Monografia pericles miranda_v1 (28-07-10)
-
Upload
pericles-miranda -
Category
Technology
-
view
1.545 -
download
1
Transcript of Monografia pericles miranda_v1 (28-07-10)
![Page 1: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/1.jpg)
MOPSO-CDR com Especiação
Aluno: Péricles Barbosa Cunha de MirandaOrientador: Prof. Dr. Carmelo J. A. Bastos Filho
ESCOLA POLITÉCNICA DE PERNAMBUCO
![Page 2: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/2.jpg)
Roteiro
• Objetivos• Conceitos Fundamentais• Algoritmo Proposto• Experimentos• Resultados• Considerações finais• Referências
Trabalho de Conclusão de Curso Péricles Miranda
2
![Page 3: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/3.jpg)
Objetivos
• Desenvolvimento de uma melhoria no algoritmo MOPSO-CDR;
• Melhorar a convergência das soluções quanto ao seu espalhamento e espaçamento;
• Reduzir o tempo de convergência das soluções.
Trabalho de Conclusão de Curso Péricles Miranda
3
![Page 4: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/4.jpg)
Conceitos Fundamentais
• PSO;• Otimização Multi-Objetivos;• Aplicação de PSO em MOP.
Trabalho de Conclusão de Curso Péricles Miranda
4
![Page 5: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/5.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
• Algoritmo de Busca e Otimização Bio-Inspirado;
• Kennedy e Eberhart (1995)• Simula a interação entre indivíduos (pássaros)
que buscam a solução de único objetivo;
Trabalho de Conclusão de Curso Péricles Miranda
5
![Page 6: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/6.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
• Pássaro → Partícula;• Bando → Enxame;• Local do Alimento → Possível solução.
Trabalho de Conclusão de Curso Péricles Miranda
6
![Page 7: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/7.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso Péricles Miranda
7
![Page 8: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/8.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso Péricles Miranda
8
Componente cognitivo
![Page 9: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/9.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso Péricles Miranda
9
Componente cognitivo
Componente Social
![Page 10: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/10.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso Péricles Miranda
10
![Page 11: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/11.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
Como interagem?
Trabalho de Conclusão de Curso Péricles Miranda
11
![Page 12: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/12.jpg)
Conceitos FundamentaisInteligência de Enxames e PSO
Trabalho de Conclusão de Curso Péricles Miranda
12
Inicializar enxame:
Posição e Velocidade
Atualizar posição da partícula i usando equações
(1) e (2)
Calcular fitness da partícula i Atualizar pbest e gbest
Atualizou enxame?Não
Total de iterações?
Sim
Não
Fim do algoritmo
Sim
![Page 13: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/13.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Trabalho de Conclusão de Curso Péricles Miranda
13
• Solucionar vários objetivos;• Dominância;• Pareto Front.
![Page 14: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/14.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Quando uma partícula é considerada melhor que outra?
Dominância
Trabalho de Conclusão de Curso Péricles Miranda
14
![Page 15: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/15.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Quando uma partícula é considerada melhor que outra?
Trabalho de Conclusão de Curso Péricles Miranda
15
Soluções dominadas
![Page 16: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/16.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Quando uma partícula é considerada melhor que outra?
Trabalho de Conclusão de Curso Péricles Miranda
16
Soluções dominadas
![Page 17: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/17.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
O que é Pareto Front?
Trabalho de Conclusão de Curso Péricles Miranda
17
Soluções dominadas
Soluções do Pareto Front
![Page 18: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/18.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Qual o objetivo da MOO?
• Maximizar o número de elementos no Pareto;• Minimizar a distância do Pareto produzido
para o do problema (Ótimo);• Maximizar a uniformidade e distribuição das
soluções.
Trabalho de Conclusão de Curso Péricles Miranda
18
![Page 19: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/19.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
O Pareto está convergindo?
• Métricas de Cálculo de Desempenho– Hypervolume– Spacing– Maximum Spread– Coverage
Trabalho de Conclusão de Curso Péricles Miranda
19
![Page 20: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/20.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Hypervolume?
Trabalho de Conclusão de Curso Péricles Miranda
20
![Page 21: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/21.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Spacing?
Trabalho de Conclusão de Curso Péricles Miranda
21
![Page 22: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/22.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Maximum Spread?
Trabalho de Conclusão de Curso Péricles Miranda
22
![Page 23: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/23.jpg)
Conceitos FundamentaisOtimização Multi-Objetivos
Coverage?
Trabalho de Conclusão de Curso Péricles Miranda
23
![Page 24: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/24.jpg)
Conceitos FundamentaisAplicação de PSO em MOP
• Mudança na escolha dos líderes cognitivo e social;
• Arquivo Externo.
Trabalho de Conclusão de Curso Péricles Miranda
24
![Page 25: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/25.jpg)
Conceitos FundamentaisAplicação de PSO em MOP
O que é Arquivo Externo?
• Repositório de soluções não dominadas;• Histórico de toda a simulação;• Pareto Front resultante.
Trabalho de Conclusão de Curso Péricles Miranda
25
![Page 26: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/26.jpg)
Conceitos FundamentaisAplicação de PSO em MOP
Como atualiza-se o líder social? Elimina-se comunicação.
Trabalho de Conclusão de Curso Péricles Miranda
26
Arquivo ExternoEnxame
Líder social
Partículas não dominadas
![Page 27: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/27.jpg)
Conceitos FundamentaisAplicação de PSO em MOP
Como atualiza-se o líder cognitivo?
O pbest só é atualizado se o fitness da Posição Atual DOMINA o fitness do pbest.
Trabalho de Conclusão de Curso Péricles Miranda
27
![Page 28: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/28.jpg)
Conceitos FundamentaisAplicação de PSO em MOP
Como funciona?
Trabalho de Conclusão de Curso Péricles Miranda
28
Início:Incializa enxameIncializa líderes no Arquivo ExternoQualifica líderesg = 0
Enquanto g < gMax:Para cada partícula:
Seleciona líder social usando AEAtualiza Posição e VelocidadeCalcula FitnessAtualiza pbest
Atualiza líderes do Arquivo ExternoQualifica líderesg++
Reportar ResultadosFim
![Page 29: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/29.jpg)
Conceitos FundamentaisAplicação de PSO em MOP
Quais as técnicas propostas?
• CSS-MOPSO (Chiu, Sun em 2007)• MOPSO (Coello, Pulido, Lechuga em 2004)• MOPSO-CDLS (Tsou, Chang em 2007)• m-DNPSO (Hu, Eberhart, Chi em 2006)• MOPSO-CDR (Santana, Pontes e Bastos em 2008)
Trabalho de Conclusão de Curso Péricles Miranda
29
![Page 30: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/30.jpg)
MOPSO-CDR
• Fundamentado no MOPSO;• Incorpora Crowding Distance e Roleta na
seleção dos líderes cognitivo e social.
Trabalho de Conclusão de Curso Péricles Miranda
30
![Page 31: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/31.jpg)
MOPSO-CDR
O que é Crowding Distance?
Trabalho de Conclusão de Curso Péricles Miranda
31
![Page 32: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/32.jpg)
MOPSO-CDR
Como atualiza-se o líder social?
• Ordena-se as soluções do Arquivo externo por CD;
• Partículas com maior CD tem mais chances de serem selecionadas e sugeridas como gBest.
Trabalho de Conclusão de Curso Péricles Miranda
32
![Page 33: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/33.jpg)
MOPSO-CDR
Como atualiza-se o líder cognitivo?
• Se posição domina, pBest atualizado;• Se incomparáveis:
– Solução do AE mais próxima da Posição;– Solução do AE mais próxima do pBest;– A de maior CD define quem será escolhido.
Trabalho de Conclusão de Curso Péricles Miranda
33
![Page 34: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/34.jpg)
MOPSO-CDR
Como funciona?
Trabalho de Conclusão de Curso Péricles Miranda
34
Início:Incializa enxameIncializa líderes no Arquivo ExternoQualifica líderes usando CDR
Enquanto condição de parada não alcançada:Para cada partícula:
Aplica TurbulênciaSeleciona líder social (usando CDR)Atualiza Velocidade e PosiçãoCalcula FitnessAtualiza pbest (torneio binário)
Atualiza líderes do Arquivo ExternoQualifica líderes usando CDR
Reportar ResultadosFim
![Page 35: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/35.jpg)
Algoritmo Proposto
![Page 36: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/36.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
36
• Baseado no MOPSO-CDR;
• Sub-Enxames;
• Gerenciador de Arquivo Externo;• Executor ou Tomador de Decisões.
![Page 37: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/37.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
37
Qual a função do Gerenciador?
• Aplica métricas de Spacing e Spreading;• Analisa o comportamento do Pareto;• Gera feedback para o Executor.
![Page 38: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/38.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
38
Qual a função do Executor?
• Analisa o feedback do Gerenciador;• Toma decisões para melhorar desempenho do
Pareto;• Decisões relacionadas à forma como a seleção
dos líderes será realizada;• Algoritmo adota dois estados.
![Page 39: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/39.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
39
Qual a função do Executor?
Executor
EspeciaçãoBásico
![Page 40: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/40.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
40
Qual a função do Executor?
Limiar de Estagnação
Básico Especiação
![Page 41: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/41.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
41
Como o limiar é calculado?
• Com o passar das iterações, o valor da aplicação da métrica é guardado;
• Calcula-se o desvio padrão desses valores;• 0,1%
![Page 42: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/42.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
42
Como funciona o estado Básico?
• Mantém o funcionamento normal do MOPSO-CDR;
• O Gerenciador aplica Maximum Spreading no AE;• Executor verifica se limiar foi alcançado.
![Page 43: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/43.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
43
Como funciona o estado de Especiação?
• Divide enxame em sub-enxames– Cada sub-enxame com uma responsabilidade;
• O Gerenciador aplica Spacing no AE;• Executor verifica se limiar foi alcançado.
![Page 44: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/44.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
44
Como funciona o estado de Especiação?
Soluciona objetivo F1
Soluciona objetivo F2
MOPSO-CDR
![Page 45: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/45.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
45
E a seleção do líder social?
Arquivo ExternoEnxame
Líder socialMOPSO-CDR
![Page 46: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/46.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
46
E a seleção do líder cognitivo?
Partícula
Se fitness da posição for incomparável em relação ao do pbest, analisa-se qual fitness é
menor em relação ao objetivo do sub-enxame.
![Page 47: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/47.jpg)
Algoritmo Proposto
Trabalho de Conclusão de Curso Péricles Miranda
47
Como funciona?Início:
Incializa enxameIncializa líderes no Arquivo ExternoQualifica líderes usando CDRUtiliza estado Básico
Enquanto condição de parada não alcançada:Para cada partícula:
Aplica TurbulênciaSeleciona líder social (de acordo com estado)Atualiza Velocidade e PosiçãoCalcula FitnessAtualiza pbest (de acordo com estado)
Atualiza líderes do Arquivo ExternoQualifica líderes usando CDRAnalisa pareto usando métricaAtualiza estado
Reportar ResultadosFim
![Page 48: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/48.jpg)
Experimentos
![Page 49: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/49.jpg)
Experimentos
• 6 técnicas comparadas;• 4 métricas aplicadas;• 5 funções de teste utilizadas
– ZDT1, ZDT2, ZDT3, ZDT4 e ZDT6;• Variação do número de chamadas
– 200,000 e 100,000.
Trabalho de Conclusão de Curso Péricles Miranda
49
![Page 50: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/50.jpg)
Experimentos
• Comparação entre todas as técnicas para cada função de teste;
• Comparação entre MOPSO-CDRS e MOPSO-CDR, para cada função de teste, com número de chamadas reduzido;
• Comparação entre MOPSO-CDRS e MOPSO-CDR quanto ao tempo de execução.
Trabalho de Conclusão de Curso Péricles Miranda
50
![Page 51: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/51.jpg)
Resultados
![Page 52: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/52.jpg)
ResultadosComparação entre técnicas (200,000 chamadas)
• ZDT1
Trabalho de Conclusão de Curso Péricles Miranda
52
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO 0.36 (0.002) 0.0046 (5E-4) 1.425 (0.005) 1.0 (0.0) 0.0 (0.0)
m-DNOPSO 0.713 (0.053) 0.0457 (0.014) 1.54 (0.065) 1.0 (0.0) 0.0 (0.0)
MOPSO CDLS 0.39 (0.003) 0.0042 (6E-4) 1.44 (0.005) 1.0 (0.0) 0.0 (0.0)
CSS MOPSO 0.34 (0.002) 0.0023 (1E-4) 1.42 (0.002) 0.99 (0.003) 0.0 (0.0)
MOPSO CDR 0.33 (3E-5) 0.0033 (2E-4) 1.41 (0.0) 0.88 (0.0034) 0.03 (0.023)
MOPSO CDRS 0.31 (2E-5) 0.0027 (1E-4) 1.38 (0.0)
![Page 53: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/53.jpg)
ResultadosComparação entre técnicas (200,000 chamadas)
• ZDT2
Trabalho de Conclusão de Curso Péricles Miranda
53
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO 0.69 (0.001) 0.006 (0.001) 1.396 (0.015) 1.0 (0.0) 0.0 (0.0)
m-DNOPSO 0.94 (0.06) 0.054 (0.017) 1.29 (0.037) 1.0 (0.0) 0.0 (0.0)
MOPSO CDLS 0.716 (0.003) 0.006 (0.001) 1.39 (0.004) 1.0 (0.0) 0.0 (0.0)
CSS MOPSO 0.674 (0.001) 0.0035 (7E-4) 1.41 (8E-4) 0.978 (0.021) 0.0 (0.0)
MOPSO CDR 0.66 (3E-5) 0.0033 (2E-4) 1.41 (0.0) 0.72 (0.036) 0.195 (0.023)
MOPSO CDRS 0.656 (3E-5) 0.0029 (2E-5) 1.41 (0.0)
![Page 54: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/54.jpg)
ResultadosComparação entre técnicas (200,000 chamadas)
• ZDT3
Trabalho de Conclusão de Curso Péricles Miranda
54
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO 0.950 (0.004) 0.005 (4E-4) 1.976 (0.008) 1.0 (0.0) 0.0 (0.0)
m-DNOPSO 1.296 (0.088) 0.045 (0.016) 2.068 (0.146) 1.0 (0.0) 0.0 (0.0)
MOPSO CDLS 1.006 (0.009) 0.006 (9E-4) 1.988 (0.015) 1.0 (0.0) 0.0 (0.0)
CSS MOPSO 0.953 (0.008) 0.003 (7E-4) 1.983 (0.006) 0.999 (8E-4) 0.0 (0.0)
MOPSO CDR 0.920 (1E-4) 0.0033 (2E-4) 1.967 (2E-5) 0.69 (0.0056) 0.22 (0.034)
MOPSO CDRS 0.94 (6E-5) 0.0025 (0.0) 1.95 (9E-5)
![Page 55: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/55.jpg)
ResultadosComparação entre técnicas (200,000 chamadas)
• ZDT4
Trabalho de Conclusão de Curso Péricles Miranda
55
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO 0.631 (0.526) 0.006 (0.0014) 1.54 (0.18) 0.68 (0.210) 0.2 (0.18)
m-DNOPSO 2.157 (0.935) 0.04 (0.037) 1.94 (0.29) 1.0 (0.0) 0.0 (0.0)
MOPSO CDLS 4.82 (0.2.174) 0.005 (9E-4) 2.7 (0.46) 1.0 (0.0) 0.0 (0.0)
CSS MOPSO 5.38 (0.008) 0.005 (0.0012) 2.8 (0.525) 0.999 (8E-4) 0.0 (0.0)
MOPSO CDR 0.57 (0.26) 0.0033 (3E-4) 1.52 (0.109) 0.90 (3E-4) 0.015 (2E-3)
MOPSO CDRS 0.56 (0.012) 0.0025 (2E-4) 1.38 (2E-4)
![Page 56: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/56.jpg)
ResultadosComparação entre técnicas (200,000 chamadas)
• ZDT6
Trabalho de Conclusão de Curso Péricles Miranda
56
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO 1.261 (0.386) 0.129 (0.122) 3.180 (1.4) 0.48 (0.102) 0.32 (0.0034)
m-DNOPSO 1.279 (0.506) 0.126 (0.108) 3.203 (1.732) 1.0 (0.0) 0.0 (0.0)
MOPSO CDLS 1.717 (0.519) 0.186 (145) 4.632 (1.816) 0.89 (2E-3) 0.09 (2E-4)
CSS MOPSO 2.051 (0.697) 0.234 (0.153) 5.571 (2.046) 0.417 (0.004) 0.002 (2E-3)
MOPSO CDR 1.670 (0.3) 0.088 (0.056) 4.636 (1.053) 0.88 (0.0034) 0.03 (0.023)
MOPSO CDRS 1.345 (0.46) 0.078 (2E-3) 3.233 (0.034)
![Page 57: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/57.jpg)
ResultadosComparação com o MOPSO-CDR (100,000 chamadas)
Trabalho de Conclusão de Curso Péricles Miranda
57
• ZDT1
• ZDT2
• ZDT3
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO CDR 0.36 (0.002) 0.0035 (0.002) 1.43 (0.001) 0.135 (0.0034) 0.005 (0.023)
MOPSO CDRS 0.36 (0.002) 0.0029 (0.002) 1.41 (0.001)
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO CDR 0.76 (0.001) 0.0043 (0.007) 1.43 (0.005) 0.145 (0.0032) 0.0 (0.0)
MOPSO CDRS 0.72 (0.0023) 0.0042 (0.02) 1.42 (0.02)
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO CDR 0.93 (0.008) 0.0036 (0.032) 1.97 (0.019) 0.745 (0.001) 0.01 (0.034)
MOPSO CDRS 0.912 (0.034) 0.0027 (1E-4) 1.96 (0.004)
![Page 58: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/58.jpg)
ResultadosComparação com o MOPSO-CDR (100,000 chamadas)
Trabalho de Conclusão de Curso Péricles Miranda
58
• ZDT4
• ZDT6
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO CDR 4.88 (2.61) 0.74 (0.56) 16.49 (8.79) 1.0 (0.0) 0.0 (0.0)
MOPSO CDRS 2.23 (1.32) 0.08 (0.05) 11.44 (5.39)
Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS
MOPSO CDR 2.05 (0.2) 0.17 (0.071) 6.03 (1.34) 0.67 (0.56) 0.12 (0.78)
MOPSO CDRS 1.8 (0.16) 0.189 (0.0017) 5.89 (0.59)
![Page 59: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/59.jpg)
ResultadosComparação com o MOPSO-CDR (Tempo de Execução)
Trabalho de Conclusão de Curso Péricles Miranda
59
Algoritmo ZDT1 ZDT2 ZDT3 ZDT4 ZDT6
MOPSO CDR 37.681 35.566 42.683 2.372 4.381
MOPSO CDRS 112.250 107.887 117.475 30.969 33.053
![Page 60: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/60.jpg)
• Alternativa eficaz, apresentando melhor desempenho do Pareto comparado às demais técnicas (200,000 chamadas);
• Superioridade do MOPSO-CDRS em relação ao MOPSO-CDR com 100,000 chamadas;
• Pareto converge mais rapidamente para problemas mais difíceis.
Trabalho de Conclusão de Curso Péricles Miranda
60
Conclusões
![Page 61: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/61.jpg)
• Estudo de um valor ótimo para o limiar ou implementar uma proposta de limiar variável;
• Estudar a influência de outras métricas no desempenho do arquivo externo, de modo a introduzi-las para análise no gerenciador;
• Substituir o MOPSO-CDR por outra técnica, bem fundamentada na literatura, para verificar sua interferência no desempenho do pareto;
• Incorporar ainda mais objetivos.Trabalho de Conclusão de Curso
Péricles Miranda61
Trabalhos Futuros
![Page 62: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/62.jpg)
Referências1. NEDJA, N.; DOS SANTOS COELHO, L.; DE MACEDO DE MOURELLE, L. Studies in Computational Intelligence. Rio
de Janeiro: Springer, v. 261, 2009. Multi-Objective Swarm Intelligent Systems.2.KENNEDY, J.; EBERHART, R. Particle Swarm Optimization, 4, 1995. 1942-1948.3. REYES-SERRA, M.; COELLO, C. A. C. Multi-Objective Particle Swarm Optimizers: A Survey of the State-of-the-
Art, 2002. 34-54. Electrical Engineering Department, Computer Science Section.4. REYNOLDS, C. W. Flocks, Herds And Schools: A Distributed Behavioral, 1987. 25-34. Computer Graphics.5. MILLONAS, M. M. Swarms, Phase Transitions and Collective Intelligence. 3. ed. Chicago: Artifial Life, 1994.6. EBERHART, R.; KENNEDY, J. A New Optimizer Using Particle Swarm Theory, 1995. 39-43.7. CLERC, M.; KENNEDY, J. The Particle Swarm - Explosion, Stability, and Convergence in a Multidimensional
Complex Space, v. 6, p. 58-73, 2002. IEEE Transactions on Evolutionary Computation.8. EBERHART., Y. S. A. R. C. A Modified Particle Swarm Optimiser, Maio 1998. International Conference of
Evolutionary Computation.9. ZITZLER, E. Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications. ETH Zurich.
Switzerland. 1999.10. ZITZLER, E.; THIELE, L. Multiobjective Evolutionary Algorithms: A Comparative Case Study and The Strength
Pareto Approach, 1999. 257-271. IEEE Transactions on Evolutionary Computation.11. ZITZLER, E.; THIELE, L. Multiobjective Optimization Using Evolutionary Algorithms - A Comparative Case
Study, 1998. 292-271. Conference on Parallel Problem Solving from Nature.12. SANTANA, R. A.; PONTES, M. R.; BASTOS-FILHO, C. J. A. A Multiple Objective Particle Swarm Optimization
Approach Using Crowding Distance And Roulette Wheel. Department of Computing Systems, UPE.
Trabalho de Conclusão de Curso Péricles Miranda
62
![Page 63: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/63.jpg)
Referências13. COELLO, C. A. C.; VAN VELDHUIZEN, D. A.; LAMONT, G. B. Evolutionary Algorithms for Solving Multi-Objetive
Problems, New York, Maio 2002. Kluwer Academic Publishers.
14. CHIU, S. Y. et al. Cross-Searching Strategy for Multi-Objective Particle Swarm Optimization. Congress on Evolutionary Computation. 3135-3141. IEEE.
15. COELLO, C. A. C.; PULIDO, G. T.; LECHUGA, M. S. Handling Multiple Objectives With Particle Swarm Opimization, Junho 2004. IEEE Transactions Evolutionary Computation.
16. TSOU, C.; CHANG, S.; LAI, P. Using Crowding Distance to Improve Multi-Objective PSO with Local Search. In: TIWARI, F. T. S. C. A. M. K. Swarm Intelligence, Focus on Ant and Particle Swarm Optimization. Vienna, Austria: I-Tech Education and Publishing, 2007. p. 77-86.
17. RAQUEL, C. R.; NAVAL JR., P. C. An Effective Use of Crowding Distance in Multi-Objective Particle Swarm Optimization. Proceedings of the 2005 Conference on Genetic and Evolutionary Computation, New York, USA, 2005. 257-264. GECCO'05.
18. HU, X.; EBERHART, R.; SHI, Y. Particle Swarm With Extended Memory For Multi-Objective Opitmization. In Swarm Intellingence Symposium, 2003. 193-197. SIS'03.
19. COELLO, C. A. C.; LAMONT, G. B.; VAN VELDHUIZEN, D. A. Evolutionary Algorithms for Solving Multi-Objective Problems. Genetic and Evolutionary Computation, New York, 2007.
20. DEB, K. Multi-objective genetic algorithms: Problem Difficulties and Construction of Test Problems, 1999. 205-230.
Trabalho de Conclusão de Curso Péricles Miranda
63
![Page 64: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/64.jpg)
Referências21. COELLO, C. A. C.; LAMONT, G. B. An Introduction to Multi-Objective Evolutionary Algorithms And Their
Application, 1999. 14-26.
22. KONAK, A.; COIT, D. W.; SMITH, A. E. Multi-Objective Optimization Using Genetic Algorithms: A Tutorial. Reliability Engineering and System Safety, p. 13-29, 2006. Information Sciences and Technology, Penn State Berks, USA.
Trabalho de Conclusão de Curso Péricles Miranda
64
![Page 65: Monografia pericles miranda_v1 (28-07-10)](https://reader038.fdocumentos.tips/reader038/viewer/2022102806/5588d835d8b42abf468b4592/html5/thumbnails/65.jpg)
MOPSO-CDR com Especiação
Aluno: Péricles Barbosa Cunha de MirandaOrientador: Prof. Dr. Carmelo J. A. Bastos Filho
ESCOLA POLITÉCNICA DE PERNAMBUCO