Aplicação de parâmetros autoadaptativos de ajuste de domínio na otimização de funções contínuas utilizando colônia de formigas

• Ano de defesa: 2021
• Autor(a) principal: Freitas, Jairo Gervásio de
• Orientador(a): Yamanaka, Keiji
• Banca de defesa: Peretta, Igor Santos , Calixto, Wesley Pacheco , Manzan, José Ricardo Gonçalves , Sousa, Marcelo Rodrigues de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: otimização por colônia de formigas; ant colony optimization; otimização de funções contínuas; continuous functions optimization; problemas de otimização; optimization problems; computação evolutiva; evolutionary computation; engenharia elétrica; electrical engineering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufu.br/handle/123456789/33368; http://doi.org/10.14393/ufu.te.2021.596

Existe uma grande variedade de métodos computacionais com o objetivo de resolver problemas de otimização. Dentre eles, existem várias estratégias que são derivadas do conceito de otimização de colônia de formigas (ACO). No entanto, a grande maioria destes métodos são algoritmos de busca de alcance limitado, ou seja, encontram a solução ótima, desde que o domínio fornecido contenha essa solução. A pesquisa propõe a utilização de um algoritmo de busca de amplo alcance, ou seja, que busca a solução ótima, com sucesso na maioria das vezes, mesmo que o domínio inicial fornecido não contenha essa solução, pois o domínio inicial será ajustado até que seja localizado um domínio que contém a solução. Esse algoritmo denominado ARACO, derivado do algoritmo RACO, possibilita a obtenção de melhores resultados, através de estratégias para aceleração dos parâmetros responsáveis por ajustar o domínio fornecido, em momentos oportunos e de, caso haja estagnação do algoritmo, ampliação do domínio em torno da melhor solução encontrada, para impedir que o algoritmo fique preso em um mínimo local. Através dessas estratégias, ARACO obtém resultados melhores que seus antecessores, em relação ao número de avaliações de funções necessárias para encontrar a solução ótima, além de conseguir cem por cento de taxa de sucesso em praticamente todas as funções testadas, demonstrando assim ser um algoritmo de alto desempenho e confiabilidade. O algoritmo foi testado em algumas funções de benchmark clássicas e também nas funções de benchmark do IEEE Congress of Evolutionary Computation Benchmark Test Functions (CEC 2019 100-Digit Challenge).