Use este identificador para citar ou linkar para este item: http://repositorio.ufpa.br:8080/jspui/handle/2011/11267
Tipo: Tese
Data do documento: 26-Abr-2019
Autor(es): YASOJIMA, Edson Koiti Kudo
Primeiro(a) Orientador(a): OLIVEIRA, Roberto Célio Limão de
Primeiro(a) coorientador(a): TEIXEIRA, Otávio Noura
Título: Uso de algoritmo genético com operadores modificados para otimização de funções de variáveis reais
Título(s) alternativo(s): Use of genetic algorithm with modified operators for optimization of real variable functions
Citar como: YASOJIMA, Edson Koiti Kudo. Uso de algoritmo genético com operadores modificados para otimização de funções de variáveis reais. Orientador: João Paulo Abreu Vieira. 2019. 79 f. Tese (Doutorado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/11267. Acesso em:.
Resumo: Este trabalho apresenta um Algoritmo Genético que utiliza uma nova operação de crossover (ADX – Adjusted Crossover) e um novo método de mutação através do ajuste baseado em correlação (CAM – Correlation Adjustment Mutation). Ambos os operadores propostos são executados na população do AG, otimizando soluções já existentes (ADX) e aumentando o poder exploratório global do algoritmo através do ajuste correlacional (CAM). Heurísticas puramente baseadas em solução oferecem um bom nível de otimização local (intensificação), no entanto, possuem baixo nível de exploração global do espaço de busca. Por outro lado, algoritmo evolutivos oferecem capacidades exploratórias globais melhores. A partir deste pressuposto, os métodos que buscam o aumento de tais capacidades exploratórias são vastamente utilizados para otimização de problemas com restrições de variáveis, devido à utilização vantajosa do poder de busca das duas abordagens (baseado em solução e evolutivos). Os métodos propostos neste trabalho aumentaram o poder de exploração e intensificação do algoritmo genético utilizado. De acordo com os testes executados, o algoritmo genético com os operadores propostos apresentou resultados melhores para a maioria os problemas clássicos de engenharia quando comparados a outros métodos presentes na literatura. Além disso, obteve bons resultados em problemas de robótica e performance mediana quando utilizados com benchmarks propostos no evento CEC’2015.
Abstract: and a novel statistic correlation mutation algorithm (CAM). Both ADX and CAM work with population information to improve existing individuals of the GA and increase the exploration potential via the correlation mutation. Solution-based methods offers good local improvement of already known solutions while lacking at exploring the whole search space, evolutionary algorithms provide better global search in exchange of exploitation power. Methods that increase the search potential are widely used for constrained optimization problems due to increased global and local search capabilities. The GA with the proposed operators improves results of constrained problems by balancing the exploitation and exploration potential of the algorithm. The conducted tests present average performance for various CEC’2015 benchmark problems, while offering good reliability and superior results on path planning problem for redundant manipulator and most of the constrained engineering design problems tested when compared with current works in the literature and classic optimization algorithms.
Palavras-chave: Algoritmo genético
Otimização
Variáveis reais
Problemas de engenharia
Exploração
Intensificação
Área de Concentração: COMPUTAÇÃO APLICADA
Linha de Pesquisa: INTELIGÊNCIA COMPUTACIONAL
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
País: Brasil
Instituição: Universidade Federal do Pará
Sigla da Instituição: UFPA
Instituto: Instituto de Tecnologia
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Tipo de Acesso: Acesso Aberto
Fonte: 1 CD-ROM
Aparece nas coleções:Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Tese_UsoAlgoritmoGenetico.pdf2,08 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons