Melhoria do desempenho da Hibridização GA-PSO através do Peso Inercial Adaptativo Fuzzy

Rodrigo Possidônio Noronha

Resumo


A hibridização de algoritmos de otimização pertencentes à teoria da computação evolucionária é realizada com o objetivo de combinar características desejáveis e atenuar características indesejáveis dos métodos envolvidos.  De forma específica para uma hibridização envolvendo o Genetic Algorithm (GA) e Particle Swarm Optimization (PSO), embora o GA insira bastante diversidade de posições no espaço de busca permitindo contornar com uma maior facilidade a convergência prematura, o processo de busca converge lentamente.  Al ́em disso, somente inserir diversidade de posições não é o suficiente para contornar a convergência prematura em problemas com maior complexidade.   Para  obter  um  processo  de  busca  com  uma  convergência  rápida  e  não  prematura,  é necessário realizar um bom trade-off entre a busca global e local.  Nessa hibridização, embora não seja  trivial,  o trade-off pode  ser  realizado,  por  exemplo,  através  de  uma  boa  sele ̧c ̃ao  de  valores para  o  peso  inercial  do  PSO.  Para  isso,  nesse  artigo,   ́e  proposta  a  utilização  de  um  sistema  de inferência fuzzy Mamdani  para  adaptação  paramétrica,  a  cada  itera ̧c ̃ao,  do  peso  inercial.   Sendo assim,  é  possível  melhorar  o  desempenho  da  hibridização  GA-PSO  através  de  um  bom trade-off entre a busca global e local.


Palavras-chave


Computação Evolucionária; Genetic Algorithm; Hibridiza ̧c ̃ao,Particle SwarmOptimization, Sistema de Inferência Fuzzy Mamdani

Texto completo:

PDF

Referências


Ding, Y., Zhang, W., Yu, L., Lu, K. The accuracy and efficiency of GA and PSO optimizationschemes on estimating reaction kinetic parameters of biomass pyrolysis,Energy, 176:582–588,2019. DOI: 10.1016/j.energy.2019.04.030.

Eberhart, R. C., Kennedy, J. Particle swarm optimization,Proceedings of the IEEE interna-tional conference on neural networks, 1995. DOI: 10.1109/MHS.1995.494215.

Gao, W. An improved fast-convergent genetic algorithm,EEE International Conference onRobotics, Intelligent Systems and Signal Processing, 2003. DOI: 10.1109/RISSP.2003.1285761.

Holland, J. H.Adaptation in Natural and Artificial Systems. University of Michigan Press,Ann Arbor, 1975.

Liu, F., Wang, Y., Chen, J., Wang, Q., Yuan, N. Research on Jamming Resource AllocationTechnology Based on Improved GAPSO Algorithm,Journal of Physics: Conference Series,1738:012075, 2021.

Mart ́ınez-Soto, R., Castillo, O., Aguilar, L. T., Rodriguez, A. A hybrid optimization methodwith PSO and GA to automatically design Type-1 and Type-2 fuzzy logic controllers,Inter-national Journal of Machine Learning and Cybernetics, 6:175–196, 2013.

Shi, Y., Eberhart, R. C. Parameter selection in particle swarm optimization,InternationalConference on Evolutionary Programming, 591 – 600, 1998. DOI: 10.1007/BFb0040810.

Zhang, X., Zhang, W., Guo, Q., Lei, W. Optimization of HMM Based on Adaptive GAPSOand Its Application in Fault Diagnosis of Rolling Bearing,5th International Conference onControl and Robotics Engineering (ICCRE), 53–57, 2020.




DOI: https://doi.org/10.5540/03.2021.008.01.0432

Apontamentos

  • Não há apontamentos.


SBMAC - Sociedade de Matemática Aplicada e Computacional
Edifício Medical Center - Rua Maestro João Seppe, nº. 900, 16º. andar - Sala 163 | São Carlos/SP - CEP: 13561-120
 


Normas para publicação | Contato