Melhorando o Desempenho de Algoritmos Evolutivos por Meio de Mineração de Dados: uma Aplicação na Área de Petróleo

Autores

  • L.C. Ochi
  • H.G. Santos
  • L.H.C. Merschmann

DOI:

https://doi.org/10.5540/tema.2005.06.01.0021

Resumo

A solução de problemas das classes NP-Completo e NP-Hard tem sido um grande desafio para pesquisadores da área de Otimização Combinatória. Um dos caminhos promissores tem sido reunir conceitos das áreas de Otimização e Inteligência Artificial (IA), procurando conjugar a rigidez dos métodos exatos de otimização com a flexibilidade dos métodos de busca em IA para desenvolver o que chamamos de técnicas inteligentemente flexíveis. As metaheurísticas são resultados desta união e podem ser vistas como heurísticas genéricas que procuram reduzir limitaçôes históricas encontradas em heurísticas tradicionais, como por exemplo, a dificuldade em escapar de ótimos locais muitas vezes ainda distantes de um ótimo global. Neste trabalho são apresentadas alternativas para melhorar o desempenho de Algoritmos Evolutivos no que se refere à qualidade das soluções geradas para o Problema de Roteamento de Unidades Móveis de Pistoneio. São propostos módulos de busca local e mineração de dados para serem incorporados a um Algoritmo Genético (AG). Os resultados demonstraram uma melhora significativa com relação ao AG que continha somente os operadores genéticos.

Referências

[1] R. Agrawal, T. Imielinski e A. Swami, Mining association rules between sets of items in large databases, em “Proc. of the ACM SIGMOD Conf. on Management of Data”, Washington, DC, USA, pp. 207-216, 1993.

R. Aiex, M.G.C. Resende e C.C. Ribeiro, Probability distribution of solution time in GRASP: An experimental investigacion, J. of Heuristics, 8 (2002), 343-373.

D.J. Aloise, J.A. Barros e M. Souza, A genetic algorithm for a Oil Retrieval System, (In Portuguese), em “Proc. of the XXXII Brazilian Symposium on Operations Research”, São Paulo, Brasil, 2000.

J. Beasley, “Population Heuristics”, Handbook of Applied Optimization, Oxford University Press, Oxford, 2002, pp. 138-157.

J.L. Bresina, Heuristic-biased stochastic sampling, em “Proc. of the Thirteenth National Conference on Artificial Inteligence”, Portland, pp. 271-278, 1996.

A.A. Freitas, A survey of evolutionary algorithms for data mining and knowledge discovery, em “ Advances in Evolutionary Computation”(A. Ghosh e S. Tsutsui, eds.), Springer-Verlag, 2002.

F. Glover, M. Laguna e R. Marti, Fundamentals of Scatter Search and Path Relinking, Control and Cybernetics, 39, No. 3 (2000), 653-684.

D.E. Goldberg, “Genetic Algorithms in Search Optimization & Machine Learning”, Addison-Wesley, Menlo Park, 1989.

J.H. Holland, “Adaptation in Natural and Artificial Systems”, University of Michigan Press, Ann Arbor, 1975.

P.Moscato, “On Evolution, Search, Optimization Algorithms andMartial Arts: Towards Memetic Algorithms”, Report 826, Caltech Concurrent Computation Program, California Institute Technology, 1989.

G. Reinelt, TSPLIB - A Traveling Salesman Problem Library, ORSA J. Comput., 3 (1991), 376-384.

M.G.C. Resende e C.C. Ribeiro, Greedy randomized adaptive search procedures, em “Handbook of Metaheuristics”(F. Glover e G. Kochenberger, eds.), Kluwer, pp. 219-249, 2002.

Downloads

Publicado

2005-06-01

Como Citar

Ochi, L., Santos, H., & Merschmann, L. (2005). Melhorando o Desempenho de Algoritmos Evolutivos por Meio de Mineração de Dados: uma Aplicação na Área de Petróleo. Trends in Computational and Applied Mathematics, 6(1), 21–32. https://doi.org/10.5540/tema.2005.06.01.0021

Edição

Seção

Artigo Original