M.Sc. thesis - Fei

Algoritmo 1: Algoritmo Evolucionário
início
t := 0
inicialize[P(t)]
avalie[P(t)]
enquanto ¬termino faça
P ′ (t) := variaç~ao[P(t)]
avalie[P ′ (t)]
P[(t + 1)] := selecione[P ′ (t)]
t := t + 1
de busca e a função de aptidão uma convolução do genótipo ao fenótipo, Wright visualizava um
sistema evolucionário explorando o espaço de genótipos em busca de picos de uma função de
aptidão multi-modal. A busca pela sobrevivência leva as populações a se aglomerarem em regiões
próximas aos picos, formando nichos e especiação. A função de Schwefel na Figura 3.1 é um
exemplo de paisagem artificial dada por uma função de aptidão.
2000
1500
1000
500
0
-400 -200
0
200
200400
0
-200
400 -400
Figura 3.1: Função de aptidão artificial de Schwefel dada pela equação
f(x) = 418.9829 · n − ∑ n i=1 sin
|xi|
.
O processo de evolução simulado por computador e aplicado a problemas de otimização
resulta em uma técnica de otimização estocástica eficiente em problemas complexos (FOGEL, 1994).
Contudo, o Teorema da Inexistência do Almoço Grátis (There is No Free Lunch - NFL) (WOLPERT;
MACREADY, 1997) determina que a superioridade relativa de desempenho de um algoritmo em uma
determinada classe de problemas implica em uma compensação de ineficiência relativa em outras
classes. Schwefel (1997) considera que, para um determinado domínio de problemas, na existência
de algoritmos tradicionais os EAs não devem ser utilizados devido às implicações do NFL. Os EAs
são, no entanto, uma excelente alternativa quando depara-se com problemas não diferenciáveis,
descontínuos, multimodais, ruidosos ou com múltiplos objetivos.
19