Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares

Detalhes bibliográficos
Autor(a) principal: Gomes, Gabriela dos Santos
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: https://app.uff.br/riuff/handle/1/34187
Resumo: O presente trabalho apresenta o estudo do método de otimização heurístico Evolução Diferencial (do inglês Differential Evolution - DE) aplicado na minimização de funções não lineares. São propostas duas hibridizações entre o método heurístico DE e o método de busca direta Hooke-Jeeves (HJ), com o objetivo de inserir o método de busca padrão ao longo do método DE no intuito de combinar as técnicas para se obter melhores resultados. Os métodos híbridos propostos são Evolução Diferencial/Hooke-Jeeves1 (DE/HJ1), onde o método HJ é inserido para refinar o melhor indivíduo de cada iteração, e o método híbrido Evolução Diferencial/Hooke-Jeeves2 (DE/HJ2), no qual o método HJ é utilizado para melhorar a população inicial. Os métodos em análise são testados na minimização de funções não lineares já presentes na literatura com o intuito de verificar o desempenho dos métodos em análise na convergência das funções, na eficácia temporal e no número de iterações necessárias para a obtenção do mínimo global da função. Por fim, apresenta-se a análise dos resultados obtidos e compara-se o desempenho do DE em relação aos seus métodos híbridos DE/HJ1 e DE/HJ2, identificando o mais eficiente.
id UFF-2_e1c7d4b75ff10fd7a7c08504ad7737a6
oai_identifier_str oai:app.uff.br:1/34187
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não linearesOtimizaçãoEvolução DiferencialHooke-JeevesFunções Não-linearesMinimizador GlobalOptimizationDifferential EvolutionHooke-JeevesNonlinear FunctionsGlobal MinimizerO presente trabalho apresenta o estudo do método de otimização heurístico Evolução Diferencial (do inglês Differential Evolution - DE) aplicado na minimização de funções não lineares. São propostas duas hibridizações entre o método heurístico DE e o método de busca direta Hooke-Jeeves (HJ), com o objetivo de inserir o método de busca padrão ao longo do método DE no intuito de combinar as técnicas para se obter melhores resultados. Os métodos híbridos propostos são Evolução Diferencial/Hooke-Jeeves1 (DE/HJ1), onde o método HJ é inserido para refinar o melhor indivíduo de cada iteração, e o método híbrido Evolução Diferencial/Hooke-Jeeves2 (DE/HJ2), no qual o método HJ é utilizado para melhorar a população inicial. Os métodos em análise são testados na minimização de funções não lineares já presentes na literatura com o intuito de verificar o desempenho dos métodos em análise na convergência das funções, na eficácia temporal e no número de iterações necessárias para a obtenção do mínimo global da função. Por fim, apresenta-se a análise dos resultados obtidos e compara-se o desempenho do DE em relação aos seus métodos híbridos DE/HJ1 e DE/HJ2, identificando o mais eficiente.This work presents the study of the heuristic optimization method Evolution Differential (from the English Differential Evolution - DE) applied to the minimization of functions non-linear. Two hybridizations are proposed between the DE heuristic method and the Hooke-Jeeves (HJ) direct search method, with the aim of inserting the standard search method into the throughout the DE method in order to combine the techniques to obtain better results. The proposed hybrid methods are Differential Evolution/Hooke-Jeeves1 (DE/HJ1), where the HJ method is inserted to refine the best individual of each iteration, and the method hybrid Differential Evolution/Hooke-Jeeves2 (DE/HJ2), in which the HJ method is used to improve the initial population. The methods under analysis are tested on minimization of non-linear functions already present in the literature in order to verify the performance of the methods under analysis in the convergence of functions, temporal efficiency and number of iterations necessary to obtain the global minimum of the function. Finally, it presents the analysis of the results obtained and the performance of the DE in relation to its hybrid methods DE/HJ1 and DE/HJ2, identifying the most efficient.34 f.Souza, Joviana Sartori dehttp://lattes.cnpq.br/9531837914512323Telles, Wagner RambaldiOliveira, Fabrízzio Condé deGomes, Gabriela dos Santos2024-08-15T15:30:05Z2024-08-15T15:30:05Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttps://app.uff.br/riuff/handle/1/34187CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2024-08-15T15:30:10Zoai:app.uff.br:1/34187Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-15T15:30:10Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
title Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
spellingShingle Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
Gomes, Gabriela dos Santos
Otimização
Evolução Diferencial
Hooke-Jeeves
Funções Não-lineares
Minimizador Global
Optimization
Differential Evolution
Hooke-Jeeves
Nonlinear Functions
Global Minimizer
title_short Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
title_full Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
title_fullStr Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
title_full_unstemmed Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
title_sort Um estudo sobre uma abordagem híbrida baseada na computação natural para a resolução de funções não lineares
author Gomes, Gabriela dos Santos
author_facet Gomes, Gabriela dos Santos
author_role author
dc.contributor.none.fl_str_mv Souza, Joviana Sartori de
http://lattes.cnpq.br/9531837914512323
Telles, Wagner Rambaldi
Oliveira, Fabrízzio Condé de
dc.contributor.author.fl_str_mv Gomes, Gabriela dos Santos
dc.subject.por.fl_str_mv Otimização
Evolução Diferencial
Hooke-Jeeves
Funções Não-lineares
Minimizador Global
Optimization
Differential Evolution
Hooke-Jeeves
Nonlinear Functions
Global Minimizer
topic Otimização
Evolução Diferencial
Hooke-Jeeves
Funções Não-lineares
Minimizador Global
Optimization
Differential Evolution
Hooke-Jeeves
Nonlinear Functions
Global Minimizer
description O presente trabalho apresenta o estudo do método de otimização heurístico Evolução Diferencial (do inglês Differential Evolution - DE) aplicado na minimização de funções não lineares. São propostas duas hibridizações entre o método heurístico DE e o método de busca direta Hooke-Jeeves (HJ), com o objetivo de inserir o método de busca padrão ao longo do método DE no intuito de combinar as técnicas para se obter melhores resultados. Os métodos híbridos propostos são Evolução Diferencial/Hooke-Jeeves1 (DE/HJ1), onde o método HJ é inserido para refinar o melhor indivíduo de cada iteração, e o método híbrido Evolução Diferencial/Hooke-Jeeves2 (DE/HJ2), no qual o método HJ é utilizado para melhorar a população inicial. Os métodos em análise são testados na minimização de funções não lineares já presentes na literatura com o intuito de verificar o desempenho dos métodos em análise na convergência das funções, na eficácia temporal e no número de iterações necessárias para a obtenção do mínimo global da função. Por fim, apresenta-se a análise dos resultados obtidos e compara-se o desempenho do DE em relação aos seus métodos híbridos DE/HJ1 e DE/HJ2, identificando o mais eficiente.
publishDate 2024
dc.date.none.fl_str_mv 2024-08-15T15:30:05Z
2024-08-15T15:30:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://app.uff.br/riuff/handle/1/34187
url https://app.uff.br/riuff/handle/1/34187
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1807838774440230912

Registros relacionados