Condução de Experimentos Computacionais com Métodos ...

More documents

Recommendations

Info

2.3 Métodos Metaheurísticos 37 Algoritmo 2.7: Construção 1 2 3 4 5 6 7 8 9 s ← /0; Inicialize o conjunto de candidatos C; enquanto C = /0 faça g(tmin) = min{g(t) | t ∈ C}; g(tmax) = max{g(t) | t ∈ C}; LCR = {t ∈ C | g(t) ≤ g(tmin) + α(g(tmax − g(tmin))}; Selecione, aleatoriamente, um elemento t ∈ LCR; s ← s ∪ {t}; Atualize o conjunto C de candidatos; O Algoritmo 2.8 de busca local utilizado em GRASP, obterá boas soluções caso a solução inicial também seja boa. Então, quando o algoritmo de busca local inicia com uma solução boa, ele tende acelerar seu processo de busca. Portanto, o algoritmo de construção é importante, pois ele irá implica profundamente no resultado final. Algoritmo 2.8: Busca Local GRASP 1 2 3 4 5 6 V = {s ′ ∈ N(s) | f (s ′ ) < f (s)}; enquanto | V |> 0 faça Selecione s ′ ∈ V ; s ← s ′ ; V = {s ′ ∈ N(s) | f (s ′ ) < f (s)}; Retorne s; Como o algoritmo GRASP trabalha com aspectos aleatórios e gulosos, é importante saber balanceá-los. O trabalho de Prais e Ribeiro [92] trata da variação de parâmetros em procedimentos GRASP. 2.3.5 Algoritmos Genéticos Os Algoritmos Genéticos foram desenvolvidos por Holland e seus colegas nos anos 70. São algoritmos de busca baseados em processos de seleção natural de evolução, da Teoria de Darwin, em que os indivíduos com características melhores têm maiores chances de sobrevivência e de produzirem filhos cada vez mais aptos, e os indivíduos mais fracos (menos aptos) tendem a desaparecer. Para esta seção, são referenciados [41, 71].
2.3 Métodos Metaheurísticos 38 Alguns elementos de Algoritmos Genéticos são mostrados na Figura 2.4. A população é um conjunto de indivíduos, também chamados de cromossomos. Cada cromossomo equivale a uma solução do problema. Dessa forma, uma população é um conjunto de soluções. O cromossomo é dividido em componentes, chamados alelos, que são os possíveis valores que cada componente da solução pode assumir. O valor que cada alelo possui é chamado de gene. Um mecanismo de reprodução baseado em processos evolutivos é aplicado sobre a população, com o objetivo de explorar o espaço de busca e encontrar as melhores soluções para o problema. Cada indivíduo é avaliado por uma função de aptidão (a função objetivo), a qual mensura seu grau de adaptação ao meio. Quanto maior for o valor da função de aptidão, quer dizer que mais o indivíduo está adaptado ao meio. População (Conjunto de Soluções) Alelo (possível valor do gene) 0 1 0 0 1 1 1 0 0 1 1 1 0 0 0 0 1 1 0 1 Cromossomo (indivíduo, solução) Gene (parte da representação de uma solução) Figura 2.4: Elementos de um Algoritmo Genético. Dessa forma, para um problema particular, um Algoritmo Genético (como qualquer algoritmo evolutivo) deve ter estes cinco componentes: • Uma representação genética de potenciais soluções par o problema; • Um modo de criar uma população de soluções inicial; • Uma função de avaliação que segue as regras do ambiente, avaliando as soluções em relação à sua "aptidão"; • Operadores genéticos que alteram a composição dos filhos; • Valores de vários parâmetros que um Algoritmo Genético usa (tamanho da popula- ção, probabilidade da aplicação dos operadores genéticos). O algoritmo básico funciona da seguinte maneira: inicia sua busca com uma população {s0 1 ,s0 2 ,...,s0 n}, em que s j i , com i = 1,...,n, equivale à uma solução, e j = 1,...,t,
Page 1 and 2: UNIVERSIDADE FEDERAL DE GOIÁS INST
Page 3 and 4: CARINE RODRIGUES DA COSTA Conduçã
Page 5 and 6: À minha querida e amada mãe, Vera
Page 7 and 8: Fabiana Freitas, Bruno Calçado, El
Page 9 and 10: Resumo Costa, Carine Rodrigues da.
Page 11 and 12: Sumário Lista de Figuras 12 Lista
Page 13 and 14: Lista de Figuras 2.1 Classes de pro
Page 15 and 16: Introdução CAPÍTULO 1 Quando é
Page 17 and 18: em algoritmos (Crowder et al, 1979
Page 19 and 20: 1.1 Organização do Trabalho 18 De
Page 21 and 22: 2.1 Definições Preliminares 20 2.
Page 23 and 24: 2.1 Definições Preliminares 22 De
Page 25 and 26: 2.2 Métodos Heurísticos 24 consid
Page 27 and 28: 2.2 Métodos Heurísticos 26 Algori
Page 29 and 30: 2.3 Métodos Metaheurísticos 28 Ef
Page 31 and 32: 2.3 Métodos Metaheurísticos 30 al
Page 33 and 34: 2.3 Métodos Metaheurísticos 32 ta
Page 35 and 36: 2.3 Métodos Metaheurísticos 34 qu
Page 37: 2.3 Métodos Metaheurísticos 36 au
Page 41 and 42: 2.3 Métodos Metaheurísticos 40 do
Page 43 and 44: 2.3 Métodos Metaheurísticos 42 O
Page 45 and 46: 2.3 Métodos Metaheurísticos 44 he
Page 47 and 48: 2.3 Métodos Metaheurísticos 46 o
Page 49 and 50: 2.3 Métodos Metaheurísticos 48
Page 51 and 52: 2.3 Métodos Metaheurísticos 50 mu
Page 53 and 54: 3.1 Análise de Algoritmos 52 3.1.1
Page 55 and 56: 3.1 Análise de Algoritmos 54 Em re
Page 57 and 58: 3.4 Objetivos do Experimento 56 Def
Page 59 and 60: 3.5 Medidas de Desempenho e Fatores
Page 65 and 66: Projeto e Execução do Experimento
Page 67 and 68: 4.1 Planejamento Experimental 66 co
Page 69 and 70: 4.2 Seleção do Conjunto de Instâ
Page 75 and 76: 4.4 Execução do Experimento 74 do
Page 77 and 78: 4.6 Questões de Implementação 76
Page 79 and 80: 4.7 Tempo Gasto na Execução do Ex
Page 81 and 82: 5.1 Análise dos Dados 80 multiplat
Page 83 and 84: 5.1 Análise dos Dados 82 lacional
Page 85 and 86: 5.1 Análise dos Dados 84 1979; Der
Page 87 and 88: 5.2 Relato dos Resultados dos Exper
Page 89 and 90:
5.2 Relato dos Resultados dos Exper
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
5.3 Checklist para Avaliação de R
Page 97 and 98:
5.3 Checklist para Avaliação de R
Page 99 and 100:
Estudo Exemplo: Problema de Atribui
Page 101 and 102:
6.1 Problema de Atribuição Quadr
Page 103 and 104:
6.2 Artigos Selecionados 102 e Holg
Page 105 and 106:
6.3 Análise dos Artigos 104 Por fi
Page 107 and 108:
6.3 Análise dos Artigos 106 6.3.2
Page 109 and 110:
6.3 Análise dos Artigos 108 de ins
Page 111 and 112:
6.3 Análise dos Artigos 110 ou por
Page 113 and 114:
6.3 Análise dos Artigos 112 O arti
Page 115 and 116:
6.3 Análise dos Artigos 114 o algo
Page 117 and 118:
6.3 Análise dos Artigos 116 Sobre
Page 119 and 120:
6.4 Conclusões do Capítulo 118 A
Page 121 and 122:
Considerações Finais CAPÍTULO 7
Page 123 and 124:
• Utilizando o checklist, escolhe
Page 125 and 126:
Referências Bibliográficas 124 [1
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Conceitos Básicos de Estatística
Page 135 and 136:
Apêndice A 134 • Avaliação e c
Page 137 and 138:
Apêndice A 136 elementos têm a me
Page 139 and 140:
Apêndice A 138 Margem de Erro A ma
Page 141 and 142:
Apêndice A 140 Erro Padrão na Mé
Page 143 and 144:
Apêndice A 142 τi = é um parâme
Page 145 and 146:
Apêndice A 144 nos níveis de tama
Page 147 and 148:
Apêndice A 146 modelo tem pouca se
Page 149 and 150:
Itens Para avaliação de Experimen
show all

Condução de Experimentos Computacionais com Métodos ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?