Desenvolvimento de um Algoritmo de Otimização Auto-Adaptativo para a Determinação de um Protocolo Otimizado para a Administração de Drogas no Tratamento de Tumores

Fran Sergio Lobato, Valder Steffen Jr

Abstract


Tradicionalmente, os parâmetros utilizados nos algoritmos de otimização heurísticos são considerados fixos durante o processo evolutivo. Apesar desta característica simplificar os códigos computacionais e dos bons resultados apresentados na literatura, o uso de parâmetros fixos não previne a ocorrência de convergência prematura, além de problemas relacionados à sensibilidade destes parâmetros. Neste sentido, este trabalho tem por objetivo propor um algoritmo heurístico auto-adaptativo baseado no conceito de taxa de convergência e de diversidade da população aplicados ao algoritmo de Evolução Diferencial. A metodologia proposta é aplicada na formulação de um protocolo ótimo para a administração de drogas em pacientes com câncer através da proposição e resolução de um problema de controle ótimo multi-objetivo. Assim, deseja-se minimizar a concentração de células cancerígenas e a concentração máxima das drogas administradas ao paciente. Com a Curva de Pareto obtida pode-se escolher um protocolo ótimo para administração de drogas para ser testado na prática.

Keywords


Algoritmo Auto-Adaptativos; Evolução Diferencial; Tratamento de Tumores; Problema de Controle Ótimo

References


D. Zaharie. Critical Values for the Control Parameters of Differential Evolution Algorithms. Procee- dings of the 8t h International Conference on Soft Computing, 62–67, (2002).

R. Storn & K. Price. Differential Evolution: A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces. International Computer Science Institute, 12 (1995), 1–16.

R. Storn, K. Price & J.A. Lampinen. Differential Evolution – A Practical Approach to Global Opti- mization. Springer – Natural Computing Series, (2005).

F.S. Lobato, L.C. Oliveira-Lopes & V. Steffen Jr. Uma Abordagem Evolutiva Baseada em Modelos Caóticos de Busca Associado ao Algoritmo de Evolução Diferencial. 17◦ POSMEC – Simpósio do Programa de Pós-Graduação em Engenharia Mecânica, Uberlândia-Brasil, (2007).

M.S. Tavazoei & M. Haeri. Comparison of Different One-dimensional Maps as Chaotic Search Pat- tern in Chaos Optimization Algorithms. Applied Mathematics and Computation, 187 (2007), 1076– 1085.

D. Yang, G. Li & G. Cheng. On the Efficiency of Chaos Optimization Algorithms for Global Optimi- zation. Chaos, Solutions and Fractals, 34 (2007), 366–1375.

S.Y. Sun, G. Quiang Yc, Y. Liang, Y. Liu & Q. Pan. Dynamic Population Size based Particle Swarm Optimization, ISICA 2007, Spring-Verlag Berlin, 382–392, (2007).

C.C. Parker & D.P. Dearnaley. Radical Radiotherapy for Prostate Cancer. Cancer Treatment Reviews, 29 (2003), 161–169.

L.G. Pillis & A. Radunskaya A. A Mathematical Tumor Model with Immune Resistance and Drug Therapy: An Optimal Control Approach. Journal of Theoretical Medicine, 3 (2001), 79–100.

L.G. Pillis & A. Radunskaya A. The Dynamics of an Optimally Controlled Tumor Model: A Case Study. Mathematical and Computer Modelling, 37 (2003), 1221–1244.

F.S. Lobato. Otimização Multi-objetivo para o Projeto de Sistemas de Engenharia, Tese de Doutorado. Programa de Pós-Graduação em Engenharia Mecânica, Universidade Federal de Uberlândia, (2008).

R.L. Haupt & S.E. Haupt. Practical Genetic Algorithms. First edition. INC. John Wiley & Sons, (1998).

B.V. Babu, P.G. Chakole & J.H.S. Mubeen. Multi-objective Differential Evolution (MODE) for Optimization of Adiabatic Styrene Reactor. Chemical Engineering Science, 60 (2005), 4822–4837.

Ji-Pyng Chiou & F.S. Wang. Hybrid Method of Evolutionary Algorithms for Static and Dynamic Optimization Problems with Application to a Fed-Batch Fermentation Process. Computers and Chemical Engineering, 23 (1999), 1277–1291.

J.C. Silveira. Modelagem Matemática do Crescimento do Câncer de Próstata com Controle Ótimo do Tratamento através da Radioterapia, Dissertação de Mestrado, (2007).

R.T. Marler & J.S. Arora. Survey of Multi-objective Optimization Methods for Engineering. Structural Multidisciplinary Optimization, 26 (2004), 369–395.

F.Y. Edgeworth. Mathematical Physics, London-England, First Edition, (1881).

V. Pareto. Cours D’Economie Politique, Vol. I and II, F. Rouge, Lausanne, First Edition, (1896).

A. Osyczka. Multicriterion Optimization in Engineering with Fortran Programs, Ellis Horwood Limited, England, First Edition, (1984).

K. Deb. Multi-Objective Optimization using Evolutionary Algorithms, John Wiley & Sons, New York, First Edition, (2001).

M.M. Ali & A. Torn. Population Set Based Global Optimization Algorithms: Some Modifications and Numerical Studies. Computers and Operations Research, 31 (2004), 1703–1725.

G.N. Vanderplaats. Numerical Optimization Techniques for Engineering Design. Vanderplaats Research and Development, Inc., 3rd ed, (1999).

M.E. Davis. Numerical Methods and Modeling for Chemical Engineers. Dover Books on Mathematics, Reprint Edition, (2013).




DOI: https://doi.org/10.5540/tema.2016.017.02.0225

Article Metrics

Metrics Loading ...

Metrics powered by PLOS ALM

Refbacks

  • There are currently no refbacks.


Trends in Computational and Applied Mathematics

A publication of the Brazilian Society of Applied and Computational Mathematics (SBMAC)

 

Indexed in:

                       

         

 

Desenvolvido por:

Logomarca da Lepidus Tecnologia