UM BREVE ESTUDO SOBRE OS ALGORITMOS DOS VAGA-LUMES E DOS MORCEGOS PARA OTIMIZAÇÃO DE FUNÇÕES DE REFERÊNCIA

Izabele Leite, Marcos Marcone, Fábio Paiva

Resumo


Uma alternativa para resolver problemas complexos de otimização é usando algoritmos meta-heurísticos. As meta-heurísticas são métodos aproximados que oferecem soluções aceitáveis para problemas de otimização. Nos últimos anos, algumas meta-heurísticas inspiradas no comportamento de animais da natureza, em especial aqueles que vivem em grupos, vêm sendo bastante utilizadas. Este trabalho tem como objetivo apresentar um breve estudo do desempenho de duas meta-heurísticas conhecidas como Algoritmo dos Vaga-lumes e Algoritmo dos Morcegos. A comparação é realizada por meio de vários experimentos computacionais para otimizar funções de referência clássicas da literatura. Para isso, foram realizadas 30 execuções independentes, considerando diferentes dimensões e quantidade de avaliações da função objetivo. Após os experimentos, alguns dados estatísticos foram apresentados e eles evidenciaram a superioridade do Algoritmo dos Vaga-lumes quando comparado com o Algoritmo dos Morcegos.

Palavras-chave


Otimização; Meta-Heurística; Inteligência de Enxames; Bioluminescência; Ecolocalização

Texto completo:

PDF

Referências


Abraham, A., Grosan, C., & Ramos, V. (Eds.). (2007). Swarm intelligence in data mining (Vol. 34). Springer.

Altringham, J. D. (2011). Echolocation and other senses. _________. Bats: from ecology to conservation. Reino Unido: Oxford University Press, 2, 61-96.

Amouzgar, K. (2012). Multi-objective optimization using Genetic Algorithms.

Araújo, W. C. D. (2014). Síntese de superfícies seletivas de frequência através de técnicas de computação natural.

Arora, T., Gigras, Y., & Arora, V. (2014). Robotic Path Planning using Genetic Algorithm in Dynamic Environment. international Journal of Computer Application (0975-8887), 89(11).

Arroyo, J. E. C. (2002). Heurísticas e metaheurísticas para otimização combinatória multiobjetivo.

Ayala, H. V. H., Molin, V., & Coelho, L. (2009). Otimização multiobjetivo usando enxame de partículas de controladores multivariáveis para uma aplicação em robótica. IX SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE (SBAI), [sn], 1-6.

Balachennaiah, P., Suryakalavathi, M., & Nagendra, P. (2015). Firefly algorithm based solution to minimize the real power loss in a power system. Ain Shams Engineering Journal.

Bell, J. E., & McMullen, P. R. (2004). Ant colony optimization techniques for the vehicle routing problem. Advanced Engineering Informatics, 18(1), 41-48.

Bianchi, L., Birattari, M., Chiarandini, M., Manfrin, M., Mastrolilli, M., Paquete, L., Rossi-Doria, O., & Schiavinotto, T. (2006). Hybrid metaheuristics for the vehicle routing problem with stochastic demands. Journal of Mathematical Modelling and Algorithms, 5(1), 91-110.

Blackwell, T. M., & Bentley, P. (2002, May). Improvised music with swarms. In Proceedings of IEEE Congress on Evolutionary Computation (Vol. 2, pp. 1462-1467).

Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: from natural to artificial systems (No. 1). Oxford university press.

Chen, C. Y., & Ye, F. (2004). Particle swarm optimization algorithm and its application to clustering analysis. In Networking, Sensing and Control, 2004 IEEE International Conference on (Vol. 2, pp. 789-794). IEEE.

Coelho, F. C. R. (2013). Alocação de geração distribuída em sistemas de distribuição de energia elétrica via otimização bioinspirada na ecolocalização de morcegos.

Correa, E. S., Freitas, A. A., & Johnson, C. G. (2006, July). A new discrete particle swarm algorithm applied to attribute selection in a bioinformatics data set. In Proceedings of the 8th annual conference on Genetic and evolutionary computation (pp. 35-42). ACM.

Das, S., Abraham, A., & Konar, A. (2008). Swarm intelligence algorithms in bioinformatics. In Computational Intelligence in Bioinformatics (pp. 113-147). Springer Berlin Heidelberg.

Day, J. C. (2010). An Introduction to Fireflies and Glowworms.

Deb, K. (2011). Multi-objective optimisation using evolutionary algorithms: an introduction. In Multi-objective evolutionary optimisation for product design and manufacturing (pp. 3-34). Springer London.

Dorigo, M., Birattari, M., Blum, C., Clerc, M., Stützle, T., & Winfield, A. (Eds.). (2008). Ant Colony Optimization and Swarm Intelligence: 6th International Conference, ANTS 2008, Brussels, Belgium, September 22-24, 2008, Proceedings (Vol. 5217). Springer.

Duque, F. G., Oliveira, L. W., & Oliveira, E. J. (2012). Alocação de bancos de capacitores em sistemas de distribuição utilizando técnica de otimização bio-inspirada. In XIX Congresso Brasileiro de Automática (CBA).

Eiben, A. E., & Smith, J. E. (2003). Introduction to evolutionary computing (Vol. 53). Heidelberg: springer.

Gambardella, L. M., Taillard, É., & Agazzi, G. (1999). MACS-VRPTW: A multiple ant colony system for vehicle routing problems with time windows.

Glover, F. W., & Kochenberger, G. A. (Eds.). (2006). Handbook of metaheuristics (Vol. 57). Springer Science & Business Media.

Gomes, Rodrigues. Algoritmo Meta-Heurístico de Vaga-Lume para a Otimização Estrutural em Tamanho e Forma com Restrições de Frequências Naturais. 2011. Curso de Engenharia Mecânica, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2011.

Hackwood, S., & Beni, G. (1992, May). Self-organization of sensors for swarm intelligence. In Robotics and Automation, 1992. Proceedings., 1992 IEEE International Conference on (pp. 819-829). IEEE.

Hackwood, S., & Wang, J. (1988, August). The engineering of cellular robotic systems. In Intelligent Control, 1988. Proceedings., IEEE International Symposium on (pp. 70-75). IEEE.

Karaboga, D. (2005). An idea based on honey bee swarm for numerical optimization (Vol. 200). Technical report-tr06, Erciyes university, engineering faculty, computer engineering department.

Kennedy, J.; Eberhart, R. (1995). Particle swarm optimization. In Proceedings of IEEE International Conference on Neural Networks.

Martins, S. R., Lins, H. W., & Silva, C. R. (2012, August). A self-organizing genetic algorithm for UWB microstrip antenna optimization using a machine learning technique. In International Conference on Intelligent Data Engineering and Automated Learning (pp. 642-649). Springer Berlin Heidelberg.

Mikki, S. M., & Kishk, A. A. (2005, July). Investigation of the quantum particle swarm optimization technique for electromagnetic applications. In IEEE antennas and propagation society international symposium (Vol. 2, p. 45). IEEE; 1999.

Millonas, M. M. (1992). Swarms, phase transitions, and collective intelligence (No. LA-UR-92-3980; CONF-9206329--1). Los Alamos National Lab., NM (United States).

Mishra, S., Shaw, K., & Mishra, D. (2012). A new meta-heuristic bat inspired classification approach for microarray data. Procedia Technology, 4, 802-806.

Paiva, F. A. P., Costa, J. A. F., & Silva, C. R. M. (2015). Uma meta-heurística alternativa de inteligência de enxames baseada em serendipidade guiada. Em ‘2nd LA-CCI (Latin American) and 12th CBIC Brazilian Congress on Computational Intelligence’.

Paiva, F. A. P., Costa, J. A. F., & Silva, C. R. M. (2016). A serendipity-based pso approach to delay premature convergence using scout particle. International Journal of Innovative Computing, Information and Control, 12(4). 1349-4198.

Paiva, F. A. P., Costa, J. A. F., & Silva, C. R. M. (2017). A Serendipity-Based Approach to Enhance Particle Swarm Optimization Using Scout Particles. IEEE Latin America Transactions, 15(6), 1619-1624.

Reddy, V. U., & Manoj, A. (2012). Optimal capacitor placement for loss reduction in distribution systems using bat algorithm. IOSR journal of Engineering, 2(10), 23-27.

Sarma, N. V. S. N., & Gopi, M. (2014). Implementation of Energy Efficient Clustering Using Firefly Algorithm in Wireless Sensor Networks. International Proceedings of Computer Science and Information Technology, 59, 1.

Serapião, A. B., & Rocha, R. K (2012). Algoritmos de otimização bioinspirados baseados em populações para o problema de despacho econômico de carga. Anais do XIX Congresso Brasileiro de Automática.

Silva, E. H., & Bastos Filho, C. J. (2015). PSO Efficient Implementation on GPUs Using Low Latency Memory. IEEE Latin America Transactions, 13(5), 1619-1624.

Souza, G. R. D. (2013). Arquitetura multiagente baseada em nuvem de partículas para hibridização de metaheurísticas.

Viali, L. (2011). Métodos quantitativos: estatística e matemática aplicadas.

Voit, J. (2010). Otimizaçao por enxame de partıculas com congregação passiva seletiva (Doctoral dissertation, Tese (Doutorado) —Universidade Federal do Rio de Janeiro, Brasil).

Wang, G., Guo, L., Duan, H., Liu, L., & Wang, H. (2012). A modified firefly algorithm for UCAV path planning. International Journal of Hybrid Information Technology, 5(3), 123-144.

Yang, X. S. (2009, October). Firefly algorithms for multimodal optimization. In International Symposium on Stochastic Algorithms (pp. 169-178). Springer Berlin Heidelberg.

Yang, X. S. (2010). A new metaheuristic bat-inspired algorithm. In Nature inspired cooperative strategies for optimization (NICSO 2010) (pp. 65-74). Springer Berlin Heidelberg.

Yoshida, H., Kawata, K., Fukuyama, Y., Takayama, S., & Nakanishi, Y. (2000). A particle swarm optimization for reactive power and voltage control considering voltage security assessment. IEEE Transactions on power systems, 15(4), 1232-1239.

Zhang, J. W., & Wang, G. G. (2012). Image matching using a bat algorithm with mutation. In Applied Mechanics and Materials (Vol. 203, pp. 88-93). Trans Tech Publications.

Zhou, F., & Lin, X. (2014, August). Research of Training Feedforward Neural Networks Based on Hybrid Chaos Particle Swarm Optimization-Back-Propagation. In International Conference on Intelligent Computing (pp. 41-47). Springer International Publishing.




DOI: https://doi.org/10.15628/holos.2018.5487



 

HOLOS IN THE WORLD