Algoritmos evolutivos hídridos com detecção de regiões promissoras em espaços de busca contínuos e discretos

• Ano de defesa: 2004
• Autor(a) principal: Alexandre César Muniz de Oliveira
• Orientador(a): Luiz Antônio Nogueira Lorena
• Banca de defesa: José Carlos Becceneri, Luiz Satoru Ochi, André Carlos Ponce de Leon Ferreira de Carvalho
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: This work presents three strategies for exploitation in hybrid evolutionary algorithms. These strategies are the base of three approaches: Population Training Heuristic (called TPH), Evolutionary Clustering Search (ECS) and the Parallel Adaptive Hierarchical Fair Competition Genetic Algorithm (called APHAC). The TPH employs problem-specific heuristics for fitness evaluation, guiding the population to settle down in promising search areas where such heuristic would not yield further improvement. In the ECS, an iterative clustering scheme works concurrently with an evolutionary algorithm generating a set of clusters that are used as references to assumed promising search areas. An alternative exploitation mechanism, called assimilation, makes the search strategy more aggressive in the areas framed by cluster. Finally, the APHAC implements a fair competition scheme by segregating individuals with di erent fitness ranges in di erent evolving demes. A heterogeneous evolutionary environment allows to employ a di erent search strategy in each deme. For instance, a local search operator is applied to the individuals of the elite deme. These three approaches are applied to standard test problems, associated to continuous or discrete search spaces. The results obtained with these approaches are similar, or even better, than those found in literature.
• Link de acesso: http://urlib.net/sid.inpe.br/jeferson/2004/08.16.16.50

Este trabalho apresenta três estratégias para intensificacão de busca em algoritmos evolutivos híbridos. Essas estratégias formam o núcleo de três abordagens: o Treinamento Populacional em Heurísticas (TPH), o Evolutionary Clustering Search (ECS) e o Algoritmo Paralelo Hierárquico e Adaptativo com Competição Justa (APHAC). O TPH emprega heurísticas específicas do problema na definicão de fitness, guiando a população para regiões promissoras representadas por indivíduos que não podem ser melhorados por tais heurísticas. No ECS, um agrupamento iterativo trabalha simultaneamente ao processo evolutivo, gerando um conjunto de clusters que são referência para regiões supostamente promissoras. Um processo alternativo de intensificação de busca, chamado de assimilação, torna a busca mais agressiva em regiões enquadradas por clusters. O APHAC implementa uma competição justa entre indivíduos com diferentes perfis de fitness, mantidos separados em diferentes subpopulações, evoluindo em paralelo. Um ambiente evolutivo heterogêneo serve de suporte ao emprego de diferentes estrat´egias de busca em cada subpopulação, incluindo algoritmos de busca local aplicados a indivíduos da subpopulação elite. As três abordagens são aplicadas a vários problemas-teste, definidos em espaços de busca contínuos e discretos. Os resultados obtidos são comparáveis e até superiores a vários outros enfoques encontrados na literatura.