Melhoria do desempenho da Hibridização GA-PSO através do Peso Inercial Adaptativo Fuzzy
DOI:
https://doi.org/10.5540/03.2021.008.01.0432Palavras-chave:
Computação Evolucionária, Genetic Algorithm, Hibridiza ̧c ̃ao, Particle SwarmOptimization, Sistema de Inferência Fuzzy MamdaniResumo
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.
Downloads
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.
