Uso de algoritmo genético com operadores modificados para otimização de funções de variáveis reais

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.