Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto. / Submitted by Oliveira Flávia (flavia@sisbin.ufop.br) on 2014-10-08T18:11:44Z
No. of bitstreams: 1
DISSERTAÇÃO_AlgoritmoEstimaçãoDistribuição.pdf: 4257329 bytes, checksum: 46c818238b61dc57ce8e996ee4c097f8 (MD5) / Approved for entry into archive by Gracilene Carvalho (gracilene@sisbin.ufop.br) on 2014-11-04T16:22:10Z (GMT) No. of bitstreams: 1
DISSERTAÇÃO_AlgoritmoEstimaçãoDistribuição.pdf: 4257329 bytes, checksum: 46c818238b61dc57ce8e996ee4c097f8 (MD5) / Made available in DSpace on 2014-11-04T16:22:10Z (GMT). No. of bitstreams: 1
DISSERTAÇÃO_AlgoritmoEstimaçãoDistribuição.pdf: 4257329 bytes, checksum: 46c818238b61dc57ce8e996ee4c097f8 (MD5)
Previous issue date: 2013 / Neste trabalho, propõem-se um novo algoritmo híbrido denominado Multiobjective Optimization Estimation of Distribution Algorithm Based on Bee Colonies and Clusters (MOEDABC) para resolução de problemas de otimização multiobjetivo de larga escala no domínio contínuo. Este algoritmo é inspirado na organização de uma colônia de abelhas e baseia-se nos algoritmos de estimação de distribuição. Como forma de gerar melhores soluções utiliza-se também técnicas de clusterização com a finalidade de aumentar a convergência local das soluções na fronteira Pareto. O algoritmo é baseado em quatro tipos de abelhas: as campistas, as observadoras, as nutrizes e as escoteiras, onde cada uma utiliza uma forma diferente de gerar as novas soluções. Combinando diferentes técnicas como clusterização, estimação de distribuição e algoritmos genéticos possibilitou-se um melhor aprendizado por meio de modelos probabilísticos baseados em distribuições Gaussianas e de Cauchy, obtendo assim soluções de maior qualidade. Em busca de obter maior flexibilidade do algoritmo na resolução de problemas foi introduzido um feromônio de controle responsável por controlar a proporção de cada tipo de abelhas na colônia. Comparado com outros algoritmos os resultados obtidos demonstram que o algoritmo proposto apresenta uma maior velocidade de convergência e uma melhor distribuição das soluções na fronteira Pareto conforme os indicadores utilizados. _______________________________________________________________________ / ABSTRACT: In this paper, are proposed a new hybrid optimization algorithm denominated Multiobjective Estimation of Distribution Algorithm based on Bee Colonies and Clusters (MOEDABC) to solve large scale multi-objective optimization problems in continuous domain. This algorithm is inspired in the organization of a bee colony and is based on estimation of distribution algorithms. As a way to generate better solutions also employ the clustering methods in order to increase the local convergence of the solutions in the Pareto front. The algorithm is based in four types of bees, the employer, the onlookers, the nursings and scouts, each a of which uses differents way of generating new solutions. Combining different techniques such as clustering, estimation of distribution algorithms and genetic algorithms was possible a better learning through probabilistic models based on Gaussian distributions and Cauchy, thus obtaining higher quality solutions. In search of greater flexibility of the algorithm in solving problems we introduce a pheromone control that is responsible for controlling the proportion of each type of bees in the colony. Compared with other algorithms the results obtained show that the proposed algorithm shows a faster convergence and a better distribution of solutions in the front Pareto according to the metrics used.
Identifer | oai:union.ndltd.org:IBICT/oai:localhost:123456789/3673 |
Date | January 2013 |
Creators | Novais, Fabiano Tomás |
Contributors | Guimarães, Frederico Gadelha |
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 UFOP, instname:Universidade Federal de Ouro Preto, instacron:UFOP |
Rights | Autorização concedida ao Repositório Institucional da UFOP pelo autor, 01/09/2014, com as seguintes condições: disponível sob Licença Creative Commons 3.0, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta., info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds