Otimização irrestrita mono-objetivo por enxame de partículas assistida por polinômios canônicos de misturas.

• Main Author: PINTO, Wesley Gabriel de Mendonça
• Language: Portuguese
• Published: 2018
• Online Access: http://repositorio.unifei.edu.br/xmlui/handle/123456789/1430

Submitted by repositorio repositorio ([e-mail]) on 2018-06-29T18:22:01Z No. of bitstreams: 1 dissertacao_2018077.pdf: 3795334 bytes, checksum: 16a31c4b3f6ecb32aabdf44d4aba9c19 (MD5) === Made available in DSpace on 2018-06-29T18:22:01Z (GMT). No. of bitstreams: 1 dissertacao_2018077.pdf: 3795334 bytes, checksum: 16a31c4b3f6ecb32aabdf44d4aba9c19 (MD5) Previous issue date: 2018-06 === A dificuldade de encontrar soluções eficientes para problemas complexos de otimização tem levado diversos pesquisadores a desenvolverem e utilizarem ferramentas computacionais como algoritmos, a fim de auxiliar na resolução de problemas de otimização. Uma das dificuldades encontradas para se utilizar um algoritmo de otimização é a maneira como se deve configurá-lo, uma vez que, configurado de modo incorreto pode influenciar no desempenho do algoritmo, levando-o a soluções inviáveis. Desta forma, o presente trabalho tem por objetivo melhorar a performance de um algoritmo de otimização conhecido como enxame de partículas (PSO), visando calibrar os parâmetros de configuração do algoritmo, com intuito de encontrar um ajuste próximo do ideal melhorando a eficiência e eficácia deste otimizador. Para tal, foi aplicado um método denominado planejamento de experimentos (DoE), que possibilita encontrar parâmetros significativos que influenciam na performance do ambiente modelado, além de proporcionar soluções viáveis para resolução final de determinados sistemas. O procedimento proposto foi aplicado na otimização das funções esférica, rosenbrock e rastrigin, respectivamente, por se tratarem de funções contínuas, de sentido de minimização para otimização e duas dimensões. A utilização deste procedimento proporcionou uma nova configuração aos parâmetros do algoritmo enxame de partícula (PSO), ou seja, cada função de teste utilizada recebeu parâmetros únicos após a otimização do algoritmo. Dessa forma, as respostas tempo e número de iteração coletadas de cada função apresentou resultados significativos quanto aos parâmetros encontrados por essa otimização do PSO em relação aos parâmetros sugeridos pela literatura.