Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T11:42:31Z
No. of bitstreams: 1
ericadacostareiscarvalho.pdf: 5557018 bytes, checksum: f6ffd53d6329e89b519786974a1b85e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:32:37Z (GMT) No. of bitstreams: 1
ericadacostareiscarvalho.pdf: 5557018 bytes, checksum: f6ffd53d6329e89b519786974a1b85e0 (MD5) / Made available in DSpace on 2017-03-06T19:32:37Z (GMT). No. of bitstreams: 1
ericadacostareiscarvalho.pdf: 5557018 bytes, checksum: f6ffd53d6329e89b519786974a1b85e0 (MD5)
Previous issue date: 2014-02-13 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nos últimos anos, várias meta-heurísticas têm sido adotadas para a solução de problemas
de otimização com restrições. Uma dessas meta-heurísticas que se torna cada vez mais
popular é a Otimização por Enxame de Partículas (Particle Swarm Optimization - PSO).
O PSO é baseado na metáfora de como algumas espécies compartilham informações e,
em seguida, usam essas informações para mover-se até os locais onde os alimentos estão
localizados. A população é formada por um conjunto de indivíduos denominado partículas
que representa possíveis soluções dentro de um espaço de busca multidimensinal. Neste
trabalho, são analisados problemas clássicos de otimização com restrições onde um
algoritmo PSO os trata como sendo sem restrições através da introdução de um método
de penalização adaptativa (Adaptive Penalty Method - APM). O APM adapta o valor
dos coeficientes de penalização de cada restrição fazendo uso de informações coletadas da
população, tais como a média da função objetivo e o nível de violação de cada restrição.
Diversos experimentos computacionais são realizados visando avaliar o desempenho do
algoritmo considerando vários problemas testes encontrados na literatura. / In recent years, several meta-heuristics have been adopted for the solution of constrained
optimization problems. One of these meta-heuristic that is becoming increasingly popular
is the Particle Swarm Optimization - PSO. PSO is based on the metaphor of how some
species share information and then use this information to move to the places where food
is located. The population is formed by a group of individuals called particles representing
possible solutions within a space multidimensional search. In this thesis, classical problems
of constrained optimization where a PSO algorithm treats them as being unconstrained
by introducing a method of adaptive penalty (Adaptive Penalty Method - APM) are
analyzed. The APM adjusts the value of the penalty coeffcients of each constraint using
the information collected from the population, such as the average of the objective function
as well as the level of violation of each constraint. Several computational experiments are
conducted to assess the performance the algorithm tests considering various problems
found in the literature.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/3506 |
| Date | 13 February 2014 |
| Creators | Carvalho, Érica da Costa Reis |
| Contributors | Lemonge, Afonso Celso de Castro, Bernardino, Heder Soares, Hallak, Patricia Habib, Fonseca, Leonardo Goliatt da, Lima, Beatriz de Souza Leite Pires de |
| Publisher | Universidade Federal de Juiz de Fora (UFJF), Programa de Pós-graduação em Modelagem Computacional, UFJF, Brasil, ICE – Instituto de Ciências Exatas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFJF, instname:Universidade Federal de Juiz de Fora, instacron:UFJF |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds