DE BLOCOS CONSTRUTORES EM PROBLEMAS DE

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.

3. Algoritmo Filogenetico PHYGA

Esta seca o apresenta o primeiro EDA que utiliza a teoria de a rvores filogeneticas para
a construca o de seu modelo probabilstico (Martins, 2011). Esta tecnica foi proposta por Charles R. Darwin como forma de estudar as relaco es entre os ancestrais envolvidos em um processo
evolucionario (Melo, 2011). Uma a rvore filogenetica e basicamente uma representaca o grafica das
relaco es evolutivas entre diversas especies denotando seus ancestrais comuns.
Diante deste conceito, foi proposto em (Martins, 2011) a utilizaca o das a rvores filogeneticas como ferramenta a ser utilizada no processo de identificaca o de BBs. Tomando como
fato que as a rvores filogeneticas geradas denotam relaco es entre especies ou outros atributos que
possam apresentar um ancestral comum, e substituindo o conceito de especies por variaveis, tem-se
nas maos uma teoria bastante solida capaz de mostrar relaco es entre variaveis, ou seja, descobrir
BBs. Baseado nestas premissas e que o PhyGA foi proposto e desenvolvido, apresentando resultados bastantes promissores e superiores quando comparados a outros algoritmos de mesmo objetivo
encontrados na literatura (Martins, 2011). Cabe ressaltar que o problema de construca o de a rvores
filogeneticas e por si so um problema de otimizaca o de alta complexidade. Entretanto, este problema e abordado na a rea de biologia a mais de um seculo, propiciano um ambiente confiavel a
ser explorado e detendo diversos metodos de construca o de a rvores filogeneticas ja verificados e
aprovados por diversos estudos ((Katoh et al., 2001; Lemmon e Milinkovitch, 2002; Lewis, 1998;
Zwickl, 2006)).
A principal diferenca entre o PhyGA e algoritmos como ECGA (Harik et al, 2006) e
BOA (Pelikan, 1999) e que estes utilizam um processo iterativo para o descobrimento dos BBs. Ja
o PhyGA realiza esta aca o em apenas uma geraca o. Outra diferenca importante e que os algoritmos ECGA e BOA, durante seu processo iterativo, vao melhorando a qualidade da populaca o e ao
final exibem uma soluca o ao problema e nao os BBs. As respostas oriundas destes algoritmos nao
destacam explicitamente as relaco es entre as variaveis, ou seja, elas nao informam quais variaveis
formam um determinado BB. Ja o PhyGA busca encontrar apenas os BBs e nao uma soluca o. Esta
caracterstica fez com que uma nova categoria de algoritmos fosse criada, os algoritmos decomponveis (Crocomo, 2012). Tais algoritmos tem por funca o encontrar e apresentar as relaco es entre
as variaveis. Juntamente a estes algoritmos deve-se aplicar um algoritmo de busca adicional, o qual
devera ser aplicado diretamente sobre cada BB. Os algoritmos decomponveis recebem este nome
por que visam desmembrar o cromossomo em subproblemas, reduzindo a complexidade a ser trabalhada. Em (Martins, 2011) e utilizado uma busca exaustiva sobre os BBs encontrados e em (Melo,
2011) e aplicado o algoritmo Evoluca o Diferencial (DE - Differetial Evolution). Pelos resultados
apresentados nestas u ltimas referencias percebe-se que a complexidade de resoluca o para encontrar
o o timo nos casos testados e reduzida a uma pequena parcela devido a` decomposica o do problemas
em subproblemas (BBs), o que demonstra a relevancia do papel apresentado por ambos algoritmos
(PhyGA e PhyDE).

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.

4. Metodologia e Experimentos Realizados

Relembrando os comentarios realizados na seca o 3, o PhyGA pode ser visto como um
clusterizador, onde os clusters seriam os BBs identificados.
Com o intuito de verificar esta hipotese foram realizados diversos testes. Cada teste consistiu na utilizaca o de um cromossomo de 40 bits (30 bits referentes a` s variaveis binarias e 10 bits
referentes a` s variaveis contnuas), o qual e representativo de funco es binarias (6 funco es TRAP5, a
qual utiliza 5 bits) e uma funca o contnua de duas variaveis dispondo de 5 bits para cada variavel.
Uma funca o TRAP5 pode ser definida por:
f (x) = 4 u, se u < 5;

(2)

ou f (x) = 5, se u = 5;

(3)

Onde u e o numero de uns presente na cadeia analisada x.

Uma representaca o do cromossomo utilizado pode ser visto na Figura 1.
Dispondo do cromossomo ilustrado pela Figura 1, seu fitness e calculado somando-se os
valores retornados pelas avaliaco es de cada funca o, binarias e contnua. Uma ilustraca o de como o

1001010010010011111101010101010101010101

Figura 1: Exemplo de um cromossomo de 40 bits utilizado nos experimentos.

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.

4.1.1. Analise de Arvores

Filogeneticas
Para cada configuraca o (6 trap5 e uma funca o contnua), o algoritmo PhyGA foi aplicado 30 vezes, sendo as a rvores filogeneticas geradas salvas e analisadas. Da analise da a rvores,
percebeu-se que houve um comportamento diferente para cada experimento realizado, os quais sao
listados a seguir.
Rosenbrock: Para os experimentos utilizando a funca o Rosenbrock, o PhyGA nao foi capaz
de clusterizar as funco es Traps. Ja para as variaveis contnuas, o mesmo foi capaz de clusterizar os 5 bits constituintes da primeira variavel em 20% e 4 nos 80% restantes, totalizando
uma taxa de 4,2 bits encontrados. Ja para a segunda variavel contnua, o PhyGA clusterizou 4 bits em 93,3% dos testes e 3 bits nos 6,6% restantes. Em nenhuma situaca o o PhyGA
clusterizou os 5 bits representativos da segunda variavel contnua.
GrieWank: Os testes com a funca o GrieWank apresentaram resultados distintos dos obtidos
para a funca o Rosenbrock. Nestes testes, todos os BBs binarios (Traps) foram clusterizados
em 100% das execuco es. Ja as variaveis contnuas nao obtiveram o mesmo desempenho,
ficando com uma taxa media de 1,93 bits clusterizados em media.
Rastrigin: Para esta funca o, os resultados sao mais proximos daqueles obtidos pela Rosenbrock. No testes realizados, em 66% dos casos todos os bits da primeira variavel contnua
foram clusterizados, enquanto que os 33% restantes representam a clusterizaca o de 4 bits.
Tomando a segunda variavel como foco, em 53,3% dos casos todos os 5 bits foram clusterizados, enquanto que para os demais testes foram clusterizados 4 bits. Nenhuma Trap teve
seus bits clusterizados quando utilizada esta funca o.
Pelos resultados percebe-se que um comportamento nao persistente ocorre na execuca o do
PhyGA para esta configuraca o/modelagem do problema. Para os casos que utilizaram a funca o Rosenbrock e Rastrigin, o PhyGA se mostrou mais propcio ao reconhecimento das variaveis contnuas
do que para as variaveis binarias. Ja quando este dispos da funca o GrieWank, as variaveis binarias
foram as que obtiveram um melhor reconhecimento, chegando a 100%.

4.1.2. Utilizaca o de uma Funca o Constante

Como alternativa ao metodo anterior, decidiu-se utilizar de uma funca o constante como
forma de representar a funca o contnua presente na funca o de avaliaca o. O intuito foi buscar focar
o PhyGA nas Traps, deixando em segundo plano a funca o contnua. Devido ao fato de ser uma
funca o constante, sua aplicaca o se torna generica para qualquer funca o contnua que venha a ser
aplicada. Como resultado, todas as variaveis binarias foram clusterizadas adequadamente. Ja os
bits referentes a` s variaveis contnuas nao tiveram o mesmo desempenho. Entretanto, para este caso,
o espaco de busca e reduzido drasticamente. 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 ao inves de 240 possibilidades.

4.1.3. Resultados Numericos

Como forma de comparaca o do desempenho do PhyGA aplicado aos problemas descritos,
fez-se uso do framework MIDACO. Nestes experimentos, cada ferramenta foi executado sobre os
problemas abordados 10 vezes. Os resultados podem ser visualizados na Tabela 2:

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

Tabela 2: Comparaca o de desempenho entre o Framework MIDACO e o Algoritmo Filogenetico

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

KOSMIDIS, Vassileios D.; PERKINS, John D. (2005), PISTIKOPOULOS, Efstratios N. A mixed

integer optimization formulation for the well scheduling problem on petroleum fields. Computers
& Chemical Engineering, v. 29, n. 7, p. 1523-1541.
LAUGHHUNN, D. J. (1970), Quadratic binary programming with application to capital-budgeting
problems. Operations Research, v. 18, n. 3, p. 454-461.
LEMMON, A. R.; MILINKOVITCH , M. C. (2002), The metapopulation genetic algorithm:
an efficient solution for the problem of large phylogeny estimation. Proceedings of the National
Academy of Sciences, p. p. 10516 a 10521.
LEWIS, P. O. (1998), A genetic algorithm for maximum-likelihood phylogeny inference using
nucleotide sequence data. Molecular Biology and Evolution, v. 15, n. 3, p. 277283. Disponvel
em http://mbe.oxfordjournals.org/content/15/3/277.
LIN, Xiaoxia; FLOUDAS, Christodoulos A.(2001), Design, synthesis and scheduling of multipurpose batch plants via an effective continuous-time formulation. Computers & Chemical Engineering, v. 25, n. 4, p. 665-674.
LOBATO, R. D. Algoritmos para problemas de programaca o nao-linear com variaveis inteiras e
contnuas, 108f. Dissertaca o (Mestrado em Ce ncia da Computaca o) - Instituto de Matematica e
Estatstica, Universidade de Sao Paulo. Sao Paulo, 2009.
MARTINS, Jean Paulo et al. (2011) Multi-objective phylogenetic algorithm: Solving multiobjective decomposable deceptive problems. In: Evolutionary Multi-Criterion Optimization. Springer Berlin Heidelberg. p. 285-297.
MELO, Vincius Veloso de; VARGAS, Danilo Vasconcellos; CROCOMO, Marcio Kassouf.
(2011), Phylogenetic differential evolution. International Journal of Natural Computing Research
(IJNCR), v. 2, n. 1, p. 21-38.
PELIKAN, M. A simple implementation of bayesian optimization algorithm in c++(version1. 0).
Illigal Report, v. 99011, p. 116, 1999.
SAHINIDIS, Nikolaos V.; TAWARMALANI, Mohit. (2000) Applications of global optimization
to process and molecular design. Computers & Chemical Engineering, v. 24, n. 9, p. 2157-2169.
SAITOU , N.; N EI , M. (1987), The neighbor-joining method: a new method for reconstructing
phylogenetic trees. Molecular Biology and Evolution, v. 4, n. 4, p. 406425.
(Disponvel em http://mbe.oxfordjournals.org/content/4/4/406)
SCHLUETER, Martin; MUNETOMO, Masaharu. (2013) Parallelization strategies for evolutionary algorithms for MINLP. In: Evolutionary Computation (CEC), 2013 IEEE Congress on. IEEE,
p. 635-641.
SCHLUTER, M.; GERDTS, M.; and RUCKMANN, J. J. (2011) MIDACO: New global optimization software for MINLP.
(Disponvel em http://www.midaco-solver.com/download files/MIDACO Paper.pdf)
STUDIER , J.; K EPPLER , K. (1988) A note on the neighbor-joining algorithm of saitou and
nei. Molecular Biology and Evolution, v. 5, n. 6, p. 729.
TAWARMALANI, Mohit; SAHINIDIS, Nikolaos V. (2002) Convexification and global optimization in continuous and mixed-integer nonlinear programming: theory, algorithms, software, and
applications. Springer.
VISWANATHAN, Jagadisan; GROSSMANN, Ignacio E. (1993), Optimal feed locations and
number of trays for distillation columns with multiple feeds. Industrial & engineering chemistry
research, v. 32, n. 11, p. 2942-2949.
ZAMORA, Juan M.; GROSSMANN, Ignacio E. (1998), A global MINLP optimization algorithm for the synthesis of heat exchanger networks with no stream splits. Computers & Chemical
Engineering, v. 22, n. 3, p. 367-384.
ZWICKL, D. J. Genetic algorithm approaches for the phylogenetic analysis of large biological
sequence datasets under the maximum likelihood criterion. Tese de Doutoramento, Faculty of the
Graduate School. University of Texas, 2006.