Estudo do conceito de serendipidade como base para novas abordagens ao problema da convergência prematura
| Ano de defesa: | 2017 |
|---|---|
| Autor(a) principal: |
Paiva, Fábio Augusto Procópio de
 |
| Orientador(a): |
Costa, José Alfredo Ferreira
|
| Banca de defesa: | , , , , |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
Outro
Programa de Pós-Graduação em Engenharia Elétrica e de Computação |
| Departamento: |
Parnamirim
|
| País: |
Brasil
|
| Palavras-chave em Português: | |
| Área do conhecimento CNPq: | |
| Link de acesso: | http://memoria.ifrn.edu.br/handle/1044/1791 |
Resumo: | Na literatura, é comum encontrar diversos problemas de engenharia que são usados com o objetivo de mostrar a eficácia dos algoritmos de otimização. Vários métodos de Computação Bio-inspirada vêm sendo propostos como solução em diferentes contextos dos problemas de engenharia. Entre esses métodos, há uma categoria de algoritmos conhecida como Inteligência de Enxames. Apesar do relativo sucesso, a maioria desses algoritmos enfrenta um problema muito comum, conhecido como convergência prematura. Ela ocorre quando um enxame perde a sua capacidade de gerar diversidade e, como consequência, converge para uma solução subótima, prematuramente. Existem diversas abordagens que se propõem a resolver esse problema. Esta tese propõe uma nova abordagem baseada em um conceito chamado serendipidade, que normalmente é aplicado no domínio dos Sistemas de Recomendação. Para avaliar a viabilidade da adaptação desse conceito ao novo contexto, uma variante chamada Serendipity-Based Particle Swarm Optimization (SBPSO) foi implementada considerando duas dimensões da serendipidade: acaso e sagacidade. Para avaliar a proposta apresentada, dois conjuntos de experimentos computacionais foram realizados. Para isso, dezesseis funções de referência, que são bastante comuns na avaliação de algoritmos de otimização, foram utilizadas. No primeiro conjunto de experimentos, quatro funções foram usadas para comparar SBPSO com a Particle Swarm Optimization (PSO) e algumas variantes da literatura. No segundo, outras doze funções foramutilizadas, porém em alta dimensionalidade e com um número maior de avaliações da função objetivo. Em todos os experimentos realizados, os resultados da SBPSO se mostraram promissores e apresentaram um bom comportamento de convergência no que diz respeito à a) qualidade da solução, b) capacidade de encontrar o ótimo global, c) estabilidade das soluções e d) capacidade de retomar o movimento do enxame após a estagnação ter sido detectada. |