storn e Price,
e descrita acima, como: //1/.
A eficincia do algoritmo tambm pode ser otimizada ajustando-se os parmetros principais:
tamanho da populao, fator de mutao e probabilidade de cruzamento. Cada tipo de problema
melhor resolvido utilizando-se uma combinao especfica desses, a ser descoberta com base
em testes e anlise dos resultados.
2.3
No existe uma definio exclusiva para o termo agente, mas dentre os principais autores da
rea de Inteligncia Artificial Distribuda (IAD) podemos extrair de consenso a ideia central de
autonomia (WOOLDRIDGE, 1999). E autonomia pode ser visto como a capacidade de realizar
aes sem (ou com o mnimo possvel) de intervenes de outros agentes computacionais ou
humanos.
A existncia de vrios tipos de agentes para os vrios domnios de aplicao possveis,
justificam a pluralidade encontrada nas definies.
Adotaremos como definio o seguinte: Um agente um sistema computacional inserido em
algum ambiente, e que capaz de agir de forma autnoma nesse ambiente, a fim de cumprir os
objetivos do projeto. (WOOLDRIDGE, 1999)
20
Para WOOLDRIDGE & JENNINGS (1995), um agente uma entidade que encapsula
conhecimentos sobre algum domnio e os define como tendo as seguintes propriedades:
Autonomia: os agentes operam sem a interveno direta de seres humanos ou outros,
e tem controle sobre suas aes e estado interno;
Habilidade social: os agentes interagem com outros agentes (computacionais e/ou
humanos) por meio de algum tipo de comunicao;
Capacidade de reao: os agentes percebem o ambiente que esto inseridos e reagem
em tempo hbil s mudanas que nele ocorrem;
Capacidade pr-ativa: os agentes so capazes de apresentar um comportamento
orientado a objetivos ao tomarem iniciativas.
Alm dessas propriedades, pode-se tambm destacar a temporalidade (o agente decide se
permanece ou no em um ambiente), adaptabilidade (capacidade de se adaptar s modificaes
do ambiente), mobilidade (capacidade de locomoo entre ambientes), entre outras.
A Figura 6 apresenta a interao global entre uma agente e o ambiente onde est inserido. Juntos
so conhecidos como Sistema de Agente.
O agente recebe estmulos do ambiente e reage a esses estmulos. Um agente constitudo por
um corpo e um controlador. O controlador recebe percepes do corpo e envia comandos para
o corpo. O corpo inclui sensores que convertem estmulos em percepes e atuadores que
convertem comandos em aes. (POOLE & MACKWORTH, 2010)
21
Apesar de um agente encapsular informaes sobre algum domnio, cada vez mais raro a
ocorrncia desse agente possuir todo o conhecimento necessrio para resolver problemas sem
o auxlio de outrem. Isso em muito se deve ao crescimento da complexidade dos problemas, a
necessidade de tratamento de grandes quantidades de dados e o fato de alguns problemas terem
a sua prpria natureza distribuda.
Sendo assim, o agrupamento de agentes com capacidades especficas pode ser usado, com o
intuito de complementarem suas capacidades, para resoluo de problemas que um nico agente
seria insuficiente.
ZAMBONELLI et al. (2000) distingue duas classes principais de sistemas com mltiplos
agentes: (i) Sistemas de Resoluo Distribuda de Problemas, nos quais os agentes envolvidos
so explicitamente projetados para, de maneira cooperativa, atingirem um dado objetivo,
considerando-se que todos eles so conhecidos a priori e supondo que todos so benevolentes,
existindo desta forma confiana mtua em relao s suas interaes; e (ii) Sistemas Abertos,
nos quais os agentes no so necessariamente projetados para atingirem um objetivo comum,
podendo ingressar e sair do sistema de maneira dinmica. Neste caso, a chegada dinmica de
agentes desconhecidos precisa ser levada em considerao, bem como a possvel existncia de
comportamento no benevolente no curso das interaes.
22
23
24
(4)
(5)
25
= , = { , }, = { < }
(6)
(7)
26
MODELAGEM E DESENVOLVIMENTO
ALGORITMO GENTICO
27
melhor soluo ser igual da gerao atual. Usando este mecanismo estamos influenciando a
intensificao do algoritmo na zona do espao de busca prximo s melhores solues de cada
gerao. Uma constante controla a quantidade de cromossomos que sero mantidos pelo
elitismo, que neste trabalho foi fixado em 0,1 (10% da quantidade total de cromossomos). Devese atentar para o valor dessa constante, que deve possuir um valor entre 0 e 1, pois um valor
muito alto pode levar o algoritmo para uma convergncia prematura.
O operador de seleo utilizado o mtodo do torneio, onde pares de indivduos so
selecionados, dentre os possveis, de forma aleatria e disputam entre si levando-se em
considerao o custo de cada cromossomo. Esse operador seleciona de forma probabilstica os
indivduos com maior aptido para participar dos demais operadores.
No operador de cruzamento so escolhidos dois cromossomos que sero chamados de
cromossomos pais, sendo o primeiro escolhido de forma sequencial, garantindo que todos os
cromossomos participem da reproduo, e o segundo escolhido de forma aleatria devendo ser
diferente do primeiro. O operador de cruzamento escolhido para o desenvolvimento do AG
nesse trabalho baseado no crossover aritmtico descrito por LINDEN (2006), onde define-se
aleatoriamente um parmetro (fator de cruzamento) [0,1], e a posio do filho calculada
por intermdio da seguinte equao :
= 1 + (2 0.5) ( 2 1 )
(8)
28
= + ( 0.5) 0,1 ( )
(9)
(10)
Este algoritmo tambm inspirado nos processos evolutivos, e assim como os AG, implementa
os operadores genticos de seleo, cruzamento e mutao.
Os parmetros iniciais do ED sero os mais prximos possveis dos do AG, para que o
desempenho dos dois possa ser comparado mais facilmente e com maior propriedade. Assim
sendo a populao inicial (aqui chamados de vetores) e a quantidade de geraes que ser
utilizada como critrio de parada sero os mesmos do AG.
A representao dos vetores no ED a mesma utilizada nos cromossomos do AG: usa-se a
representao de nmeros reais, onde cada elemento do vetor representa a posio em uma
dimenso de um ponto no espao de busca.
29
O SMAE proposto por este trabalho contar com subpopulaes dividas em ilhas, e em cada
uma dessas ilhas ser realizado um processo de otimizao local com base nos algoritmos AG
e ED descritos anteriormente.
O sistema dividido em pocas que sero executadas de maneira subsequente, sendo que cada
uma delas corresponde uma gerao dos algoritmos de otimizao das ilhas. Entre essas
pocas ocorrero as comunicaes entre as ilhas. Para realizao dos testes desse trabalho
definimos o nmero de ilhas igual a 4. Portanto teremos 2 ilhas executando o AG e outras duas
com o ED.
As descries dos algoritmos contidas nas sees anteriores so para um processamento
isolado, sendo necessrios pequenos ajustes para inseri-los e adapt-los ao SMAE.
30
31
32
Neste captulo sero descritos como os experimentos foram realizados, a funo de benchmark
que foi utilizada, bem como sero apresentados os resultados desses testes obtidos pelos 3
algoritmos implementados neste trabalho.
4.1
FUNO RASTRIGIN
A funo Rastrigin proposta inicialmente por RASTRIGIN (1974), trata-se de uma funo nolinear multimodal. Possui 10n (sendo n o nmero de dimenses da funo) mnimos locais, o
que aumenta a complexidade do processo de otimizao, distribudos regularmente. A funo
de Rastrigin dada pela Equao 11 e tem seu mnimo global em = 0 onde ( ) = 0.
(1 , , ) = 10 + =1[2 10 cos(2 )] , [5.12, 5.12]
(11)
Essa funo amplamente estudada e comumente usada como problema teste (funo de
benchmark) de otimizao no linear (MICHALEWICZ, 1996). A Figura 8 apresenta uma
representao grfica da funo de Rastrigin considerando n=2 (bidimensional).
4.2
EXPERIMENTOS REALIZADOS
33
a distribuio dos indivduos da populao no espao de busca para verificar se, por exemplo,
estava ocorrendo perda da diversidade da populao; e visualizar a convergncia dos algoritmos
ao longo das geraes.
Pode-se observar os grficos de 2 desses testes realizados nas figuras 9 e 10. A Figura 9 mostra
os resultados de um teste do AG enquanto a Figura 10 os resultados de um teste do ED, isso ao
longo de 40 geraes e considerando uma populao de 200 indivduos.
34
35
quantidade de clculos da funo objetivo e possibilitar uma justa comparao entre todos os
algoritmos.
A quantidade de geraes que foram utilizadas nesse teste variava de acordo com a dimenso
utilizada na funo objetivo. Considerando d como a dimenso utilizada nessa funo, definiuse que a quantidade de geraes dos algoritmos seria dada por = 2 10. Lembrando que no
caso do SMAE a quantidade de geraes obtida pela equao anterior ainda deveria ser dividida
pela metade, pelo mesmo motivo apresentado no pargrafo antecedente, que trata do caso da
quantidade da populao. A Tabela 1 apresenta alguns dos resultados obtidos com a realizao
desse experimento.
Tabela 1: Resultados do experimento principal.
Dimenses Resultados
10
15
20
Mnimo
Mdio
Mximo
Tempo Mdio (seg.)
Mnimo
Mdio
Mximo
Tempo Mdio (seg.)
Mnimo
Mdio
Mximo
Tempo Mdio (seg.)
Mnimo
Mdio
Mximo
Tempo Mdio (seg.)
Mnimo
Mdio
Mximo
Tempo Mdio (seg.)
Algoritmo
AG
0,0001
0,0112
0,0510
0,17
0,0027
0,0322
0,0846
1,21
0,0336
0,1482
0,3627
4,48
0,2424
0,6489
1,1800
10,21
2,3310
4,6039
7,1397
19,62
ED
0,0000
0,0000
0,0000
0,19
0,0000
0,0332
0,9950
1,28
0,0000
0,4662
3,9886
5,08
0,0000
1,4320
3,9862
11,65
1,9912
4,4535
8,0742
22,07
SMAE
0,0000
0,0000
0,0005
0,39
0,0000
0,0000
0,0000
3,09
0,0000
0,0000
0,0000
11,39
0,0000
0,0000
0,0000
25,30
0,0000
0,0000
0,0000
50,89
Baseado nas informaes contidas na Tabela 1 percebe-se que o SMAE alcanou bons
resultados em relao aos demais mtodos abordados, com resultados prximos ao timo
global.
36
Uma possvel explicao para os resultados significativos alcanados pelo SMAE a troca de
informaes relevantes que o ocorre no momento da migrao de agentes entre as ilhas, j que
os indivduos aptos a realizarem migrao tendem a estar entre os melhores indivduos at o
momento em suas ilhas.
Em muitos casos do experimento o AG e o ED alcanaram resultados prximos aos do SMAE,
ainda assim ficando aqum desse ltimo. A vantagem desses mtodos consiste em apresentar
bons resultados se considerarmos como parmetro o tempo mdio de execuo dos algoritmos.
Tanto o AG como o ED apresentaram uma tendncia de piora com o aumento da complexidade
do problema. Cabe avaliar a influncia dos parmetros utilizados por esses mtodos na obteno
desses resultados.
J no SMAE praticamente no h alteraes nos resultados obtidos com o aumento da
complexidade do problema. A mdia dos resultados do SMAE mantem-se praticamente
inalterada independentemente da dimenso utilizada pela funo de avaliao.
37
CONCLUSES
38
Conclui-se tambm que o SMAE tende a se tornar mais benfico medida que a complexidade
do problema aumenta pois a diferena de desempenho deste em relao aos demais algoritmos
fica em evidncia com o aumento das dimenses do problema.
Esse trabalho apresentou resultados satisfatrios levando em considerao o que foi proposto.
Ainda assim propostas de melhorias, novos experimentos e novos critrios de avalio podem
ser pensados para futuras implementaes buscando melhorar o desempenho dos algoritmos e
solidificar uma concluso a respeito dos mesmos. Pensando nisso pode-se propor os seguintes
trabalhos futuros:
Alterao dos parmetros inicias dos algoritmos, buscando um equilbrio entre a
convergncia e os resultados finais encontrados;
Implementao de outros mtodos de otimizao para serem utilizados nas ilhas do
SMAE;
Adaptao do sistema proposto para utilizao do mesmo de forma paralela;
Adaptao do sistema proposto para resoluo de problemas discretos;
Analisar o comportamento dos sistemas propostos em outros problemas (funes).
39
REFERNCIAS BIBLIOGRFICAS
ALMASI, G. S., GOTTLIEB, A. Highly Parallel Computing. Benjamin-Cummings, Redwood
City, CA. 1989
VILA, S. L. et al. Otimizao Conceitos Bsicos, Ferramentas e Aplicaes. Revista de
Automao e Tecnologia da Informao, Florianpolis, v.2, n.1, 2003.
BEZ, E. D. Procedimento de Representao de Solues em Otimizao Global: Aplicao em
Modelos de Interao Espacial. Tese (Doutorado em Engenharia de Produo), Universidade
Federal de Santa Catarina, Florianpolis, 2005.
BLUM, C., ROLI, A. Metaheuristics in combinatorial optimization: Overview and conceptual
comparison. 35 (3). ACM Computing Surveys. pp. 268308. 2003.
BRAGA, A. P.; LUDENIR, T. B.; CARVALHO, A. C. P. L. F. Redes Neurais Artificiais
Teoria e aplicaes. LTC, 2000.
BYRSKI, A., DREZEWSKI, R., KISIEL-DOROHINICKI, M., SIWIK, L. Evolutionary multiagent systems. Disponvel em: <http://age.iisg.agh.edu.pl/emas/index.html>. Acesso em:
Dezembro de 2014.
GOLDBERG, D. E. Genetic Algorithms in Search, Optimization and Machine Learning.
Addison Wesley, 1989.
GOLDBERG, D. E.; HOLLAND, J. H. Genetic algorithms and machine learning: Introduction
to the special issue on genetic algorithms. Machine Learning, 1988.
HEITKOETTER, J., BEASLEY, D. The hitch-hiker's guide to evolutionary computation: a list
of
frequently
asked
questions
(FAQ).
1994.
Disponvel
em:
40
41
STORN R.; PRICE K. Differential evolution - A Simple and Efficient Heuristic for Global
Optimization Over Continuous Spaces. Journal of Global Optimization, v. 11, p. 341-359, 1997.
STORN, R.; PRICE, K. Home Page of Differential Evolution (DE) for Continuous Function
Optimization. Disponvel em: <http://www1.icsi.berkeley.edu/~storn/code.html>. Acesso em:
Setembro de 2013.
WOLPERT, D. H.; MACREADY, W. G. No Free Lunch Theorems for Optimization. IEEE
Transactions on Evolutionary Computation, 1(1):67-82, 1997.
WOOLDRIDGE, M; JENNINGS, N. R. Intelligent Agents: Theory and Practice. The
Knowledge Engineering Review. Cambridge University Press. Volume 10, p 115-152, nmero
2, 1995.
WOOLDRIDGE, M. Intelligent agents. In: WEISS, G. (Ed.) Multiagent Systems - A Modern
Approach to Distributed Artificial Intelligence, MIT Press, 1999.
ZAMBONELLI, F., JENNINGS, N. R., WOOLDRIDGE, M. Organizational abstractions for
the analysis and design of multi-agent systems. In: Proceedings of the 1st International
Workshop on Agent-Oriented Software Engineering, 2000, Limerick, Ireland, pp.127141,
2000.