Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal

• Autor(a) principal: Lisandra Maria Alvesmatos
• Data de Publicação: 2019
• Outros Autores: Carlos Alberto Araújo Júnior, Adriana Leandra de Assis, Christian Dias Cabacinha, Paulo Henrique Batista Ferreira, Emanuelly Canabrava Magalhães
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://doi.org/10.34062/afs.v6i4.6197; http://hdl.handle.net/1843/43015; https://orcid.org/0000-0003-0909-8633; https://orcid.org/0000-0002-8148-083X
• topic: Inteligência artificial; Florestas -- Administração; Manejo florestal; Programação (Matemática)

Este trabalho objetivou avaliar o comportamento de diferentes parâmetros da metaheurística Algoritmo Genético para solução de problemas do planejamento florestal. O estudo considerou um horizonte de planejamento de 16 anos, analisando-se como parâmetros da metaheurística a utilização de elitismo, o tipo de cruzamento (1 ponto de corte e uniforme), o tipo de seleção dos pais para cruzamento (roleta e torneio) e tipo de mutação (escolha aleatória do gene e gene a gene), totalizando 16 combinações. Adicionalmente foram avaliados o tamanho da população inicial (20, 50 e 80 indivíduos) e o critério de parada (100, 300 e 500 gerações), totalizando 9 combinações. Cada uma dessas combinações foi considerada como um tratamento e processada com 30 repetições. O problema objetivou encontrar um cenário de planejamento da produção florestal que retornasse o máximo valor presente líquido sujeito às restrições de idade de corte (entre 5 e 7 anos), demandas mínima e máxima anual (140.000 m³ e 160.000 m³, respectivamente) e integridade. O processamento foi efetuado utilizando-se o software MeP. Aplicou-se o teste não-paramétrico de Kruskal-Wallis. Os resultados mostram que há diferença estatisticamente significativa, a 5% de probabilidade, entre as combinações dos parâmetros. Conclui-se que a qualidade das soluções geradas pela metaheurística algoritmo genético é dependente da seleção de uma boa configuração de seus parâmetros. A melhor solução foi encontrada utilizando a seguinte configuração: elitismo, cruzamento de 1 ponto, seleção do tipo torneio, mutação do tipo gene a gene, população inicial com 50 indivíduos e critério de parada com 500 gerações.