Estado da Arte em Métodos Numéricos para Algoritmos Meta-heurísticos
Palavras-chave:
Estado da arte, Meta- heurística, Revisão.Resumo
Este trabalho tem o objetivo de realizar uma breve revisão na literatura sobre métodos numéricos para algoritmos meta-heurísticos, em especial AG, DE e PSO, para melhor compreender sua estrutura e dinâmica. Inicialmente é feita uma breve introdução sobre o tema, onde são apresentados alguns conceitos a cerca de algoritmos meta-heurísticos. Após, são expostos os formatos padrão (mais básicos ou originais) desses algoritmos. Depois são apresentados uma série de trabalhos que também abordam os algoritmos AG, DE e PSO, porém com modificações e combinações com outras técnicas, a fim de obter melhores resultados em relação à forma padrão. Ao final, conclui-se que os algoritmos modificados têm melhor desempenho que os tradicionais.
Referências
CHAPRA, S. C.; CANALE, R. P. Métodos Numéricos para Engenharia. Porto Alegre: McGraw-Hill, 2008, pp. 2.
ZAPELINI, C. Z. Um Estudo Abrangente Sobre Metaheurística. incluindo um histórico. Monografia. Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo, 2009.
SERAPIÃO, A. B. S. Fundamentos de Otimização por Inteligência de Exames: Uma Visão Geral. Revista Controle & Automação, Rio Claro, vol. 20,
no. 3, pp. 271-304, Jul/Ago./Set. 2009.
MELO, W. A. X.; FAMPA, M. H. C.; RAUPP, F. M. P. Evolução diferencial aperfeiçoada para otimização contínua restrita. 42o Simpósio Brasileiro de Pesquisa Operacional, Bento Gonçalves, 2010.
MENDONÇA, I. M.; MOREIRA, T. G.; JÚNIOR, I. C. S.; MARCATO, A. L. M.; DIAS, B. H., et. al., Planejamento Estático Da Expansão De Sistemas
De Transmissão De Energia Elétrica Via Otimização Por Enxame De Partículas. 43o Simpósio Brasileiro de Pesquisa Operacional, Ubatuba, 2011.
COELHO, L. S.; PESSÔA, M. W. A Tuning Strategy for Multivariable PI And PID Controllers Using Differential Evolution Combined With Chaotic Zaslavskii Map,” Elsevier. Expert Systems with Aplications, vol. 38, pp. 13694-13701, 2011.
HOLLAND, J. H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial
Intelligence. Ann Arbor, MI: University of Michigan Press, 1975.
ESHELMAN, L. J. Evolutionary Algorithms and their Standard Instances: Genetic Algorithms,” In: K. Jong, D. B. Fogel e H. S. Schwefel, Handbook of Evolutionary Computation. 1. ed. Bristol: IOP Publishing Ltd and Oxford University Press, ch. B1.2, pp. 44-45, 1997.
SOUZA, D. L.; MAIA, L. F. S.; LOBATO F. S.; ALMEIDA, G. M. Sintonia de Controladores PID com o Algoritmo de Evolução Diferencial. X Simpósio Brasileiro de Automação Inteligente. Anais, pp. 105-110, Set. 2011.
STORN, R.; PRICE, K. Differential Evolution–A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of
Global Optimization, vol. 11, no 4, pp. 341-359, 1997.
ANDRADE, L. H. S.; COSTA, B. L. G.; ANGÉLICO, B. A.; PSO Aplicado a Sintonia do Controlador PI/PID da Malha de Nível de uma Planta Didática Industrial. 11o Simpósio Brasileiro de Automação Inteligente, Fortaleza, 2013. Anais eletrônicos. Disponível em:<http://www.sbai2013.ufc.br/pdfs/7935.p df>. Acesso em 08 mar. 2018.
FALCUCCI, M.; JÚNIOR, J. N. R. S.; BRAGA, A. P. S.; NASCIMENTO, J. A. Determinação dos Parâmetros Ótimos de um Controlador PID
Aplicado na Regulação de Tensão de Geradores Síncronos Através do Método de Otimização por Enxame de Partículas – PSO. 1o Simpósio
Brasileiro de Inteligência Computacional, Florianópolis. 2007, Anais.
EBERHART, R.; KENNEDY, J. A New Optimizer Using Particle Swarm Theory. MHS'95. Proceedings of the Sixth International Symposium on
Micro Machine and Human Science, Nagoya, Japan, 1995, pp. 39-43.
KENNEDY, J. The Particle Swarm: Social Adaptation of Knowledge. Proceedings of 1997 IEEE International Conference on Evolutionary
Computation (ICEC '97), Indianapolis, IN, USA, 1997, pp. 303-308.
SANTOS, L. B. L.; VELHO, H. F. C.; CHIWIACOWSKY, L. D. Análise de Robustez do Método Híbrido de Estimação de Dano Estrutural. TEMA (São Carlos) [online]. 2011, vol.12, n.3 [cited 2018-08-21], pp.245-252. Disponível em: <http://www.scielo.br/scie lo.php?script=sci_ arttext&pid=S2179-84512011 000 30 0008&lng =en &nrm=iso>. ISSN 2179-8451.http://dx. doi.org/10.5540/ tema.201 1.012.03.0245. Acesso em: 15 ago 2018.
LOPES, R. A.; FREITAS, A. R. R. Um modelo híbrido de distribuição populacional para o algoritmo de evolução diferencial. XLIX Simpósio Brasileiro de Pesquisa Operacional, Blumenau, 2017. SILVEIRA, T.; OLIVEIRA, H. C. B., SILVA, L. E.; SALGADO, R. M. Controle De Inércia Não
Monotônico Na Otimização Por Enxame De Partículas. SCIENTIA – Interdisciplinary Studies in Computer Science, vol. 20, ed. 2, pp. 69-82, jul./dec., 2009.
Downloads
Publicado
Declaração de Disponibilidade de Dados
DisponívelEdição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-ShareAlike 4.0 International License.
Os autores mantêm os direitos autorais sobre os trabalhos publicados nesta revista, concedendo à SIMPROIN o direito de primeira publicação. O conteúdo está licenciado sob uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional (CC BY-SA 4.0), que permite copiar, redistribuir, remixar, transformar e criar a partir do material para qualquer finalidade, inclusive comercial, desde que seja atribuída a autoria e feita referência à publicação original nesta revista.
Os autores concordam que qualquer reutilização de seu trabalho por terceiros deve incluir o nome dos autores, o título do artigo, o nome da revista, o DOI (quando disponível) e o link para a licença.
É permitido e incentivado que os autores disponibilizem a versão publicada do trabalho em repositórios institucionais, sites pessoais ou redes acadêmicas imediatamente após a publicação, com menção à publicação inicial nesta revista.
