Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
IDENTIFICAC
AO
NAO-LINEAR
PROGRAMAC
AO
INTEIRA MISTA UTILIZANDO O
ALGORITMO FILOGENETICO
Breno Caetano da Silva
Universidade Estadual do Piau UESPI
Centro de Tecnologia e Urbanismo - CTU
Rua Joao Cabral, No 2231 - Piraja
CEP:64.002-150 Teresina - PI
brenocaetano@uespi.br
Alexandre Claudio Botazzo Delbem
Universidade de Sao Paulo USP
Instituto de Ciencias Matematicas e de Computaca o
Avenida Trabalhador Sao-carlense, 400
CEP: 13566-590 - Sao Carlos - SP
acbd@icmc.usp.br
RESUMO
Este trabalho propoe a utilizaca o do Algoritmo Filogenetico para a soluca o de problemas de programaca o nao-linear inteira mista. Tal algoritmo faz parte de uma nova classe de
algoritmos de estimaca o de distribuica o, os algoritmos decomponveis. Este tem por finalizadade a
decomposica o do problema em subproblemas, o que acarreta na reduca o do espaco de busca, minimizando o tempo de soluca o do problema. Os resultados apresentados sao promissores e mostram
que o Algoritmo Filogenetico pode ser visto como uma nova alternativa para a soluca o desta classe
de problemas.
PALAVRAS CHAVE. Algoritmo Filogenetico. Programaca o nao-linear inteira mista. Computaca o
evolutiva.
Area
Principal:Computaca o Evolutiva
ABSTRACT
This work proposes the use of Phylogenetic Algorithm for solving mixed integer nonlinear programming . This algorithm is part of a new class of estimation distribution algorithms:
algorithms decomposable. The objetive of this algorithm is to decompose the problem in subproblems, which results in reducing the search space, minimizing the time solution of the problem.
The results are promising and show that Phylogenetic Algorithm can be seen as a new alternative
for solution of this class of problems.
KEYWORDS. Phylogenetic Algorithm. Mixed Integer Non Linear Programming. Evolutionary Computation.
Main Area: Evolutionary Computation
1. Introduca o
Programaca o nao-linear inteira mista (MINLP Mixed Integer Nonlinear Programming)
refere-se aos problemas de otimizaca o que envolvem tanto variaveis inteiras quanto contnuas, bem
como nao-linearidades na funca o objetivo e nas restrico es ( (Lobato, 2009), (Belotti, 2012)).
MINLP e amplamente utilizada na pratica: otimizaca o em cortes de papel (Giannelos,
2001), sntese de processos (Adjiman, 1997), sntese de rede de trocadores de calor (Zamora,
1998), projeto, sntese e configuraca o de plantas de multiproposito (Lin, 2001), projeto molecular (Sahinidis, 2000), projeto de colunas de destilaca o (Viswanathan, 1993), produca o de o leo e gas
(Kosmidis, 2005), empacotamento (Birgin, 2006), marketing de produtos (Gavish, 1983), financas
(Laughhunn, 1970), dentre outras a reas.
Algumas tecnicas empregadas na resoluca o de problemas MINLPs sao: Branch and Bound
((Fletcher, 1998), (Tawarmalani, 2002)) e Lagrangianos Aumentados (Lobato, 2009). Essas tecnicas
geralmente lidam com a resoluca o de sucessivos subproblemas (problemas aproximados) de programaca o nao-linear, dando garantia de convergencia para a soluca o o tima, apenas, em problemas
convexos. Alem disso, para problemas nao-lineares e nao-convexos nao existem algoritmos gerais de soluca o, sendo ainda imprescindvel que a funca o objetivo seja contnua e diferenciavel no
espaco de busca. Porem, este fato nao ocorre na maioria dos problemas praticos de engenharia,
dificultando assim a sua aplicaca o via metodos determinsticos. Esta classe de problemas e definida
pela literatura como muito difcil de ser resolvida (Belotti, 2012).
Como alternativa aos problemas supracitados tem-se os algoritmos populacionais. Tais algoritmos tem a propriedade de explorar o espaco de busca em diferentes regioes simultaneamente,
sem preocupar-se com a nao-convexidade ou continuidade do espaco de busca. Varias classes de
algoritmos desta categoria tem sido aplicados a problemas do tipo MINLP (CITAR AS TECNICAS
APLICADAS EM CADA ARTIGO CITADO) ((Gantovnik, 2005) (Gaing, 2006), (Deep, 2009),
(Haupt, 2011), (Ionescu, 2012), (Schlueter, 2013), (CLin, 2013)). Dentre o mais comum podese citar os algoritmos evolutivos (EAs - Evolutionary Algorithms), principalmente o Algoritmo
Genetico (GA - Genetic Algorithm). Entretanto, de acordo com (Crocomo, 2012), EAs possuem
limitaco es quando aplicados a problemas muito complexos e que apresentem variaveis correlacionadas. Como alternativa, ha os Algoritmos de estimaca o de distribuica o (EDAs - Estimation of
Distribution Algorithm).
Diferentemente dos GAs, os EDAs visualizam a populaca o como uma amostra do espaco
de busca. Sobre esta amostra, um modelo probabilstico e gerado, tendo uma nova populaca o gerada a partir deste. Adicionalmente, uma nova classe destes esta surgindo (Crocomo, 2012): os
Algoritmos Decomponveis (DAs - decomposable Algorithms). Ao contrario dos EDAs convencionais, que em seu processo iterativo vao encontrando melhores soluco es atraves da identificaca o
das correlaco es entre variaveis, os DAs tem por funca o decompor o problema em subproblemas,
identificando as variaveis correlacionadas, de forma explcita em uma u nica geraca o. Isto significa que um problema antes muito complexo passa a ser visualizado como varios subproblemas
atraves do conjunto das variaveis correlacionadas, denominadas de blocos contrutores (BBs- Building Blocks). Sobre estes e aplicado um algoritmo de otimizaca o qualquer, visto que agora existem
apenas problemas mais simples ((Martins, 2011), (Crocomo, 2012), (Melo, 2011)).
Baseado nas informaco es supracitadas, este trabalho tem o intuito de apresentar uma
abordagem baseada em filogenia com o intuito de identificar/clusterizar BBs em problemas de
programaca o nao-linear inteira mista.
2. Programaca o Nao-Linear Inteira Mista MINLP
Programaca o nao-linear inteira mista refere-se aos problemas de otimizaca o que envolvem tanto variaveis inteiras quanto contnuas, bem como nao-linearidades na funca o objetivo e nas
restrico es.
Dois fatores principais contribuem para a dificuldade de resoluca o de problemas deste
tipo: (i) a nao-convexidade dos problemas, que possibilita a presenca de multiplas soluco es locais, e
(ii) a natureza combinatoria dos problemas promovida pela presenca de variaveis inteiras ((Lobato,
2009), (Belotti, 2012)).
Segundo Lobato (2009) um problema de MINLP tem a seguinte forma:
minimizar f (x, y) = 3x + y = 2
(1)
Sujeito a h(x, y) = 0;
g(x, y) 0;
x X;
y Y;
onde f : Rn R, h : Rn Rm , g : Rn Rp , X Rn1 , Y Z n2 , e n = n1 + n2.
Algoritmo Filogenetico
1. Geraca o randomica da populaca o inicial e sua avaliaca o
2. Seleca o
3. Utilizaca o de uma metrica de distancia para a geraca o da matriz
de distancia
4. Aplicaca o de um metodo de reconstruca o filogenetico
5. Identificaca o de BBs pelo uso de algum metodo de corte
6. Aplicaca o de um algoritmo de otimizaca o sobre os BBs identificados
Tabela 1: Pseudo-codigo do algoritmo Filogenetico
A Tabela 1 ilustra as etapas presentes na utilizaca o do PhyGA. Estas etapas podem ser
visualizadas em duas fases. Uma de decomposica o do problemas, a qual identifica os BBs (etapas
1 a 5). Uma de otimizaca o (etapa 6) atuando exclusivamente sobre cada BB.
A decomposica o e realizada pela execuca o das etapas 1 a 5. Assim como a maioria dos
algoritmos evolutivos conhecidos, ha a geraca o de uma populaca o aleatoria (etapa 1). Sobre esta
populaca o, uma seleca o (etapa 2) dos melhores indivduos ocorre utilizando o metodo torneio, o que
nos retorna um conjunto de soluco es promissoras. Posteriormente, uma matriz de distancia e gerada
pela aplicaca o de uma metrica de distancia (etapa 3). Esta matriz servira de entrada para o metodo
de clusterizaca o hierarquico (etapa 4) Neighbor Joining (NJ) (Saitou e Nei, 1987; Studier e Keppler,
1988). O NJ e um dos metodos classicos utilizados na biologia para a reconstruca o de a rvores filogeneticas devido a` sua eficiencia computacional e alta qualidade apresentada pelas a rvores geradas
(Gascuel e Steel, 2006). Por esta razao, o NJ foi o metodo de reconstruca o filogenetico escolhido.
Finalizando a fase de decomposica o, sobre a a rvore filogenetica obtida pela aplicaca o do NJ deve
ser aplicado um metodo de corte (etapa 5). Tal metodo deve ser suficientemente capaz de cortar a
a rvore de modo a cada poda corresponder a um BB. Diante dos BBs identificados, dar-se incio a`
segunda fase (etapa 6), aplicando um algoritmo de busca exaustiva sobre cada BB.
Neste trabalho, a intenca o e verificar a decomponibilidade da funca o objetivo em BBs pelo
uso do PhyGA, pois como qualquer DA, deve ser capaz de identificar variaveis correlacionadas em
problemas do tipo MINLP. Por fim, a etapa 6 deve ser executada sobre os BBs encontrados pelo
PhyGA.
Ressalta-se que pela literatura consultada, nao foram encontrados registros de sua, nem
de qualquer AED, aplicados a problemas do tipo MINLP.
(2)
ou f (x) = 5, se u = 5;
(3)
1001010010010011111101010101010101010101
fitness e calculado pode ser vista na equaca o abaixo. A funca o real e negativada devido a` s funco es
objetivo utilizadas nos testes.
F itness = F 1(trap5) + F 2(trap5) + F 3(trap5) + F 4(trap5)
+F 5(trap5) + F 6(trap5) F Real
Por fim, para efeito de comparaca o dos resultados encontrados pela aplicaca o do PhyGA
aos problemas supracitados, utilizou-se do framework MIDACO (SCHLUTER, 2011). Este framework tem sido largamente utilizado em diversar a reas e sendo considerado pelos desenvolvedores
como a melhor alternativa evolucionaria disponvel atualmente para problemas do tipo MINLP.
4.1. Experimentos
Para a realizaca o dos experimentos fez-se uso de tres funco es de benchmark contnuas,
utilizando duas variaveis: Rosenbrock, GrieWank e Rastrigin e 6 funco es trap5, conforme supracitado.
Execuca o
1
2
3
4
5
6
7
8
9
10
Media
Valor Otimo
Rosenbrock
-11438
-259719,719
-195030,919
-11350,5
-445737,52
-739,99
-3285,319
-49,52
-94276
-7,671
-102163,5158
30
MIDACO
Griewank
9,1196
5,0039
9,9998
10,751
6,7198
8,8122
11,1847
11,8247
13,7329
6,3079
9,34565
30
Rastrigin
6,5483
-19,4886
-17,09
-36,3949
-35,8762
-43,1757
-35,345
-23,5311
-30,4917
-7,6714
-24,25163
30
PhyGA
Rosenbrock Griewank
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
-3409,99
29,13
30
30
Rastrigin
-3,02
-3,02
-3,02
-3,02
-3,02
-3,02
-3,02
-3,02
-3,02
-3,02
-3,02
30
Pelos dados contidos na Tabela 2, fica evidente que o PhyGA obteve melhores resultados.
O MIDACO foi superior apenas nas execuco es 6, 8 e 10, quando a funca o Rosenbrock foi utilizada.
5. Conclusoes
A Otimizaca o Nao-Linear Inteira Mista ainda e um grande desafio para os pesquisadores
da a rea. A utilizaca o de Algoritmos de Estimaca o de Distribuica o deve ser melhor avaliada, visto
que nenhum trabalho fora encontrado. A utilizaca o desta classe de algoritmos, assim como em problemas de otimizaca o nao mistos, deve agregar uma maior confiabilidade, eficiencia e menor tempo
de soluca o. Especificamente, os Algoritmos Decomponveis, trazem uma vantagem em relaca o
aos demais algoritmos pela possibilidade de reduzir enormemente o espaco de busca. O PhyGA,
um algoritmo decomponvel baseado em a rvores filogeneticas, traz como bagagem uma pesquisa
profunda e embasada na a rea da biologia.
Aplicado aos problemas tratados, o mesmo mostrou que ha muito o que pesquisar sobre sua aplicaca o e problemas do tipo MINLP. Na primeira fase de testes, variando-se as funco es
contnuas e mantendo as funco es Traps, os resultados foram variantes. Entretanto, mostrou que
pode ser utilizado para clusterizar Traps (no caso da GrieWank) e que deve melhorar pouco (no
caso da Rastrigin). Neste u ltimo caso, os autores estao vendo a possibilidade de utilizar outras
codificaco es e averiguar se os resultados persistem.
Durante a segunda fase de teste, dispondo de uma funca o constante, o PhyGA foi capaz
de clusterizar as Traps em 100% das execuco es. Este fato reduz drasticamente o espaco de busca
visto que no pior dos casos, utilizando um algoritmo de busca exaustiva, seriam necessarias 1216
tentativas (192 para as 6 TRAP5 e 1024 funca o contnua) para encontrar o valor o timo.
Quando comparado a um framework bioinspirado renomado na a rea de MINLP, o PhyGA
se mostrou superior. Entretanto, nao foi capaz de encontrar o o timo em nenhum caso.
Posto isto, conclui-se que a aplicabilidade do PhyGA a problemas deste tipo e promissora
e deve ser investigada.
Referencias
ADJIMAN, C. S. et al (1997), Global optimization of MINLP problems in process synthesis and
design. Computers & Chemical Engineering, 21:S445S450.
BELOTTI, Pietro et al. (2013), Mixed-integer nonlinear optimization. Acta Numerica, v. 22, p.
1-131.
BIRGIN, Ernesto G. et al. (2006) Orthogonal packing of rectangular items within arbitrary convex
regions by nonlinear optimization. Computers & Operations Research, v. 33, n. 12, p. 3535-3548.
C-LIN, Y. (2013) Mixed-Integer Constrained Optimization Based on Memetic Algorithm. Journal
of Applied Research and Technology, v. 11, n. 2.
CROCOMO, Marcio Kassouf. Algoritmo de otimizacao bayesiano com deteccao de comunidades. Tese de Doutorado. Universidade de Sao Paulo. 2012.
DEEP, Kusum et al. (2009), A real coded genetic algorithm for solving integer and mixed integer
optimization problems. Applied Mathematics and Computation, v. 212, n. 2, p. 505-518.
FLETCHER, Roger; LEYFFER, Sven. (1998), Numerical experience with lower bounds for
MIQP branch-and-bound. SIAM Journal on Optimization, v. 8, n. 2, p. 604-616.
GAING, Zwe-Lee; CHANG, Rung-Fang. (2006), Security-constrained optimal power flow by
mixed-integer genetic algorithm with arithmetic operators. In: Power Engineering Society General
Meeting IEEE. p. 8 pp.
GANTOVNIK, Vladimir B. et al. (2005), Genetic algorithm for mixed integer nonlinear programming problems using separate constraint approximations. AIAA journal, v. 43, n. 8, p. 1844-1849.
GASCUEL , O. (2007), Mathematics of evolution and phylogeny. New York, NY, USA: Oxford
University Press, Inc., 2007.
(Disponvel em http://portal.acm.org/citation.cfm?id=1557209)
GAVISH, Bezalel; HORSKY, Dan; SRIKANTH, Kizhanatham. (1983), An approach to the
optimal positioning of a new product. Management Science, v. 29, n. 11, p. 1277-1297.
GIANNELOS, Nikolaos F.; GEORGIADIS, Michael C. (2001), A model for scheduling cutting
operations in paper-converting processes. Industrial & engineering chemistry research, v. 40, n.
24, p. 5752-5757.
HAUPT, Sue Ellen; HAUPT, Randy L.; YOUNG, George S. (2011) A mixed integer genetic
algorithm used in biological and chemical defense applications. Soft Computing, v. 15, n. 1, p.
51-59.
HARIK , G.; LOBO, F.; S ASTRY , K. (2006), Linkage learning via probabilistic modeling in
the extended compact genetic algorithm (ecga). Scalable Optimization via Probabilistic Modeling,
p. 3961.
IONESCU, Catalin Florin et al. (2012) APPLICATION OF MIXED-INTEGER HYBRID DIFFERENTIAL EVOLUTION TO OPTIMAL REACTIVE POWER DISPATCH. UniversityPolitehnicaof
Bucharest Scientific Bulletin, Series C: Electrical Engineering, v. 74, n. 1, p. 155-162.
KATOH , K.; K UMA , K.- I.; M IYATA, T. (2001) Genetic algorithm-based maximum-likelihood
analysis for molecular phylogeny. Journal of Molecular Evolution, v. 53, p. 477484,10.1007/s002390010238.
Disponvel em http://dx.doi.org/10.1007/s002390010238