Este artigo ele apresenta uma apresentação revisão de algum dos mais recentes métodos bioinspirados baseados no comportamento de populações ao o desenvolvendo de técnicas de solução de problemas. As metaheurísticas tratadas aqui correspondem às estratégias de otimização através dos colônia de formigas, otimização por enxame de partículas, algoritmos shuffled frog-leaping, coleta de alimentos por micróbios e colônia de abelhas. Os princípios biológicos que motivaram o desenvolve de por uma tal estratégias, então como seus respectivos algoritmos computacionais, elas introduzidos. Duas aplicativo diferentes foram conduzidas para exemplificar ministérios desempenho de como algoritmos. A finalidade denominações enfatizar perspectivas de formulários destas abordagem em diferente problemas da áreas de engenharia.

Você está assistindo: O que acontece quando a abelha rainha morre

inteligência computacional; computação evolutiva; computação natural; computação bioinspirada; egoísmo coletiva; algoritmos de otimização


This document presents an introduction of some most recent bioinspired methods based on swarm behaviors para the development of problem-solving techniques. A metaheuristics listed here estão ant swarm optimization, fragment swarm optimization, shuffled frog-leaping algorithm, bacterial foraging optimization and bee colony. A basic organic principles that have motivated ns development of every strategy, as well as their computational algorithms, ~ ~ introduced. Two different applications were carried fora in order come clarify the atuação of together algorithms. The meta is come emphasize perspectives of applications the these approaches in various engineering problems.

computational intelligence; evolution computing; intervir computing; bio-inspired computing; swarm intelligence; optimization algorithms


SISTEMAS INTELIGENTES

Fundamentos de otimização através inteligência de enxames: ns visão geral

Adriane Beatriz de Souza Serapião

UNESP /IGCE/DEMAC caixas Postal 178 CEP 13506-900 - Rio óbvio (SP) adriane
rc.unesp.br

RESUMO

Este artigo ele apresenta uma apresentação revisão de alguns dos adicionar recentes método bioinspirados sediada no açao de populações para o em desenvolvimento de técnicas de solução de problemas. As metaheurísticas tratadas aqui correspondem às estratégias de otimização através dos colônia de formigas, otimização através enxame de partículas, algoritmos shuffled frog-leaping, coleta de alimentos por micróbios e colônia de abelhas. Os princípios biológico que motivaram o desenvolvimento de por uma tal estratégias, portanto como sua respectivos algoritmos computacionais, eles são introduzidos. Duas aplicativo diferentes foram conduzidas para exemplificar ministérios desempenho de tais algoritmos. A finalidade excluir enfatizar perspectivas de aplicação destas abordagens em muitos problemas da gamas de engenharia.

Palavras-chave: egoísmo computacional, computação evolutiva, computação natural, computação bioinspirada, egoísmo coletiva, algoritmos de otimização.

ABSTRACT

This record presents summary of some most recent bioinspired methods based on swarm behaviors porque o the breakthrough of problem-solving techniques. Ns metaheuristics noted here estão ant nest optimization, particle swarm optimization, shuffled frog-leaping algorithm, bacter foraging optimization and bee colony. Ns basic organic principles that have motivated a development of every strategy, as well as their computational algorithms, ser estar introduced. Two different applications were carried lado de fora in order come clarify the potência of together algorithms. The alvo is to emphasize perspectives that applications that these viewpoints in various engineering problems.

Keywords: computational intelligence, evolutionary computing, inerva computing, bio-inspired computing, swarm intelligence; optimization algorithms.

1 INTRODUÇÃO

Não-linearidades e interações complexas entrada variáveis de projeto (x) e variáveis trabalhar (g(x) h(x) = 0) em problemas de engenharia mecânica (f) formam um lugar, colocar de busca (S) eu imploro seu perdão pode armazenar várias solução ótimas (x* | f (x*) f (x), ∀ x ∈ S ⊂ ℜn), como no situação de um problema de minimização. Através causa da probabilidade de encontrar mínimos locais alternativa soluções subótimas, os métodos baseados em gradiente podem não ser bons candidatos como algoritmos de otimização eficientes enquanto aplicados der uma ampla gama de projeto de engenharia mecânica e de problema operacionais.

Por diversos lado, muita problemas de engenharia também não podem está dentro tratados pela de método analíticos, seja através causa da familiar de formulação da modelagem alternativa do experimente matemático exigido na solução, predomínio quando estão envolvidas funções não-diferenciáveis alternativamente descontínuas.

Neste sentido, nós últimos tempos, algoritmo bioinspirados sediada em população e metaheurísticas vêm presente usados para solúvel problemas de busca e otimização em vários domínio de problemas para os o que soluções robustas são difíceis alternativa impossíveis de encontrar usando abordagens tradicionais como a cronograma matemática. O princípio fundamentais desses algoritmos utiliza um caminho construtivo para naquela obtenção da população inicial (soluções factíveis iniciais) e uma técnica de procurar local para aperfeiçoar a solução da população, considerar que os individual (soluções) por essa população são evoluídos de acordo com regras regulamento que consideram o intercâmbio de informações entrou os indivíduos. Esse processo comando a ortográfico em instruções à foi de ns solução ótima. Tais algoritmos são conhecimento como algoritmo de computação evolutiva.

Duas abordagens evolutivas baseadas em população têm se destacado: algoritmos evolutivos e algoritmos de enxames. Os algoritmos Evolutivos (AE) tradicionalmente incluem algoritmos Genéticos (AG) (Goldberg, 1989), Programação evolutiva (PE), estratégias Evolutivas (EE) (De Jong, 2006) e Programação genética (PG) (Koza, 2003). Algoritmos adicionando recentemente desenvolvidos como algoritmo de Estimação de distribuição (AED) (Pelikan, 2006) e algoritmo Genéticos Competentes (Goldberg, 2002) até são AE.

Os aes têm sido intensamente estudados e amplamente aplicados para solúvel vários problemas científica e de engenharia, tais como projeto de robô, frase econômico de sistemas de energia e problemas de limite de dobra de proteína, somente para menção alguns. Estes algoritmos têm desfrutado de sucedendo nas formulários devido à sua simplicidade, robustez e flexibilidade. Os aes atuam cerca de uma igreja ortodoxa de viabilidade soluções aplicando ministérios princípio de diversidade de indivíduos e da sobrevivência de indivíduos adicionando fortes e bem adaptados ao ambiente, eu imploro seu perdão se reproduzem através dos de operadores que imitam os conceitos genéticos, crio descendentes acrescido fortes que se aproximam da solução a partir de problema.

Este itens explora as desenhe fechar evolutivas sediada em algoritmo de enxames, conforme introduzir na seqüência. Der Inteligência de Enxames, até referenciada gostar de Inteligência de Colônias alternativa Inteligência Coletiva, é um definir de técnicas baseadas no açao coletivo de sistema auto-organizados, distribuídos, autônomos, flexíveis e dinâmicos. Isto sistemas são formados por uma ortográfico de agentes computacionais simplificar que tenho a capacidade de anúncio e modificar emprego seu ambiente de comportamento local. Esta volume torna possível der comunicação entrada os agentes, o que captam as mudança no ambiente geradas pelo atos de deles congêneres. Embora não exista uma estrutura centralizada de ao controle que estabelece gostar de os agente devem se comportar, e mesmo algum havendo um modelo explícito são de ambiente, together interações locais adentraram os revendedor autorizado geralmente levam ao surgimento de um comportamento global o que se quase certo da solução são de problema.

As propriedades principais de um sistemas de egoísmo de enxame elas (Millonas, 1994):

Proximidade - os agente devem ser capaz de interagir;

Qualidade - os agente devem ser capaz de avaliação seus comportamentos;

Diversidade - permite ~ por sistema reagir a situações inesperadas;

estabilidade - nem todas as variações ambiente devem afável o atos de um agente;

Adaptabilidade - capacidade de adequação der variações ambientais.

Duas principais linhas de inspeção que emergem dessas propriedades podem ser observadas na egoísmo de enxames: está funcionando inspirados no estudo do grão de bug sociais, como formigas, abelhas, cupins e vespas; e faz inspirados na habilidade das sociedades humanidade em processar conhecimento.

As técnicas adicionar conhecidos de egoísmos de Enxames são a otimização pela colônia de formigas, otimização por enxame de partículas, algoritmos shuffled frog-leaping, algoritmos de coletar de comida por bactérias e algoritmo de colônia de abelhas, que através sua vez serão concentra deste artigo.

A inteligência de Enxames também é respeitável um ramo da apelo computacional conhecida como Computação Natural. Tal abordado é der versão computacional do processo de extraído ideias da natureza para desenvolver sistemas computacionais. 1 visão abrangente de conceitos, algoritmos e formulários da computação natural isso pode ser encontrada em (de Castro, 2006).

Neste artigo apresenta-se 1 revisão no principais conceitos relativos ~ por algoritmos acrescido importantes das técnicas de egoísmo de Enxames acima de mencionados, juntamente com algumas de dela variantes e aplicações. Ministérios objetivo é motivar ministérios uso desses algoritmos no desenvolvimento efetivo de faz em diferentes área da engenharia e de automação de processos. Dois experimentos distinguível - otimização de funções e despachada econômico de cobrar - ser estar conduzidos porque o indicar formulários possíveis do metaheurísticas em problema da engenharia e para apresentou as principais diferença encontradas nós métodos.

2 OTIMIZAÇÃO pela COLÔNIA DE FORMIGAS

O grão de coleção de comida de muitas sociedades de formigas (L. Humilis, Linepithema humile, Lasius niger) baseia-se na comunicação indireta mediada por feromônios. Isto tipo de comunicação pela de marcas ou signos é é chamado estigmergia. Enquanto caminham a partir de formigueiro porque o as molho de alimento e vice-versa, together formigas depositam feromônios enquanto chão, formação uma vestígio química. As formigas são capazes de liberar der substância e tendem naquela escolher caminhos ferum haja maior concentração química. Naquela trilha química denominações uma constituam emergente e auto-organizada e resulta de um feedback positivo. Quanto mais química uma trilha, mais formigas elas atraídas, emprego que der torna ainda acrescido química, reforçando o estrada que novamente atrai ainda adicionar formigas, em uma espiral crescente.

Deneubourg e colaboradores (1990) alcançar um experimento abranger formigas real L. Humile, observando o grão delas na coletar de alimentos. Adquirindo colocado um ninhos de formigas em um aquário com uma a fonte de alimentos na diversos ponta. Ao chegar até ~ esse alimento foram criada dois caminhos, presente um maior que ministérios outro. No início cada formiga de acordo com um estrada exploratório aleatório. Gostar as formigas que escolheram o menor caminho faziam o percurso adicionando rapidamente o que as outras, eles depositavam 1 maior cardeais de feromônio nesse caminho em relação aos outro em um idênticas intervalo de tempo. Logo, em um detectado momento naquela intensidade são de feromônio no caminho adicionando curto ser estar tão alto que maior parte do tempo todas as formigas seguiam pela ele.

Inspirados pelos experimentos de coletar de alimentos por formigas, Dorigo et al. (1991) desenvolveram um modelo computacional abranger tais o conceito para resolver o assuntos do caixeiro viajante. O algoritmos proposto baseia-se em um agrupados de "formigas artificiais" que liberam feromônio durante o seu afiado e seguem "trilhas de feromônio artificial" para atender o margari caminho adentraram todas as cidades.

Para solucionar o problema, sim uma colônia de formigas, ferum cada formiga importar de uma bairros a outra independentemente, procurando por cidades próximas alternativa caminhando aleatoriamente. No o percurso, 1 formiga segue um caminho qualquer entrou cidades, determinado por uma governado probabilística que sugere emprego caminho adicionar promissor, e libera 1 determinada quantidade de feromônio. Essa quantidade denominada inversamente proporcional ao comprimento venenoso do estrada percorrido pela formiga. Portanto que tudo as formigas tiverem fechado suas rota e publicados feromônio, together conexões entrada cidades o que fazem ajudando da maior cardeais de rotas adicionando curtas terão uma quantidade maior de feromônio depositado. Visto que ministérios feromônio evapora alcançar o decorrer dá tempo, quanto é este maior for o comprimento do caminho, acrescido rápido será emprego desaparecimento de uma vestígio em um estrada longo.

Os algoritmos de otimização baseados em colônia de formigas foram inicialmente utilizados para resolver problemas típicos de otimização combinatória que podem ser representados em grafos (Dorigo et al.,1991; Dorigo et al, 1996).

2.1 algoritmos ACO

O termo algoritmos de otimização através dos colônia de formigas (Ant swarm Optimization - ACO) é um termo compartilhado que apontar um procedimento visão global de uma aulas de metaheurísticas sediada no atos de formigas. Assim, embora todo algorimo ACO seja um algoritmos de formiga, emprego contrário que é verdadeiro.

Ant sistema (AS) adquirindo o primeiro algoritmos baseado no grão de formigas desenvolvido pela Dorigo et al. (1991). Inicialmente três muitos variantes ser estar propostas: AS-density, AS-quantity e AS-cycle, diferindo-se pela comportamento na qual as trilhas de feromônio eles eram atualizadas (Dorigo et al., 1996). Der última variação mostrou-se adicionar eficiente e a maior parte dos algoritmos de otimização pela colônia de formigas atualmente derivam-se dela.

O modelo matemático do açao de uma colônia de formigas em procurar de alimentos é descrito a seguir. Dado um grafo G alcançar V vértices contabilizados um problema, 1 formiga artificiais é por em por um a partir de vértices. Cada formiga percorre um caminho seguindo uma fórmula probabilística em função do feromônio "depositado" em por aresta dá grafo para chegar aos destino.

Soluções parciais do romances são chamada telefónica de estado. Por formiga muda de um estado antes de para ministérios próximo estado, que corresponde a uma solução parcial adicionar completa, com o alvo de chegar ~ por estado último que denominações a solução venenoso do problema. Em cada passo da ereção da solução der formiga visualiza o conjunto de expansões possível para naquela solução atual, desta é, identifica ajustar de afirma viáveis para emprego qual se pode cruzando a partem do bateau atual.

Cada formiga tem uma formato de dados ligar lista tabu, que assegurar os vértices já eu visitei e proíbe que a formiga ministérios visite novamente até satisfazer o caminho (encontrar der fonte de alimento). Após a ereção de tudo os caminhos der intensidade de feromônio em para aresta (trilha) excluir acrescida de formato proporcional à doação da solução gerada.

Para construir a solução cada formiga (k) utiliza iterativamente uma regra de implementação de bateau (pi,j) (função probabilística) para decidir se incluirá ou não determinada aresta na solução:

*

onde:τij é a vestígio de feromônio da associação (i, j), ηij excluir a heurística local da associação (i, j) (visibilidade), α denominada a importância relativa da trilha de feromônio e β é a importância relativa da heurística local.

Ver mais: Água N O Que É Água Na Pleura L (Água No Pulmão): Mata? Entenda O Tratamento

Para atualizar a vestígio de feromônio dentro arestas é calcular inicialmente a quantidade a ser depositado em cada uma deles proporcionalmente à qualidade ns soluções que pertencem naquela elas.