Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Outros Autores: | , , , , |
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 |
Resumo: | 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. |
id |
UFMG_dbde825c671a7d63d3948978c31da2c4 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/43015 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
2022-07-07T13:43:00Z2022-07-07T13:43:00Z201964767774http://doi.org/10.34062/afs.v6i4.61972357-8181http://hdl.handle.net/1843/43015https://orcid.org/0000-0003-0909-8633https://orcid.org/0000-0002-8148-083XEste 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.This work aimed to evaluate the behavior of different parameters of the Genetic Algorithm metaheuristic to solve problems of forest planning. The study was developed considering a planning horizon of 16 years, analyzing as parameters of the metaheuristic the use of elitism, the type of crossing (1 cut-off point and uniform), the type of parent selection for crossing (roulette and tournament ) and mutation type (random gene choice and gene to gene), totaling 16 combinations. In addition, the initial population size (20, 50 and 80 individuals) and the stopping criterion (100, 300 and 500 generations) were evaluated, totaling 9 combinations. Each of these combinations of genetic algorithm parameters was considered as a different treatment and processed with 30 replicates. The problem was to find a scenario of forest production planning that would return the maximum Net Present Value subject to the restrictions of age of cut (between 5 and 7 years), minimum and maximum annual demands (140,000 m³ and 160,000 m³, respectively) and integrity. Processing was done using MeP software. To compare the results, the non-parametric Kruskal-Wallis test was used. The results show that there is a statistically significant difference, at 5% probability, between the parameter combinations. We conclude that the quality of the solutions generated by the metaheuristic genetic algorithm is dependent on the selection of a good configuration of its parameters. The best solution was found using the following configuration: elitism, 1-point crossing, tournament-type selection, gene-to-gene mutation, initial population with 50 individuals, and 500-generation stop criterion.porUniversidade Federal de Minas GeraisUFMGBrasilICA - INSTITUTO DE CIÊNCIAS AGRÁRIASAdvances in Forestry ScienceInteligência artificialFlorestas -- AdministraçãoManejo florestalProgramação (Matemática)Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articlehttps://periodicoscientificos.ufmt.br/ojs/index.php/afor/article/view/6197Lisandra Maria AlvesmatosCarlos Alberto Araújo JúniorAdriana Leandra de AssisChristian Dias CabacinhaPaulo Henrique Batista FerreiraEmanuelly Canabrava Magalhãesinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGLICENSELicense.txtLicense.txttext/plain; charset=utf-82042https://repositorio.ufmg.br/bitstream/1843/43015/1/License.txtfa505098d172de0bc8864fc1287ffe22MD51ORIGINALInfluência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal.pdfInfluência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal.pdfapplication/pdf554602https://repositorio.ufmg.br/bitstream/1843/43015/2/Influ%c3%aancia%20dos%20par%c3%a2metros%20da%20metaheur%c3%adstica%20algoritmo%20gen%c3%a9tico%20em%20um%20problema%20de%20planejamento%20florestal.pdf963882bebb5f11a1fa0b013cda9ef359MD521843/430152022-07-07 10:43:00.68oai:repositorio.ufmg.br:1843/43015TElDRU7vv71BIERFIERJU1RSSUJVSe+/ve+/vU8gTu+/vU8tRVhDTFVTSVZBIERPIFJFUE9TSVTvv71SSU8gSU5TVElUVUNJT05BTCBEQSBVRk1HCiAKCkNvbSBhIGFwcmVzZW50Ye+/ve+/vW8gZGVzdGEgbGljZW7vv71hLCB2b2Pvv70gKG8gYXV0b3IgKGVzKSBvdSBvIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGRlIGF1dG9yKSBjb25jZWRlIGFvIFJlcG9zaXTvv71yaW8gSW5zdGl0dWNpb25hbCBkYSBVRk1HIChSSS1VRk1HKSBvIGRpcmVpdG8gbu+/vW8gZXhjbHVzaXZvIGUgaXJyZXZvZ++/vXZlbCBkZSByZXByb2R1emlyIGUvb3UgZGlzdHJpYnVpciBhIHN1YSBwdWJsaWNh77+977+9byAoaW5jbHVpbmRvIG8gcmVzdW1vKSBwb3IgdG9kbyBvIG11bmRvIG5vIGZvcm1hdG8gaW1wcmVzc28gZSBlbGV0cu+/vW5pY28gZSBlbSBxdWFscXVlciBtZWlvLCBpbmNsdWluZG8gb3MgZm9ybWF0b3Mg77+9dWRpbyBvdSB277+9ZGVvLgoKVm9j77+9IGRlY2xhcmEgcXVlIGNvbmhlY2UgYSBwb2zvv710aWNhIGRlIGNvcHlyaWdodCBkYSBlZGl0b3JhIGRvIHNldSBkb2N1bWVudG8gZSBxdWUgY29uaGVjZSBlIGFjZWl0YSBhcyBEaXJldHJpemVzIGRvIFJJLVVGTUcuCgpWb2Pvv70gY29uY29yZGEgcXVlIG8gUmVwb3NpdO+/vXJpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGTUcgcG9kZSwgc2VtIGFsdGVyYXIgbyBjb250Ze+/vWRvLCB0cmFuc3BvciBhIHN1YSBwdWJsaWNh77+977+9byBwYXJhIHF1YWxxdWVyIG1laW8gb3UgZm9ybWF0byBwYXJhIGZpbnMgZGUgcHJlc2VydmHvv73vv71vLgoKVm9j77+9IHRhbWLvv71tIGNvbmNvcmRhIHF1ZSBvIFJlcG9zaXTvv71yaW8gSW5zdGl0dWNpb25hbCBkYSBVRk1HIHBvZGUgbWFudGVyIG1haXMgZGUgdW1hIGPvv71waWEgZGUgc3VhIHB1YmxpY2Hvv73vv71vIHBhcmEgZmlucyBkZSBzZWd1cmFu77+9YSwgYmFjay11cCBlIHByZXNlcnZh77+977+9by4KClZvY++/vSBkZWNsYXJhIHF1ZSBhIHN1YSBwdWJsaWNh77+977+9byDvv70gb3JpZ2luYWwgZSBxdWUgdm9j77+9IHRlbSBvIHBvZGVyIGRlIGNvbmNlZGVyIG9zIGRpcmVpdG9zIGNvbnRpZG9zIG5lc3RhIGxpY2Vu77+9YS4gVm9j77+9IHRhbWLvv71tIGRlY2xhcmEgcXVlIG8gZGVw77+9c2l0byBkZSBzdWEgcHVibGljYe+/ve+/vW8gbu+/vW8sIHF1ZSBzZWphIGRlIHNldSBjb25oZWNpbWVudG8sIGluZnJpbmdlIGRpcmVpdG9zIGF1dG9yYWlzIGRlIG5pbmd177+9bS4KCkNhc28gYSBzdWEgcHVibGljYe+/ve+/vW8gY29udGVuaGEgbWF0ZXJpYWwgcXVlIHZvY++/vSBu77+9byBwb3NzdWkgYSB0aXR1bGFyaWRhZGUgZG9zIGRpcmVpdG9zIGF1dG9yYWlzLCB2b2Pvv70gZGVjbGFyYSBxdWUgb2J0ZXZlIGEgcGVybWlzc++/vW8gaXJyZXN0cml0YSBkbyBkZXRlbnRvciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgcGFyYSBjb25jZWRlciBhbyBSZXBvc2l077+9cmlvIEluc3RpdHVjaW9uYWwgZGEgVUZNRyBvcyBkaXJlaXRvcyBhcHJlc2VudGFkb3MgbmVzdGEgbGljZW7vv71hLCBlIHF1ZSBlc3NlIG1hdGVyaWFsIGRlIHByb3ByaWVkYWRlIGRlIHRlcmNlaXJvcyBlc3Tvv70gY2xhcmFtZW50ZSBpZGVudGlmaWNhZG8gZSByZWNvbmhlY2lkbyBubyB0ZXh0byBvdSBubyBjb250Ze+/vWRvIGRhIHB1YmxpY2Hvv73vv71vIG9yYSBkZXBvc2l0YWRhLgoKQ0FTTyBBIFBVQkxJQ0Hvv73vv71PIE9SQSBERVBPU0lUQURBIFRFTkhBIFNJRE8gUkVTVUxUQURPIERFIFVNIFBBVFJPQ++/vU5JTyBPVSBBUE9JTyBERSBVTUEgQUfvv71OQ0lBIERFIEZPTUVOVE8gT1UgT1VUUk8gT1JHQU5JU01PLCBWT0Pvv70gREVDTEFSQSBRVUUgUkVTUEVJVE9VIFRPRE9TIEUgUVVBSVNRVUVSIERJUkVJVE9TIERFIFJFVklT77+9TyBDT01PIFRBTULvv71NIEFTIERFTUFJUyBPQlJJR0Hvv73vv71FUyBFWElHSURBUyBQT1IgQ09OVFJBVE8gT1UgQUNPUkRPLgoKTyBSZXBvc2l077+9cmlvIEluc3RpdHVjaW9uYWwgZGEgVUZNRyBzZSBjb21wcm9tZXRlIGEgaWRlbnRpZmljYXIgY2xhcmFtZW50ZSBvIHNldSBub21lKHMpIG91IG8ocykgbm9tZXMocykgZG8ocykgZGV0ZW50b3IoZXMpIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBkYSBwdWJsaWNh77+977+9bywgZSBu77+9byBmYXLvv70gcXVhbHF1ZXIgYWx0ZXJh77+977+9bywgYWzvv71tIGRhcXVlbGFzIGNvbmNlZGlkYXMgcG9yIGVzdGEgbGljZW7vv71hLgo=Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-07-07T13:43Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
title |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
spellingShingle |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal Lisandra Maria Alvesmatos Inteligência artificial Florestas -- Administração Manejo florestal Programação (Matemática) |
title_short |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
title_full |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
title_fullStr |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
title_full_unstemmed |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
title_sort |
Influência dos parâmetros da metaheurística algoritmo genético em um problema de planejamento florestal |
author |
Lisandra Maria Alvesmatos |
author_facet |
Lisandra Maria Alvesmatos Carlos Alberto Araújo Júnior Adriana Leandra de Assis Christian Dias Cabacinha Paulo Henrique Batista Ferreira Emanuelly Canabrava Magalhães |
author_role |
author |
author2 |
Carlos Alberto Araújo Júnior Adriana Leandra de Assis Christian Dias Cabacinha Paulo Henrique Batista Ferreira Emanuelly Canabrava Magalhães |
author2_role |
author author author author author |
dc.contributor.author.fl_str_mv |
Lisandra Maria Alvesmatos Carlos Alberto Araújo Júnior Adriana Leandra de Assis Christian Dias Cabacinha Paulo Henrique Batista Ferreira Emanuelly Canabrava Magalhães |
dc.subject.other.pt_BR.fl_str_mv |
Inteligência artificial Florestas -- Administração Manejo florestal Programação (Matemática) |
topic |
Inteligência artificial Florestas -- Administração Manejo florestal Programação (Matemática) |
description |
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. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019 |
dc.date.accessioned.fl_str_mv |
2022-07-07T13:43:00Z |
dc.date.available.fl_str_mv |
2022-07-07T13:43:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/43015 |
dc.identifier.doi.pt_BR.fl_str_mv |
http://doi.org/10.34062/afs.v6i4.6197 |
dc.identifier.issn.pt_BR.fl_str_mv |
2357-8181 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0003-0909-8633 https://orcid.org/0000-0002-8148-083X |
url |
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 |
identifier_str_mv |
2357-8181 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.ispartof.pt_BR.fl_str_mv |
Advances in Forestry Science |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ICA - INSTITUTO DE CIÊNCIAS AGRÁRIAS |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/43015/1/License.txt https://repositorio.ufmg.br/bitstream/1843/43015/2/Influ%c3%aancia%20dos%20par%c3%a2metros%20da%20metaheur%c3%adstica%20algoritmo%20gen%c3%a9tico%20em%20um%20problema%20de%20planejamento%20florestal.pdf |
bitstream.checksum.fl_str_mv |
fa505098d172de0bc8864fc1287ffe22 963882bebb5f11a1fa0b013cda9ef359 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1801676887918903296 |