Análise de Desempenho de Técnicas de Otimização Swarm Intelligence

• Autor(a) principal: Silva, Nelson José Ferreira da
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/11081
• topic: Otimização combinatória; Escalonamento de tarefas; Swarm Intelligence; Combinatorial optimization; Task Scheduling; Sistemas Computacionais

A otimização nas aplicações modernas assume um carácter fortemente interdisciplinar relacionando-se com a necessidade de integração de diferentes técnicas e paradigmas na resolução de problemas reais complexos. Nas últimas décadas, tem havido um interesse crescente na aplicação de algoritmos que adotam de algum modo os princípios de processos estritamente naturais. São bem conhecidos os casos do Arrefecimento Simulado e da Pesquisa Tabu, permitindo a capacidade de aprendizagem e generalização. Por outro lado, a partir de paradigmas diferentes, ainda que claramente naturais, surgiram a partir de ideias iniciais de John Holland (1979) os primeiros conceitos sobre a Computação Evolucionária, introduzindo a capacidade evolutiva de adaptação e de hereditariedade de uma população. Dentro destes tipos de Computação Evolucionária e seguindo o mesmo princípio comum - a de uma população que se autoperpetua ao longo de uma série de transformações, lutando pela própria sobrevivência - os algoritmos genéticos são de longe os mais conhecidos. Mais recentemente, com inspiração no comportamento social dos insetos e outros animais surgiu o paradigma da Inteligência dos Enxames (Swarm Intelligence) desenvolvido a partir do estudo do comportamento coletivo auto-organizado de sistemas descentralizados, constituídos por um número elevado de agentes, com o objetivo de realizar uma determinada tarefa (Dorigo, 2007). Neste contexto, esta dissertação apresenta e discute a aplicabilidade de duas técnicas de otimização com base em Swarm Intelligence ao problema de Single Machine Total Weighted Tardiness, através do desenvolvimento de uma aplicação capaz de implementar algoritmos com base nas técnicas discutidas e da realização de testes de escalamento de tarefas que permitam obter métricas relevantes para a avaliação dosresultados obtidos. Em função destes, é efetuada uma análise estatística que permite retirar conclusões sobre a análise experimental efetuada. Este estudo permitiu concluir que o algoritmo de Ant Colony Optimization é capaz de bter resultados com tardeza total significativamente inferior ao algoritmo de Artificial Bee Colony, apesar de essa melhora se refletir num tempo de execução também maior, enquanto que o ABC é capaz de providenciar soluções muito rapidamente, a custo da qualidade da solução. A aplicabilidade de cada um dos algoritmos a este problema dependerá sempre do objetivo final da sua implementação, sendo o ACO claramente superior se o objetivo for obter a melhor solução possível. Caso o objetivo seja a obtenção de resultados com maior rapidez, então o ABC será mais adequado.