| Resumo: | Problemas de otimização que envolvem a avaliação de funções com alto custo computacional são frequentemente tratados na literatura através de estratégias baseadas em metamodelos. Um exemplo desse tipo de estratégia são os Algoritmos Evolutivos Assistidos por Metamodelo (SAEAs, Surrogate Model Assisted Evolutionary Algorithms), usualmente utilizados para a otimização de problemas computacionalmente caros de avaliar e que requerem muitas avaliações de função, como aqueles com elevado número de variáveis (atualmente, SAEAs têm sido aplicados a problemas com até 100 variáveis). Nesses métodos, o metamodelo é usado com a finalidade de conduzir o algoritmo evolutivo para regiões promissoras do espaço de busca e reduzir o número de avaliações exigidas por esses métodos. Entretanto, nesse tipo de estratégia, os custos associados à construção e atualização do metamodelo não podem ser proibitivos. Este trabalho propõe um SAEA autoadaptativo, denominado SAEAa, o qual acopla em um mesmo framework uma autoadaptação de parâmetro e um mecanismo detalhado que permite a escolha entre diferentes operadores de mutação. Especificamente incorpora-se operadores de mutação com estruturas distintas, o que permite agregar ao SAEAa uma manutenção de diversidade e maior pressão seletiva no processo evolutivo. Outra característica do SAEAa é o uso de um metamodelo Ordinary Kriging unidimensional, o que resulta em um menor custo computacional de construção/atualização de metamodelo em comparação com o uso de um modelo Kriging na sua forma usual. A descrição da estratégia proposta aborda também aspectos que influenciam diretamente na qualidade do metamodelo e diversidade da população, os quais não são tratados em SAEAs existentes na literatura. Aplicou-se o método proposto na otimização de um conjunto de funções analíticas e a análise de resultados mostrou que o método proposto apresentou um melhor desempenho, em termos de qualidade de solução e custo computacional, em comparação com estratégias recentes da literatura. Considerou-se também a aplicação do SAEAa na otimização de um projeto de antena para radar de subsolo (GPR, Ground Penetrating Radar), cujo o objetivo é encontrar uma configuração adequada de parâmetros que a antena deve apresentar para se adaptar bem a aplicação. Validou-se a solução retornada pelo SAEAa, a qual se mostrou adequada para aplicação em GPR. Além disso, foi possível evidenciar uma considerável redução de recurso computacional (tempo) a partir do emprego da abordagem proposta.
|
|---|