Made available in DSpace on 2014-12-17T14:55:16Z (GMT). No. of bitstreams: 1
LuizAC_TESE.pdf: 1792266 bytes, checksum: ec666aacc6a6bc6fc6e042bf7f0ce339 (MD5)
Previous issue date: 2013-11-05 / In this work, the Markov chain will be the tool used in the modeling and analysis of
convergence of the genetic algorithm, both the standard version as for the other versions
that allows the genetic algorithm. In addition, we intend to compare the performance of
the standard version with the fuzzy version, believing that this version gives the genetic algorithm
a great ability to find a global optimum, own the global optimization algorithms.
The choice of this algorithm is due to the fact that it has become, over the past thirty yares,
one of the more importan tool used to find a solution of de optimization problem. This
choice is due to its effectiveness in finding a good quality solution to the problem, considering
that the knowledge of a good quality solution becomes acceptable given that there
may not be another algorithm able to get the optimal solution for many of these problems.
However, this algorithm can be set, taking into account, that it is not only dependent on
how the problem is represented as but also some of the operators are defined, to the standard
version of this, when the parameters are kept fixed, to their versions with variables
parameters. Therefore to achieve good performance with the aforementioned algorithm
is necessary that it has an adequate criterion in the choice of its parameters, especially the
rate of mutation and crossover rate or even the size of the population. It is important to
remember that those implementations in which parameters are kept fixed throughout the
execution, the modeling algorithm by Markov chain results in a homogeneous chain and
when it allows the variation of parameters during the execution, the Markov chain that
models becomes be non - homogeneous. Therefore, in an attempt to improve the algorithm
performance, few studies have tried to make the setting of the parameters through
strategies that capture the intrinsic characteristics of the problem. These characteristics
are extracted from the present state of execution, in order to identify and preserve a pattern
related to a solution of good quality and at the same time that standard discarding of
low quality. Strategies for feature extraction can either use precise techniques as fuzzy
techniques, in the latter case being made through a fuzzy controller. A Markov chain is
used for modeling and convergence analysis of the algorithm, both in its standard version
as for the other. In order to evaluate the performance of a non-homogeneous algorithm
tests will be applied to compare the standard fuzzy algorithm with the genetic algorithm,
and the rate of change adjusted by a fuzzy controller. To do so, pick up optimization
problems whose number of solutions varies exponentially with the number of variables / Neste trabalho, a cadeia de Markov ser? a ferramenta usada na modelagem e na an?lise
de converg?ncia do algoritmo gen?tico, tanto para sua vers?o padr?o quanto para as
demais vers?es que o algoritmo gen?tico permite. Al?m disso, pretende-se comparar o
desempenho da vers?o padr?o com a vers?o nebulosa, por acreditar que esta vers?o d?
ao algoritmo gen?tico uma grande capacidade para encontrar um ?timo global, pr?prio
dos algoritmos de otimiza??o global. A escolha deste algoritmo deve-se tamb?m ao fato
do mesmo ter se tornado, nos ?ltimos anos, uma das ferramentas mais usadas para achar
uma solu??o do problema de otimiza??o. Esta escolha deve-se ? sua comprovada efic?cia
na busca de uma solu??o de boa qualidade para o problema, considerando que o
conhecimento de uma solu??o de boa qualidade torna-se aceit?vel tendo em vista que
pode n?o existir um outro algorimo capaz de obter a solu??o ?tima, para muitos desses
problemas. Entretanto, esse algoritmo pode ser definido, levando em conta que o mesmo
? dependente n?o apenas da forma como o problema ? representado, mas tamb?m como
s?o definidos alguns dos operadores, desde sua vers?o padr?o, quando os par?metros s?o
mantidos fixos, at? suas vers?es com par?metros vari?veis. Por isso, para se alcan?ar
um bom desempenho com o aludido algoritmo ? necess?rio que o mesmo tenha um adequado
crit?rio na escolha de seus par?metros, principalmente da taxa de muta??o e da
taxa de cruzamento ou, at? mesmo, do tamanho da popula??o. ? importante lembrar que
as implementa??es em que par?metros s?o mantidos fixos durante toda a execu??o, a modelagem
do algoritmo por cadeia de Markov resulta numa cadeia homog?nea, e quando
permite a varia??o de par?metros ao longo da execu??o, a cadeia de Markov que o modela
passa a ser do tipo n?o-homog?nea. Portanto, na tentativa de melhorar o desempenho
do algoritmo, alguns trabalhos t?m procurado realizar o ajuste dos par?metros atrav?s de
estrat?gias que captem caracter?sticas intr?nsecas ao problema. Essas caracter?sticas s?o
extra?das do estado presente de execu??o, com o fim de identificar e preservar algum padr?o
relacionado a uma solu??o de boa qualidade e, ao mesmo tempo, descartando aquele
padr?o de baixa qualidade. As estrat?gias de extra??o das caracter?sticas tanto podem usar
t?cnicas precisas quanto t?cnicas nebulosas, sendo neste ?ltimo caso feita atrav?s de um
controlador nebuloso. Com o fim de avaliar empiriccamente o desempenho de um algoritmo
n?o-homog?neo, apresenta-se testes onde se compara o algoritmo gen?tico padr?o
com o algoritmo gen?tico nebuloso, sendo a taxa de muta??o ajustada por um controlador
nebuloso. Para isso, escolhe-se problemas de otimiza??o cujo n?mero de solu??es varia
exponencialmente com o n?mero de vari?veis
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/15236 |
Date | 05 November 2013 |
Creators | Carlos, Luiz Amorim |
Contributors | CPF:10829741453, http://lattes.cnpq.br/3165031680223608, D?ria Neto, Adri?o Duarte, CPF:10749896434, http://lattes.cnpq.br/1987295209521433, Aloise, Daniel, CPF:03553729406, http://lattes.cnpq.br/5093210888872414, Aloise, Dario Jos?, CPF:05163088334, http://lattes.cnpq.br/7266011798625538, Ochi, Luiz Satoru, CPF:49197371734, http://lattes.cnpq.br/9171815778534257, Ara?jo, Aldayr Dantas de |
Publisher | Universidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Engenharia El?trica, UFRN, BR, Automa??o e Sistemas; Engenharia de Computa??o; Telecomunica??es |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0119 seconds