Академический Документы
Профессиональный Документы
Культура Документы
1 INTRODUO
Tcnicas de resoluo de problemas de otimizao combinatria, como programao
dinmica (MOREIRA & VIANA, 2011) e branch-and-bound (WINSTON, 1994) podem
fornecer em tempo hbil solues exatas para algumas aplicaes; quando isto no possvel
utilizam-se algoritmos aproximativos (VAZIRANI, 2011) com fatores de aproximao
conhecidos ou heursticas que consistem nos mtodos projetados nas propriedades estruturais e
nas caractersticas dos problemas que fornecem tambm solues aproximadas, porm com
complexidade reduzida em relao aos algoritmos exatos. Entre estas heursticas podem ser
citados os mtodos construtivos, os de busca local e as meta-heursticas (VIANA, 1998), que
sero detalhados nas sees seguintes.
76
2 DEFINIES
2.1 Problema de Otimizao Combinatria (POC)
Dados:
Nomenclatura:
S configurao qualquer
77
78
! 8 $
& = 8 vizinhos.
" 1 %
! 8 $
& = 28 vizinhos.
" 2 %
quadrtica e K = N(S) = #
79
2.4 Aleatorizao
Para alcanar a diversidade nas solues encontradas pode-se criar uma lista de
candidatas e forar uma escolha aleatria (WINSTON, 1994) a cada iterao. A qualidade da
soluo obtida depende da funo de randomizao utilizada e da cardinalidade da lista
procedendo a troca da melhor soluo encontrada parcialmente de forma gulosa,
eventualmente este processo, chamado de diversificao pode levar a um mnimo global
(soluo tima) ou na pior das hipteses, numa soluo melhor quando se alternam os processos
de intensificao e diversificao, de modo que so comparados vrios mnimos locais.
A Figura 3 apresenta um exemplo que compara uma estratgia gulosa cuja soluo
corresponde a um mximo local devido ao critrio de intensificao, e outra, no gulosa, ou
seja, em algum momento permite mudanas (diversificao) que pode encontrar um mximo
global.
80
f * = {min fi , i,1 i m } .
81
Definio da vizinhana
Estratgia de busca
Dificuldades encontradas:
82
Procedimentos teis:
Todos os conceitos apresentados nesta seo so teis para o entendimento das metaheursticas definidas a seguir. Especificamente os procedimentos de perturbao, as estratgias
de intensificao e diversificao e as tcnicas de busca local so utilizadas na seo seguinte
onde evidenciado que as meta-heursticas podem ser aplicadas a qualquer problema de
otimizao combinatria.
3 META-HEURSTICAS
3.1 Definio
As meta-heursticas so procedimentos destinados a encontrar uma boa soluo de um
problema, eventualmente a tima, alternando procedimentos de intensificao e de
diversificao com o objetivo de fugir (escapar) de timos locais (GLOVER &
KOCHENBERGER, 2003). Diferenciam-se, entre si, pelo critrio de escolha da soluo inicial,
da definio da vizinhana, da forma de seleo do vizinho e do critrio de parada; pode-se
dizer que uma de suas principais caractersticas ser de uso geral, no sentido que podem ser
adaptadas para resolver problemas diversos, diferentemente das heursticas simples que so
especficas para um dado problema.
83
procedem melhoria das solues parciais utilizando uma heurstica de busca local
(intensificao)
fazem uma randomizao controlada
diversificam a busca de forma dinmica, ou seja, a rotina de diversificao varia de
acordo com a evoluo do algoritmo
utilizam funes de avaliao (funo objetivo) de forma eficiente
em geral, o tempo computacional necessrio para obter uma boa soluo bem maior
que as heursticas simples, podendo ser controlado por nmero de iteraes e/ou outros critrios
de parada.
84
85
86
atingir o equilbrio trmico, tornando-se consistentes e rgidos (van LAARHOVEN & AARTS,
1987).
Para alternar os procedimentos de intensificao e diversificao num problema de
minimizao utilizam-se os testes (aceitao de uma nova soluo S):
f (S ) f (S ')
T
> random(0,1)
87
88
(cruzamentos e mutaes) que correspondem s pertubaes, a fim de criar uma nova populao
(HOLLAND, 1975).
Os AGs trabalham unicamente com os valores das funes objetivo, de modo que,
claramente percebe-se que esta MH de uso geral, ou seja, o que muda de uma aplicao para
outra a forma de clculo da funo objetivo e uma adaptao da estrutura de dados
conveniente para armazenar as configuraes (GOLDBERG, 1989).
Os elementos necessrios para construo de um algoritmo gentico so:
escolher a forma de representar os cromossomos (configurao de uma soluo vivel)
gerar a populao inicial (o tamanho da populao um parmetro de entrada)
avaliar os indivduos da populao [c(S)]
reproduzir os melhores indivduos (seleo) (uso de uma roleta viciada)
realizar e definir cruzamentos (crossover)
realizar e definir mutaes (perturbaes)
A Figura 7 apresenta o algoritmo para a meta-heurstica Algoritmo Gentico. Os
procedimentos existentes realizam as seguintes funes:
Generate Initial Population gera uma populao inicial POP de forma aleatria e calcula
os valores da funo objetivo para todos seus elementos.
Local Search (p) localiza a melhor configurao dentro da populao POP e seleciona os
melhores elementos da populao, eliminando os piores, redefinindo uma nova populao p.
Recombination recombina os elementos de p atravs de procedimentos conhecidos como
cruzamentos, gerando uma nova populao p.
Mutation altera elementos de p atravs do processo de mutao que corresponde a uma
perturbao, gerando uma nova populao p.
Local Search (p, p ) seleciona os melhores elementos de p e p, eliminando os
piores, gerando uma nova populao p.
Selection ( p, p ) seleciona o melhor elemento de p e p, candidato a soluo e
atualiza a populao p para a prxima gerao (iterao).
89
90
Extreme Optimization
91
5 CONCLUSO
As meta-heursticas so ferramentas importantes na resoluo de problemas de otimizao
combinatria, em geral so os mtodos que obtm melhores resultados, com um tempo de
execuo um pouco mais dilatado que as heursticas, mas certamente admissvel para obter
solues bem aproximadas.
Uma grande dificuldade do uso das MH sua calibrao, pois os parmetros de entrada
devem estar bem definidos para que a soluo seja obtida em tempo rpido e com boa
qualidade.
O uso de programao paralela um aliado na melhoria da performance das MHs
especialmente em relao ao tempo de execuo. Diversos trabalhos foram publicados para
resolver problemas clssicos de otimizao combinatria, parte deles usando paralelismo
(VIANA, 1998).
Novas MHs podem ser criadas utilizando novas ideias para balanceamento dos processos
de intensificao e diversificao aliados a uma boa estratgia de busca.
92
specific algorithms that can be non-polynomial, pseudo-polinomial, approximate and heuristic. Garey &
Johnson (1979), in his traditional book "Computer and Intractability", present a long list of problems
belonging to this class whose treatment by approximation techniques mentioned produce satisfactory
results, not guaranteeing, however, its optimality or if there is better solution. Most of these problems
involve the so-called decision problems seeking the existence of a particular structure that satisfies a
certain property and optimization problems which seek among these structures which one has a maximum
or minimum value for a given evaluation function applied to these elements. In this article is given a
formal definition of combinatorial optimization problem and a description of metaheuristics that
correspond to one of the main techniques developed to obtain a good solution of this problemin an
acceptable time.
Referncias
AARTS, E.H.L. and LENSTRA, J. K. Local Search in Combinatorial Optimization.
USA: John Wiley & Sons, 1997.
DASGUPTA, S., PAPADIMITRIOU, C. and VAZIRANI, U. Algorithms. McGraw-Hill Higher
Education, 2008.
FEO, T.A. and RESENDE, M.G.C. Greedy Randomized Adaptive Search Procedures.
In Journal of Global Optimization, v.6, p.109-133, 1995.
GAREY, M.R. and JOHNSON, D.S. Computers and Intractability: A Guide to the Theory of
NP-Completeness, USA: W.H. Freeman and Company, 1979.
GLOVER, F. and KOCHENBERGER, G. Handbook of Metaheuristics. USA: Kluwer
Academic Publishers, 2003.
GLOVER, F. and LAGUNA, M.. Tabu Search. London: Kluwer Academic Publishers, 1997.
GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. USA:
Addison-Wesley, 1989.
HOLLAND, J. H. Adaptation in Natural and Artificial Systems. USA: The University of
Michigan Press, 1975.
JOHNSON, D.S, ARAGON, C.R., McGEOCH, L.A. and SCHEVON, C. (1987). Optimization
by Simulated Annealing: an Experimental Evaluation. USA: AT&T Bell Laboratories.
van LAARHOVEN, P.J.M. and AARTS, E.H.L. Simulated Annealing, Theory and
Applications. USA: Kluwer Academic Publishers, 1987.
93