Revisão Bibliográfica
2.3 Operadores Adaptativos em Meta-heurísticas
2.3.1 Operadores Adaptativos Baseados em Controle
Visto que estudos a respeito da adaptação dos parâmetros pelo próprio algoritmo vêm recebendo destaque na literatura, trabalhos recentes utilizam a ideia de inspiração por controle realimentado como uma nova ferramenta para o ajuste automático dos valores dos parâmetros nos operadores adaptativos. Exemplos de estudos inspirados neste conceito, para permitir procedimentos de adaptação dos parâmetros dos operadores, são obtidos nos trabalhos [41,53,60,76,80].
Em [73,76] são propostas novas técnicas para melhorar a eficiência dos MOEAs, aumentando a diversidade e qualidade das soluções do conjunto de Pareto, baseadas em operações por “esferas”. A ideia principal destes trabalhos é que uma esfera representa aproximadamente um domínio, no qual as informações obtidas por um ponto no centro dessa esfera representa todo o conjunto de soluções que estejam contidas no seu interior.
Um métrica baseada em contagem de esferas, Integrated Sphere Counting (ISC), é proposta em [73] para avaliar a qualidade dos conjuntos de estimativas do conjunto de Pareto. Além dos operadores baseados em esferas, o princípio de controle realimentado é usado em [76] para reduzir o tamanho do arquivo do conjunto de soluções a fim de alcançar um conjunto de Pareto com soluções bem distribuídas no espaço de busca. O efeito dinâmico do esquema de controle aplicado ao MOEA permitiu ao algoritmo obter um alto desempenho em relação à qualidade do conjunto de Pareto.
Uma adaptação dinâmica das probabilidades dos operadores de cruzamento e mutação, com o objetivo de manter a diversidade genética da população e evitar uma convergência prematura para mínimos locais é proposta em [80]. Os autores destacam a importância de fazer alterações nessas probabilidades para manter um conjunto de soluções diversificado, com a introdução de novas soluções com características diferentes e evitando a perda de soluções já existentes. Essa metodologia, junto com as demais
apresentadas no trabalho, permitiu melhorar o desempenho dos algoritmos genéticos testados.
Um AG, com parâmetros adaptativos dos operadores de cruzamento, mutação e seleção é proposto em [60]. A metodologia tem por objetivo manter a diversidade do conjunto de soluções por meio de um operador que adapta os parâmetros dos operadores de mutação e cruzamento ao longo da execução do algoritmo. Além da adaptação dos parâmetros dos operadores, como também é feito em [80], neste trabalho é utilizado um controlador para coordenar a pressão do operador de seleção do algoritmo. O mecanismo de seleção controlado permite manter a diversidade e os melhores valores de fitness no conjunto de soluções. Com os mesmos objetivos dos trabalhos anteriores, em [41], os operadores propostos buscam manter a diversidade do conjunto de soluções fazendo buscas nas regiões mais promissões do espaço dos objetivos. Um ponto importante deste trabalho é que, assim como em [60], o operador de seleção adaptativo utiliza o controle realimentado para determinar a pressão de seleção do algoritmo.
Um algoritmo de otimização multiobjetivo que adota mutação adaptativa e um operador de seleção modificado para atualização do arquivo de soluções é proposto em [53]. Um arquivo externo é usado para armazenar as soluções não-dominadas, e o operador de mutação é usado conforme o valor de aptidão de cada indivíduo. A mutação é aplicada de acordo com a localização da solução no conjunto de soluções não-dominadas, ou seja, os indivíduos que estão na fronteira do conjunto recebem valores altos para o passo da mutação. Esse processo permite melhorar a convergência e a diversidade do conjunto.
O estado da arte mostra que utilizar técnicas para controle e auto-ajuste nos parâmetros dos operadores são consideradas boas estratégias na otimização multiobjetivo, principalmente quando o intuito é garantir a diversidade no conjunto de amostras de Pareto e aumento da velocidade de convergência dos algoritmos. Além disso, esses operadores adaptativos permitem classificar o conjunto de soluções de acordo com as regiões mais promissoras do espaço de busca, garantindo que o algoritmo retorne um conjunto de soluções de boa qualidade. Porém, a maioria dos trabalhos utilizam esses conceitos para a proposição de operadores adaptativos de mutação e cruzamento apenas em algoritmos evolucionários multiobjetivo.
Neste sentido, os novos operadores adaptativos desenvolvidos nesta tese para um MOEAs são baseados em controle realimentado e têm por finalidade melhorar a descrição do conjunto de estimativas de Pareto. O operador baseado em controle realimentado proposto é usado para manter o equilíbrio da quantidade de soluções do arquivo externo do algoritmo em todas as iterações. Além do controle do tamanho do arquivo, um operador de cruzamento é utilizado para melhorar o preenchimento dessas soluções no arquivo.
O diferencial deste trabalho é que os operadores propostos utilizam os conceitos de adaptação e controle para melhorar a distribuição das soluções por todo o espaço de
soluções e além disso, o controlador foi implementado de forma que todos os seus parâmetros sejam ajustados dentro do próprio algoritmo, conforme a eficiência do mesmo.
Assim, tendo visto que a metodologia permite obter um conjunto de Pareto final mais representativo e sem acrescentar muito esforço computacional ao algoritmo, a técnica pode ser aplicada na resolução de problemas reais e de forte relevância industrial.
Ainda no âmbito dos operadores adaptativos, diferente da maioria dos trabalhos que aplicam este conceito em algoritmos evolucionários, este trabalho tem por objetivo ampliar esta ideia para diferentes classes de meta-heurísticas. Neste propósito, o operador adaptativo para meta-heurísticas de busca local é desenvolvido para que, em conjunto com uma estratégia de memória, seja usado para aumentar a exploração do espaço de objetivos.