Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/33368
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator | Freitas, Jairo Gervásio de | - |
dc.date.accessioned | 2021-11-12T19:22:09Z | - |
dc.date.available | 2021-11-12T19:22:09Z | - |
dc.date.issued | 2021-10-21 | - |
dc.identifier.citation | FREITAS, Jairo Gervásio de. Aplicação de parâmetros autoadaptativos de ajustes de domínio na otimização de funções contínuas utilizando colônia de formigas. 2021. 75 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.te.2021.596 | pt_BR |
dc.identifier.uri | https://repositorio.ufu.br/handle/123456789/33368 | - |
dc.description.abstract | There is a wide variety of computational methods used for solving optimization problems. Among these, there are various strategies that are derived from the concept of ant colony optimization (ACO). However, the great majority of these methods are limited-range-search algorithms, that is, they find the optimal solution, as long as the domain provided contains this solution. This becomes a limitation, due to the fact that it does not allow these algorithms to be applied successfully to real-world problems, as in the real world, it is not always possible to determine with certainty the correct domain. The search proposes the use of a broad-range search algorithm, that is, that seeks the optimal solution, with success most of the time, even if the initial domain provided does not contain this solution, as the initial domain provided will be adjusted until it finds a domain that contains the solution. This algorithm called ARACO, derived from RACO, makes for the obtaining of better results possible, through strategies for accelerating the parameters responsible for adjusting the supplied domain at opportune moments and, in case there is a stagnation of the algorithm, expansion of the domain around the best solution found to prevent the algorithm becoming trapped in a local minimum. Through these strategies, ARACO obtains better results than its predecessors, in relation to the number of function evaluations necessary to find the optimal solution, in addition to its one hundred percent success rate in practically all the tested functions, thus demonstrating itself as being a high performance and reliable algorithm. The algorithm has been tested on some classic benchmark functions and also on the benchmark functions of the IEEE Congress of Evolutionary Computation Benchmark Test Functions (CEC 2019 100-Digit Challenge). | pt_BR |
dc.description.sponsorship | Pesquisa sem auxílio de agências de fomento | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Uberlândia | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
dc.subject | otimização por colônia de formigas | pt_BR |
dc.subject | ant colony optimization | pt_BR |
dc.subject | otimização de funções contínuas | pt_BR |
dc.subject | continuous functions optimization | pt_BR |
dc.subject | problemas de otimização | pt_BR |
dc.subject | optimization problems | pt_BR |
dc.subject | computação evolutiva | pt_BR |
dc.subject | evolutionary computation | pt_BR |
dc.subject | engenharia elétrica | pt_BR |
dc.subject | electrical engineering | pt_BR |
dc.title | Aplicação de parâmetros autoadaptativos de ajuste de domínio na otimização de funções contínuas utilizando colônia de formigas | pt_BR |
dc.title.alternative | Application of self-adaptive domain adjustment parameters in the optimization of continuous functions using ant colony optimization | pt_BR |
dc.type | Tese | pt_BR |
dc.contributor.advisor1 | Yamanaka, Keiji | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9893612181758615 | pt_BR |
dc.contributor.referee1 | Peretta, Igor Santos | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/6826511824160198 | pt_BR |
dc.contributor.referee2 | Calixto, Wesley Pacheco | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/9073478192027867 | pt_BR |
dc.contributor.referee3 | Manzan, José Ricardo Gonçalves | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/8666068677634726 | pt_BR |
dc.contributor.referee4 | Sousa, Marcelo Rodrigues de | - |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/1877457660315561 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/5860536141624687 | pt_BR |
dc.description.degreename | Tese (Doutorado) | pt_BR |
dc.description.resumo | Existe uma grande variedade de métodos computacionais com o objetivo de resolver problemas de otimização. Dentre eles, existem várias estratégias que são derivadas do conceito de otimização de colônia de formigas (ACO). No entanto, a grande maioria destes métodos são algoritmos de busca de alcance limitado, ou seja, encontram a solução ótima, desde que o domínio fornecido contenha essa solução. A pesquisa propõe a utilização de um algoritmo de busca de amplo alcance, ou seja, que busca a solução ótima, com sucesso na maioria das vezes, mesmo que o domínio inicial fornecido não contenha essa solução, pois o domínio inicial será ajustado até que seja localizado um domínio que contém a solução. Esse algoritmo denominado ARACO, derivado do algoritmo RACO, possibilita a obtenção de melhores resultados, através de estratégias para aceleração dos parâmetros responsáveis por ajustar o domínio fornecido, em momentos oportunos e de, caso haja estagnação do algoritmo, ampliação do domínio em torno da melhor solução encontrada, para impedir que o algoritmo fique preso em um mínimo local. Através dessas estratégias, ARACO obtém resultados melhores que seus antecessores, em relação ao número de avaliações de funções necessárias para encontrar a solução ótima, além de conseguir cem por cento de taxa de sucesso em praticamente todas as funções testadas, demonstrando assim ser um algoritmo de alto desempenho e confiabilidade. O algoritmo foi testado em algumas funções de benchmark clássicas e também nas funções de benchmark do IEEE Congress of Evolutionary Computation Benchmark Test Functions (CEC 2019 100-Digit Challenge). | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Engenharia Elétrica | pt_BR |
dc.sizeorduration | 75 | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.identifier.doi | http://doi.org/10.14393/ufu.te.2021.596 | pt_BR |
dc.orcid.putcode | 103105540 | - |
dc.crossref.doibatchid | 31d1696b-754b-4e2d-be57-73c7b0f0cfd1 | - |
dc.subject.autorizado | Engenharia Elétrica | pt_BR |
dc.subject.autorizado | Computação | pt_BR |
dc.subject.autorizado | Algoritmos | pt_BR |
dc.subject.autorizado | Funções contínuas - Teses | - |
Appears in Collections: | TESE - Engenharia Elétrica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
AplicaçãoParâmetrosAutoadaptativos.pdf | Tese | 1.64 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License