Algoritmo Evolutivo para Solução de Problemas de Larga Escala
Resumo
Os algoritmos evolutivos são uma técnica de busca e otimização que tem sido aplicada com sucesso em diversas situações, atingindo algumas vezes resultados superiores àqueles conseguidos por técnicas tradicionais. No entanto, poucos algoritmos evolutivos estão aptos a lidar com problemas combinatoriais realmente complexos, envolvendo grande número de variáveis (milhares, ou até milhões). Este artigo descreve os resultados preliminares de um novo algoritmo evolutivo, capaz de resolver um problema de otmização envolvendo uma grande quantidade de variáveis. Este algoritmo é o resultado de duas extensões desenvolvidas a partir do Extended Compact Genetic Algorithm, um representante do estado da arte dos algoritmos evolutivos.
Referências
H. G. Beyer, (2001), Theory of Evolution Strategies.
J. Cheng, D. A. Bell, W. Liu, (1997), Learning belief networks from data: An information theory based approach, in Proceedings of ACM.
Darwin, C., (2000), A Origem das Espécies e a Seleção Natural.
K. de Jong, (2006), Evolutionary Computation, A Unified Approach.
D. E. Goldberg, (1989), Genetic Algorithms in Search, Optimization, and Machine Learning.
D. E. Goldberg, (2002), The Design of Innovation.
G. Harik, (1999), Linkage Learning via probabilistic modeling in the ECGA, Illigal Report No. 99010
G.R. Harik, F.G. Lobo, D.E. Goldberg, (1998), The compact genetic algorithm, in Proceedings of the International Conference on Evolutionary Computation (ICEC’98), Piscataway, NJ, 1998,
J. H. Holland, (1975), Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence.
J. R. Koza, (1992) Genetic Programming: On the Programming of Computers by Means of Natural Selection.
P. Larrañaga and J. A. Lozano, (2001), Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation.
C. H. Papadimitriou, (1995), Computational Complexity,
K. Sastry, (2001), Evaluation-relaxation schemes for genetic and evolutionary algorithms, Master’s thesis, Urbana, IL
K. Sastry, D. E. Goldberg, (2004), Designing competent mutation operators via probabilistic model building of neighborhoods, Illigal Report No. 2004006
J. Cheng, D. A. Bell, W. Liu, (1997), Learning belief networks from data: An information theory based approach, in Proceedings of ACM.
Darwin, C., (2000), A Origem das Espécies e a Seleção Natural.
K. de Jong, (2006), Evolutionary Computation, A Unified Approach.
D. E. Goldberg, (1989), Genetic Algorithms in Search, Optimization, and Machine Learning.
D. E. Goldberg, (2002), The Design of Innovation.
G. Harik, (1999), Linkage Learning via probabilistic modeling in the ECGA, Illigal Report No. 99010
G.R. Harik, F.G. Lobo, D.E. Goldberg, (1998), The compact genetic algorithm, in Proceedings of the International Conference on Evolutionary Computation (ICEC’98), Piscataway, NJ, 1998,
J. H. Holland, (1975), Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence.
J. R. Koza, (1992) Genetic Programming: On the Programming of Computers by Means of Natural Selection.
P. Larrañaga and J. A. Lozano, (2001), Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation.
C. H. Papadimitriou, (1995), Computational Complexity,
K. Sastry, (2001), Evaluation-relaxation schemes for genetic and evolutionary algorithms, Master’s thesis, Urbana, IL
K. Sastry, D. E. Goldberg, (2004), Designing competent mutation operators via probabilistic model building of neighborhoods, Illigal Report No. 2004006
Publicado
30/06/2007
Como Citar
DUQUE, Thyago S. P. C.; SASTRY, Kumara; DELBEM, Alexandre C. B.; GOLDBERG, David E..
Algoritmo Evolutivo para Solução de Problemas de Larga Escala. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 6. , 2007, Rio de Janeiro/RJ.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2007
.
p. 1042-1051.
ISSN 2763-9061.
