BrangusSelection: um algoritmo para seleção ótima de acasalamentos com índice de seleção customizável
Resumo
Este trabalho apresenta o algoritmo BrangusSelection, que produz um esquema ótimo de acasalamentos, maximizando o valor esperado da próxima geração do rebanho. Os testes com o algoritmo mostram um tempo de execução polinomial na quantidade de animais recebida como entrada, o que indica que o problema não é intratável computacionalmente. O algoritmo depende da existência de um índice de seleção, construído a partir dos objetivos e critérios de seleção dos animais e pode operar sobre qualquer espécie de animal e índice de seleção.
Palavras-chave:
Programação linear, branch and bound, complexidade de problemas
Referências
Abreu, U. G. P. d., Sonohata, M. M., e Lopes, P. S. (2013). Definição de pesos econômicos e de índices de seleção para sistemas de produção. In Rosa, A. d. N., Martins, E. N., Menezes, G. R. d. O., e Silva, L. O. C. d., editors, Melhoramento Genético Aplicado em Gado de Corte. Programa Geneplus-Embrapa, volume 1, chapter 11. Embrapa Gado de Corte. DOI: https://doi.org/10.13140/2.1.2038.1760
Barreto Neto, A. D. et al. (2014). Estrutura populacional e otimização de esquemas de acasalamento em ovinos com uso de algoritmos evolucionários.
Berkelaar, M. et al. (2020). lpsolve: Interface to 'lp solve' v. 5.5 to solve linear/integer programs. R package version 5.6.15.
Cardoso, F. (2009). Ferramentas e estrategias para o melhoramento genético de bovinos de corte. Embrapa Pecuaria Sul-Documentos (INFOTECA-E)
Carvalheiro, R., Queiroz, S. A. d., e Kinghorn, B. (2010). Optimum contribution selection using differential evolution. Revista Brasileira de Zootecnia, 39(7):1429–1436. DOI: https://doi.org/10.1590/S1516-35982010000700005
Carvalho, T., Santos, N., Lira, W., Oliveira, P. A., Neto, P. S., Lindenberg, J., e Rabelo, R. (2016). Um sistema de informação para melhoramento genético de caprinos e ovinos. In Anais Principais do XII Simpósio Brasileiro de Sistemas de Informação, pages 100–107. SBC. DOI: https://doi.org/10.5753/sbsi.2016.5951
Cormen, T. H., Leiserson, C. E., Rivest, R. L., e Stein, C. (2002). Algoritmos: teoria e prática. Editora Campus, 2:296.
Daguspta, S., Papadimitriou, C. H., e Vazirani, U. V. (2006). Algorithms. McGraw-Hill Higher Education, 1 edition.
Eddelbuettel, D. e Balamuta, J. J. (2018). Extending R with C++: A Brief Introduction to Rcpp. The American Statistician, 72(1):28–36. DOI: https://doi.org/10.1080/00031305.2017.1375990
Eler, J. P. (2017a). Teorias e métodos em melhoramento genético animal: bases do melhoramento genético animal. Faculdade de Zootecnia e Engenharia de Alimentos da USP. DOI: https://doi.org/10.11606/9788566404128
Eler, J. P. (2017b). Teorias e métodos em melhoramento genético animal: seleção. Faculdade de Zootecnia e Engenharia de Alimentos da USP. DOI: https://doi.org/10.11606/9788566404135
FAO (2009). Food and agriculture organization of the united nations (2009) how to feed the world 2050. Discussion paper prepared for Expert Forum: 12–13 October.
Ferreira, A. P. L., Yokoo, M. J.-I., e Motta, B. E. T. (2021). On the problem of optimal mating in animal breeding. In Anales de CLEI 2021.
Fontoura, D. C. N., Camargo, S. S., Jr, R. A. A. T., Carvalho, H. G., e Cardoso, F. F. (2020). Optimizing mate selection: a genetic algorithm approach. In Proceedings of the ICAR conference, number 24 in ICAR Technical Series, Prague, CZ.
Hillier, F. S. e Lieberman, G. J. (2013). Introdução a pesquisa operacional. McGraw Hill Brasil.
Ihaka, R. e Gentleman, R. (1996). R: a language for data analysis and graphics. Journal of computational and graphical statistics, 5(3):299–314. DOI: https://doi.org/10.2307/1390807
Kim, V. (2020). lpsymphony: Symphony integer linear programming solver in r. http://R-Forge.R-project.org/projects/rsymphony, https://projects.coin-or.org/SYMPHONY, http://www.coin-or.org/download/source/SYMPHONY/.
Nieto, L. M., Alencar, M. M. d., e Rosa, A. d. N. (2013). Criterios de seleção. In Rosa, A. d. N., Martins, E. N., Menezes, G. R. d. O., e Silva, L. O. C., editors, Melhoramento Genético Aplicado em Gado de Corte. Programa Geneplus-Embrapa, volume 1, chapter 10. Embrapa Gado de Corte.
Simões, M. R. S., Leal, J. J. B., Minho, A. P., Gomes, C. C., MacNeil, M. D., Costa, R. F., Junqueira, V. S., Schmidt, P. I., Cardoso, F. F., Boligon, A. A., e Yokoo, M. J. (2020). Breeding objectives of brangus cattle in brazil. Journal of Animal Breeding and Genetics, 137(2):177–188. DOI: https://doi.org/10.1111/jbg.12415
Barreto Neto, A. D. et al. (2014). Estrutura populacional e otimização de esquemas de acasalamento em ovinos com uso de algoritmos evolucionários.
Berkelaar, M. et al. (2020). lpsolve: Interface to 'lp solve' v. 5.5 to solve linear/integer programs. R package version 5.6.15.
Cardoso, F. (2009). Ferramentas e estrategias para o melhoramento genético de bovinos de corte. Embrapa Pecuaria Sul-Documentos (INFOTECA-E)
Carvalheiro, R., Queiroz, S. A. d., e Kinghorn, B. (2010). Optimum contribution selection using differential evolution. Revista Brasileira de Zootecnia, 39(7):1429–1436. DOI: https://doi.org/10.1590/S1516-35982010000700005
Carvalho, T., Santos, N., Lira, W., Oliveira, P. A., Neto, P. S., Lindenberg, J., e Rabelo, R. (2016). Um sistema de informação para melhoramento genético de caprinos e ovinos. In Anais Principais do XII Simpósio Brasileiro de Sistemas de Informação, pages 100–107. SBC. DOI: https://doi.org/10.5753/sbsi.2016.5951
Cormen, T. H., Leiserson, C. E., Rivest, R. L., e Stein, C. (2002). Algoritmos: teoria e prática. Editora Campus, 2:296.
Daguspta, S., Papadimitriou, C. H., e Vazirani, U. V. (2006). Algorithms. McGraw-Hill Higher Education, 1 edition.
Eddelbuettel, D. e Balamuta, J. J. (2018). Extending R with C++: A Brief Introduction to Rcpp. The American Statistician, 72(1):28–36. DOI: https://doi.org/10.1080/00031305.2017.1375990
Eler, J. P. (2017a). Teorias e métodos em melhoramento genético animal: bases do melhoramento genético animal. Faculdade de Zootecnia e Engenharia de Alimentos da USP. DOI: https://doi.org/10.11606/9788566404128
Eler, J. P. (2017b). Teorias e métodos em melhoramento genético animal: seleção. Faculdade de Zootecnia e Engenharia de Alimentos da USP. DOI: https://doi.org/10.11606/9788566404135
FAO (2009). Food and agriculture organization of the united nations (2009) how to feed the world 2050. Discussion paper prepared for Expert Forum: 12–13 October.
Ferreira, A. P. L., Yokoo, M. J.-I., e Motta, B. E. T. (2021). On the problem of optimal mating in animal breeding. In Anales de CLEI 2021.
Fontoura, D. C. N., Camargo, S. S., Jr, R. A. A. T., Carvalho, H. G., e Cardoso, F. F. (2020). Optimizing mate selection: a genetic algorithm approach. In Proceedings of the ICAR conference, number 24 in ICAR Technical Series, Prague, CZ.
Hillier, F. S. e Lieberman, G. J. (2013). Introdução a pesquisa operacional. McGraw Hill Brasil.
Ihaka, R. e Gentleman, R. (1996). R: a language for data analysis and graphics. Journal of computational and graphical statistics, 5(3):299–314. DOI: https://doi.org/10.2307/1390807
Kim, V. (2020). lpsymphony: Symphony integer linear programming solver in r. http://R-Forge.R-project.org/projects/rsymphony, https://projects.coin-or.org/SYMPHONY, http://www.coin-or.org/download/source/SYMPHONY/.
Nieto, L. M., Alencar, M. M. d., e Rosa, A. d. N. (2013). Criterios de seleção. In Rosa, A. d. N., Martins, E. N., Menezes, G. R. d. O., e Silva, L. O. C., editors, Melhoramento Genético Aplicado em Gado de Corte. Programa Geneplus-Embrapa, volume 1, chapter 10. Embrapa Gado de Corte.
Simões, M. R. S., Leal, J. J. B., Minho, A. P., Gomes, C. C., MacNeil, M. D., Costa, R. F., Junqueira, V. S., Schmidt, P. I., Cardoso, F. F., Boligon, A. A., e Yokoo, M. J. (2020). Breeding objectives of brangus cattle in brazil. Journal of Animal Breeding and Genetics, 137(2):177–188. DOI: https://doi.org/10.1111/jbg.12415
Publicado
10/11/2021
Como Citar
MOTTA, Bruno Ernesto Techera da; FERREIRA, Ana Paula Lüdtke; YOKOO, Marcos Jun-Iti.
BrangusSelection: um algoritmo para seleção ótima de acasalamentos com índice de seleção customizável. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 13. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 35-43.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2021.18373.
