Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica

Detalhes bibliográficos
Autor(a) principal: Freire, Hélio Alves
Data de Publicação: 2011
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10348/2058
Resumo: Os algoritmos estocásticos são muito usados em diversos problemas de optimização. Os algoritmos evolutivos são uma abordagem de pesquisa e optimização baseada numa população, inspirada na teoria evolutiva de Darwin. Uma das correntes que mais se popularizou de entre os algoritmos evolutivos foram os algoritmos genéticos, que serviram de base, ao longo desta dissertação, para a introdução de diversos conceitos e métodos, ligados à optimização, dominância, convergência e diversidade. Outro algoritmo estocástico, este, inspirado no comportamento animal, é o algoritmo de optimização por enxame de partículas. Sendo uma abordagem diferente em relação aos algoritmos evolutivos, adoptou alguns dos métodos usados nos algoritmos evolutivos. Os algoritmos estocásticos e meta-heurísticos, têm mostrado uma aptidão para a resolução de problemas de optimização multi-objectivo. Nesta dissertação é criado um novo algoritmo multi-objectivo de optimização por enxame de partículas, designado MmMOPSO. É apresentada uma análise comparativa deste algoritmo com outros algoritmos de optimização por enxame de partículas, num conjunto de funções de referência. O MmMOPSO é também aplicado na resolução de exemplos práticos de optimização da estrutura de manipuladores robóticos paralelos.
id RCAP_8253465aea974f16f7c801fcbfe20e49
oai_identifier_str oai:repositorio.utad.pt:10348/2058
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Algoritmos de Optimização Multi-objectivo de Inspiração Natural e BiológicaAlgoritmos evolutivosAlgoritmos genéticosAlgoritmos de optimização por enxame de partículasOptimização multi-objectivoOs algoritmos estocásticos são muito usados em diversos problemas de optimização. Os algoritmos evolutivos são uma abordagem de pesquisa e optimização baseada numa população, inspirada na teoria evolutiva de Darwin. Uma das correntes que mais se popularizou de entre os algoritmos evolutivos foram os algoritmos genéticos, que serviram de base, ao longo desta dissertação, para a introdução de diversos conceitos e métodos, ligados à optimização, dominância, convergência e diversidade. Outro algoritmo estocástico, este, inspirado no comportamento animal, é o algoritmo de optimização por enxame de partículas. Sendo uma abordagem diferente em relação aos algoritmos evolutivos, adoptou alguns dos métodos usados nos algoritmos evolutivos. Os algoritmos estocásticos e meta-heurísticos, têm mostrado uma aptidão para a resolução de problemas de optimização multi-objectivo. Nesta dissertação é criado um novo algoritmo multi-objectivo de optimização por enxame de partículas, designado MmMOPSO. É apresentada uma análise comparativa deste algoritmo com outros algoritmos de optimização por enxame de partículas, num conjunto de funções de referência. O MmMOPSO é também aplicado na resolução de exemplos práticos de optimização da estrutura de manipuladores robóticos paralelos.Stochastic algorithms are widely used in various optimization problems. Evolutionary algorithms are an search and optimization population based on approach inspired on Darwin evolutionary theory. One of the streams which turn to be more popular among evolutionary algorithms are the genetic algorithms, which serve as the base along this dissertation to, the introduction of several concepts and methods related to optimization, dominance, convergence and diversity. Another stochastic algorithm, this one inspired in animal behavior, is the particle swarm optimization. As a different approach to evolutionary algorithms, it adopted some methods used in evolutionary algorithms. Stochastic algorithms and meta-heuristics, have shown an aptitude for solving multiobjective optimization problems. A new multi-objective paricle swarm optimization algorithm, ter.med MmMOPSO, is proposed in the dissertation. A comparative analysis of this algorithm with other particle swarm optimization algorithms is presented, for a set of benchmark functions. The MmMOPSO is also applied to solve in practical examples to design parallel robotic manipulators.2012-09-13T11:52:20Z2011-01-01T00:00:00Z2011info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10348/2058pormetadata only accessinfo:eu-repo/semantics/openAccessFreire, Hélio Alvesreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-02T12:49:11Zoai:repositorio.utad.pt:10348/2058Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T02:04:47.549860Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
title Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
spellingShingle Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
Freire, Hélio Alves
Algoritmos evolutivos
Algoritmos genéticos
Algoritmos de optimização por enxame de partículas
Optimização multi-objectivo
title_short Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
title_full Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
title_fullStr Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
title_full_unstemmed Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
title_sort Algoritmos de Optimização Multi-objectivo de Inspiração Natural e Biológica
author Freire, Hélio Alves
author_facet Freire, Hélio Alves
author_role author
dc.contributor.author.fl_str_mv Freire, Hélio Alves
dc.subject.por.fl_str_mv Algoritmos evolutivos
Algoritmos genéticos
Algoritmos de optimização por enxame de partículas
Optimização multi-objectivo
topic Algoritmos evolutivos
Algoritmos genéticos
Algoritmos de optimização por enxame de partículas
Optimização multi-objectivo
description Os algoritmos estocásticos são muito usados em diversos problemas de optimização. Os algoritmos evolutivos são uma abordagem de pesquisa e optimização baseada numa população, inspirada na teoria evolutiva de Darwin. Uma das correntes que mais se popularizou de entre os algoritmos evolutivos foram os algoritmos genéticos, que serviram de base, ao longo desta dissertação, para a introdução de diversos conceitos e métodos, ligados à optimização, dominância, convergência e diversidade. Outro algoritmo estocástico, este, inspirado no comportamento animal, é o algoritmo de optimização por enxame de partículas. Sendo uma abordagem diferente em relação aos algoritmos evolutivos, adoptou alguns dos métodos usados nos algoritmos evolutivos. Os algoritmos estocásticos e meta-heurísticos, têm mostrado uma aptidão para a resolução de problemas de optimização multi-objectivo. Nesta dissertação é criado um novo algoritmo multi-objectivo de optimização por enxame de partículas, designado MmMOPSO. É apresentada uma análise comparativa deste algoritmo com outros algoritmos de optimização por enxame de partículas, num conjunto de funções de referência. O MmMOPSO é também aplicado na resolução de exemplos práticos de optimização da estrutura de manipuladores robóticos paralelos.
publishDate 2011
dc.date.none.fl_str_mv 2011-01-01T00:00:00Z
2011
2012-09-13T11:52:20Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10348/2058
url http://hdl.handle.net/10348/2058
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv metadata only access
info:eu-repo/semantics/openAccess
rights_invalid_str_mv metadata only access
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799137134356987904

Registros relacionados