Estudo comparativo entre metaheutísticas populacionais com tamanho da população variável [Digital]
Dissertação
Português
681.3:004.023
Fortaleza, 2008.
Este trabalho apresenta quatro novos algoritmos heurísticos de cunho populacional, cujo tamanho da população varia ao longo de sua execução, sendo estes destinados à resolução de problemas de busca e otimização numérica. Estes algoritmos são extensões dos modelos padrão de duas metaheurísticas...
Ver mais
Este trabalho apresenta quatro novos algoritmos heurísticos de cunho populacional, cujo tamanho da população varia ao longo de sua execução, sendo estes destinados à resolução de problemas de busca e otimização numérica. Estes algoritmos são extensões dos modelos padrão de duas metaheurísticas propostas recentemente na literatura e que vêm sendo aplicadas com sucesso em diferentes
domínios; são elas a Otimização por Enxame de Partículas (PSO) e a otimização por Evolução Diferencial (DE). Ademais, os novos algoritmos são adaptações de dois outros modelos propostos no contexto de algoritmos Genéticos (AGs): o Algoritmo Genético com Tamanho Adaptativo da População (APGA) e o Algoritmo Genético com Tamanho da População Variável Baseado na Melhoria do Fitness
(PRoFIGA). Com o intuito de validar empiricamente os algoritmos propostos, estes são avaliados, em termos de critérios de eficiência e eficácia, em três estudos de caso: otimização de funções numéricas de benchmark; descoberta de protótipos em agrupamentos de dados; e treinamento de redes neurais feedfoward. Os resultados obtidos na otimização de funções numéricas de benchmark indicam a possibilidade de ganhos substanciais, em termos da localização de soluções (quase-)ótimas, em relação aos modelos com tamanho fixo da população. Já na tarefa de descoberta de protótipos em agrupamentos de dados, os resultados obtidos não evidenciaram ganhos significativos em termos de eficácia. Finalmente, os resultados obtidos na tarefa de treinamento de redes neurais artificiais indicam também ganhos de eficácia, embora menos expressivos, por parte dos algoritmos com população variável em relação aos algoritmos com tamanho fixo da população.
Palavras-Chave: Otimização, Metaheurísticas Populacionais, Controle de Parâmetros, Computação Evolutiva, Inteligência Coletiva, Otimização por Enxame de Partículas, Otimização por Evolução Diferencial, Agrupamento de dados, Redes Neurais Artificiais.
Ver menos
domínios; são elas a Otimização por Enxame de Partículas (PSO) e a otimização por Evolução Diferencial (DE). Ademais, os novos algoritmos são adaptações de dois outros modelos propostos no contexto de algoritmos Genéticos (AGs): o Algoritmo Genético com Tamanho Adaptativo da População (APGA) e o Algoritmo Genético com Tamanho da População Variável Baseado na Melhoria do Fitness
(PRoFIGA). Com o intuito de validar empiricamente os algoritmos propostos, estes são avaliados, em termos de critérios de eficiência e eficácia, em três estudos de caso: otimização de funções numéricas de benchmark; descoberta de protótipos em agrupamentos de dados; e treinamento de redes neurais feedfoward. Os resultados obtidos na otimização de funções numéricas de benchmark indicam a possibilidade de ganhos substanciais, em termos da localização de soluções (quase-)ótimas, em relação aos modelos com tamanho fixo da população. Já na tarefa de descoberta de protótipos em agrupamentos de dados, os resultados obtidos não evidenciaram ganhos significativos em termos de eficácia. Finalmente, os resultados obtidos na tarefa de treinamento de redes neurais artificiais indicam também ganhos de eficácia, embora menos expressivos, por parte dos algoritmos com população variável em relação aos algoritmos com tamanho fixo da população.
Palavras-Chave: Otimização, Metaheurísticas Populacionais, Controle de Parâmetros, Computação Evolutiva, Inteligência Coletiva, Otimização por Enxame de Partículas, Otimização por Evolução Diferencial, Agrupamento de dados, Redes Neurais Artificiais.
Ver menos
This work introduces four novel population-based heuristic algorithms, whose population size varies along the execution, which are aimed at solving problems of search and numerical optimization. These algorithms are extensions of the standard models of two metaheuristics recently proposed in the...
Ver mais
This work introduces four novel population-based heuristic algorithms, whose population size varies along the execution, which are aimed at solving problems of search and numerical optimization. These algorithms are extensions of the standard models of two metaheuristics recently proposed in the literature, which have been successfully applied in different fields. They are: Particle Swarm Optimization (PSO) and Differential Evolution (DE). In addition, these new algorithms are daptations of two other models proposed in the context of Genetic algorithms (GAs), namely, the Adaptive Population size GA (APGA) and Population Resize on Fitness Improvement GA (PRoFIGA). In order to empirically validate the proposed algorithms, their implementations are evaluated in terms of efficiency and effectiveness in three different case studies: optimization of benchmark numerical functions; prototype selection for data clustering; and training of feedforward neural networks. The results obtained in the benchmark functions optimization indicate gains, in terms of the ffectiveness issue, for time-varying population size models. Conversely, the results achieved by the time-varying population size models when dealing with the data clustering task have not shown gains in erformance. Finally, in the training of artificial neural networks, the novel algorithms could utperform the standard models in terms of effectiveness criterion, although the gains incurred were less expressive than those obtained in the first case study.
Keywords: Optimization, Population-based Metaheuristics, Parameter Control, Evolutionary Computing, Particle Swarm Optimization, Differential Evolution, Data Clustering, Artificial Neural Netwo Ver menos
Keywords: Optimization, Population-based Metaheuristics, Parameter Control, Evolutionary Computing, Particle Swarm Optimization, Differential Evolution, Data Clustering, Artificial Neural Netwo Ver menos
Disponibilidade forma física: Existe obra em CD-Rom de código : 79196
Disponibilidade forma física: Existe obra impressa de código : 79536
Coelho, Andre Luis Vasconcelos
Orientador
Coelho, Andre Luis Vasconcelos
Banca examinadora
Pozo, Aurora Trinidad Ramirez
Banca examinadora
Duarte, João Batista Furlan
Banca examinadora
Universidade de Fortaleza. Programa de Pós-Graduação em Informática Aplicada
Dissertação (mestrado)