MOPSO-CDR com Especiação
Aluno: Péricles Barbosa Cunha de Miranda
Orientador: Prof. Dr. Carmelo J. A. Bastos Filho
ESCOLA ...
Roteiro
• Objetivos
• Conceitos Fundamentais
• Algoritmo Proposto
• Experimentos
• Resultados
• Considerações finais
• Ref...
Objetivos
• Desenvolvimento de uma melhoria no
algoritmo MOPSO-CDR;
• Melhorar a convergência das soluções quanto
ao seu e...
Conceitos Fundamentais
• PSO;
• Otimização Multi-Objetivos;
• Aplicação de PSO em MOP.
Trabalho de Conclusão de Curso
Péri...
Conceitos Fundamentais
Inteligência de Enxames e PSO
• Algoritmo de Busca e Otimização Bio-
Inspirado;
• Kennedy e Eberhar...
Conceitos Fundamentais
Inteligência de Enxames e PSO
• Pássaro → Partícula;
• Bando → Enxame;
• Local do Alimento → Possív...
Conceitos Fundamentais
Inteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso
Péricles Miranda
7
Conceitos Fundamentais
Inteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso
Péricles Miranda
8
Comp...
Conceitos Fundamentais
Inteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso
Péricles Miranda
9
Comp...
Conceitos Fundamentais
Inteligência de Enxames e PSO
Como melhoram?
Trabalho de Conclusão de Curso
Péricles Miranda
10
Conceitos Fundamentais
Inteligência de Enxames e PSO
Como interagem?
Trabalho de Conclusão de Curso
Péricles Miranda
11
Conceitos Fundamentais
Inteligência de Enxames e PSO
Trabalho de Conclusão de Curso
Péricles Miranda
12
Inicializar enxame...
Conceitos Fundamentais
Otimização Multi-Objetivos
Trabalho de Conclusão de Curso
Péricles Miranda
13
• Solucionar vários o...
Conceitos Fundamentais
Otimização Multi-Objetivos
Quando uma partícula é considerada melhor
que outra?
Dominância
Trabalho...
Conceitos Fundamentais
Otimização Multi-Objetivos
Quando uma partícula é considerada melhor
que outra?
Trabalho de Conclus...
Conceitos Fundamentais
Otimização Multi-Objetivos
Quando uma partícula é considerada melhor
que outra?
Trabalho de Conclus...
Conceitos Fundamentais
Otimização Multi-Objetivos
O que é Pareto Front?
Trabalho de Conclusão de Curso
Péricles Miranda
17...
Conceitos Fundamentais
Otimização Multi-Objetivos
Qual o objetivo da MOO?
• Maximizar o número de elementos no Pareto;
• M...
Conceitos Fundamentais
Otimização Multi-Objetivos
O Pareto está convergindo?
• Métricas de Cálculo de Desempenho
– Hypervo...
Conceitos Fundamentais
Otimização Multi-Objetivos
Hypervolume?
Trabalho de Conclusão de Curso
Péricles Miranda
20
Conceitos Fundamentais
Otimização Multi-Objetivos
Spacing?
Trabalho de Conclusão de Curso
Péricles Miranda
21
Conceitos Fundamentais
Otimização Multi-Objetivos
Maximum Spread?
Trabalho de Conclusão de Curso
Péricles Miranda
22
Conceitos Fundamentais
Otimização Multi-Objetivos
Coverage?
Trabalho de Conclusão de Curso
Péricles Miranda
23
Conceitos Fundamentais
Aplicação de PSO em MOP
• Mudança na escolha dos líderes cognitivo e
social;
• Arquivo Externo.
Tra...
Conceitos Fundamentais
Aplicação de PSO em MOP
O que é Arquivo Externo?
• Repositório de soluções não dominadas;
• Históri...
Conceitos Fundamentais
Aplicação de PSO em MOP
Como atualiza-se o líder social? Elimina-se comunicação.
Trabalho de Conclu...
Conceitos Fundamentais
Aplicação de PSO em MOP
Como atualiza-se o líder cognitivo?
O pbest só é atualizado se o fitness da...
Conceitos Fundamentais
Aplicação de PSO em MOP
Como funciona?
Trabalho de Conclusão de Curso
Péricles Miranda
28
Início:
I...
Conceitos Fundamentais
Aplicação de PSO em MOP
Quais as técnicas propostas?
• CSS-MOPSO (Chiu, Sun em 2007)
• MOPSO (Coell...
MOPSO-CDR
• Fundamentado no MOPSO;
• Incorpora Crowding Distance e Roleta na
seleção dos líderes cognitivo e social.
Traba...
MOPSO-CDR
O que é Crowding Distance?
Trabalho de Conclusão de Curso
Péricles Miranda
31
MOPSO-CDR
Como atualiza-se o líder social?
• Ordena-se as soluções do Arquivo externo por
CD;
• Partículas com maior CD te...
MOPSO-CDR
Como atualiza-se o líder cognitivo?
• Se posição domina, pBest atualizado;
• Se incomparáveis:
– Solução do AE m...
MOPSO-CDR
Como funciona?
Trabalho de Conclusão de Curso
Péricles Miranda
34
Início:
Incializa enxame
Incializa líderes no ...
Algoritmo Proposto
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
36
• Baseado no MOPSO-CDR;
• Sub-Enxames;
• Gerenciador...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
37
Qual a função do Gerenciador?
• Aplica métricas de S...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
38
Qual a função do Executor?
• Analisa o feedback do G...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
39
Qual a função do Executor?
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
40
Qual a função do Executor?
Básico Especiação
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
41
Como o limiar é calculado?
• Com o passar das iteraç...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
42
Como funciona o estado Básico?
• Mantém o funcioname...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
43
Como funciona o estado de Especiação?
• Divide enxam...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
44
Como funciona o estado de Especiação?
Soluciona obje...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
45
E a seleção do líder social?
Arquivo Externo
Enxame
...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
46
E a seleção do líder cognitivo?
Partícula
Se fitness...
Algoritmo Proposto
Trabalho de Conclusão de Curso
Péricles Miranda
47
Como funciona?
Início:
Incializa enxame
Incializa lí...
Experimentos
Experimentos
• 6 técnicas comparadas;
• 4 métricas aplicadas;
• 5 funções de teste utilizadas
– ZDT1, ZDT2, ZDT3, ZDT4 e Z...
Experimentos
• Comparação entre todas as técnicas para cada
função de teste;
• Comparação entre MOPSO-CDRS e MOPSO-
CDR, p...
Resultados
Resultados
Comparação entre técnicas (200,000 chamadas)
• ZDT1
Trabalho de Conclusão de Curso
Péricles Miranda
52
Algoritm...
Resultados
Comparação entre técnicas (200,000 chamadas)
• ZDT2
Trabalho de Conclusão de Curso
Péricles Miranda
53
Algoritm...
Resultados
Comparação entre técnicas (200,000 chamadas)
• ZDT3
Trabalho de Conclusão de Curso
Péricles Miranda
54
Algoritm...
Resultados
Comparação entre técnicas (200,000 chamadas)
• ZDT4
Trabalho de Conclusão de Curso
Péricles Miranda
55
Algoritm...
Resultados
Comparação entre técnicas (200,000 chamadas)
• ZDT6
Trabalho de Conclusão de Curso
Péricles Miranda
56
Algoritm...
Resultados
Comparação com o MOPSO-CDR (100,000 chamadas)
Trabalho de Conclusão de Curso
Péricles Miranda
57
• ZDT1
• ZDT2
...
Resultados
Comparação com o MOPSO-CDR (100,000 chamadas)
Trabalho de Conclusão de Curso
Péricles Miranda
58
• ZDT4
• ZDT6
...
Resultados
Comparação com o MOPSO-CDR (Tempo de Execução)
Trabalho de Conclusão de Curso
Péricles Miranda
59
Algoritmo ZDT...
• Alternativa eficaz, apresentando melhor
desempenho do Pareto comparado às demais
técnicas (200,000 chamadas);
• Superior...
• Estudo de um valor ótimo para o limiar ou
implementar uma proposta de limiar variável;
• Estudar a influência de outras ...
Referências
1. NEDJA, N.; DOS SANTOS COELHO, L.; DE MACEDO DE MOURELLE, L. Studies in Computational Intelligence. Rio
de J...
Referências
13. COELLO, C. A. C.; VAN VELDHUIZEN, D. A.; LAMONT, G. B. Evolutionary Algorithms for Solving Multi-Objetive
...
Referências
21. COELLO, C. A. C.; LAMONT, G. B. An Introduction to Multi-Objective Evolutionary Algorithms And Their
Appli...
MOPSO-CDR com Especiação
Aluno: Péricles Barbosa Cunha de Miranda
Orientador: Prof. Dr. Carmelo J. A. Bastos Filho
ESCOLA ...
Upcoming SlideShare
Loading in...5
×

Monografia pericles miranda_v1 (28-07-10)

1,572

Published on

Published in: Technology, Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,572
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
5
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.


  • É a unidade básica do sistema nervoso humano. O cérebro é
    formado por um conjunto de neurônios conectados e cada neurônio é formado
    basicamente por dendritos (conjuntos de terminais de entrada), corpo celular e por
    axônios (longos terminais de saída referidos como fibras nervosas).

    Os neurônios se comunicam através de sinapses nervosas, região onde dois
    neurônios entram em contato e transmitem os impulsos nervosos entre si. Essa
    informação recebida pelos dendritos é processada no corpo celular e propagada
    pelos terminais axônicos. No entanto, a informação só será transmitida para outros
    neurônios se a intensidade do impulso nervoso for maior que o limiar exitatório (Lei
    do Tudo ou Nada).
    Baseado nessas características foi desenvolvido a unidade de processamento
    de informação fundamental para o funcionamento de uma rede neural: o neurônio
    artificial.

  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Proposto por Karaboga em 2005 com o intuito de resolver problemas de otimização baseando-se no comportamento inteligente das abelhas na natureza


  • Monografia pericles miranda_v1 (28-07-10)

    1. 1. MOPSO-CDR com Especiação Aluno: Péricles Barbosa Cunha de Miranda Orientador: Prof. Dr. Carmelo J. A. Bastos Filho ESCOLA POLITÉCNICA DE PERNAMBUCO
    2. 2. Roteiro • Objetivos • Conceitos Fundamentais • Algoritmo Proposto • Experimentos • Resultados • Considerações finais • Referências Trabalho de Conclusão de Curso Péricles Miranda 2
    3. 3. Objetivos • Desenvolvimento de uma melhoria no algoritmo MOPSO-CDR; • Melhorar a convergência das soluções quanto ao seu espalhamento e espaçamento; • Reduzir o tempo de convergência das soluções. Trabalho de Conclusão de Curso Péricles Miranda 3
    4. 4. Conceitos Fundamentais • PSO; • Otimização Multi-Objetivos; • Aplicação de PSO em MOP. Trabalho de Conclusão de Curso Péricles Miranda 4
    5. 5. Conceitos Fundamentais Inteligência de Enxames e PSO • Algoritmo de Busca e Otimização Bio- Inspirado; • Kennedy e Eberhart (1995) • Simula a interação entre indivíduos (pássaros) que buscam a solução de único objetivo; Trabalho de Conclusão de Curso Péricles Miranda 5
    6. 6. Conceitos Fundamentais Inteligência de Enxames e PSO • Pássaro → Partícula; • Bando → Enxame; • Local do Alimento → Possível solução. Trabalho de Conclusão de Curso Péricles Miranda 6
    7. 7. Conceitos Fundamentais Inteligência de Enxames e PSO Como melhoram? Trabalho de Conclusão de Curso Péricles Miranda 7
    8. 8. Conceitos Fundamentais Inteligência de Enxames e PSO Como melhoram? Trabalho de Conclusão de Curso Péricles Miranda 8 Componente cognitivo
    9. 9. Conceitos Fundamentais Inteligência de Enxames e PSO Como melhoram? Trabalho de Conclusão de Curso Péricles Miranda 9 Componente cognitivo Componente Social
    10. 10. Conceitos Fundamentais Inteligência de Enxames e PSO Como melhoram? Trabalho de Conclusão de Curso Péricles Miranda 10
    11. 11. Conceitos Fundamentais Inteligência de Enxames e PSO Como interagem? Trabalho de Conclusão de Curso Péricles Miranda 11
    12. 12. Conceitos Fundamentais Inteligência de Enxames e PSO Trabalho de Conclusão de Curso Péricles Miranda 12 Inicializar enxame: Posição e Velocidade Atualizar posição da partícula i usando equações (1) e (2) Calcular fitness da partícula i Atualizar pbest e gbest Atualizou enxame?Não Total de iterações? Sim Não Fim do algoritmo Sim
    13. 13. Conceitos Fundamentais Otimização Multi-Objetivos Trabalho de Conclusão de Curso Péricles Miranda 13 • Solucionar vários objetivos; • Dominância; • Pareto Front.
    14. 14. Conceitos Fundamentais Otimização Multi-Objetivos Quando uma partícula é considerada melhor que outra? Dominância Trabalho de Conclusão de Curso Péricles Miranda 14
    15. 15. Conceitos Fundamentais Otimização Multi-Objetivos Quando uma partícula é considerada melhor que outra? Trabalho de Conclusão de Curso Péricles Miranda 15 Soluções dominadas
    16. 16. Conceitos Fundamentais Otimização Multi-Objetivos Quando uma partícula é considerada melhor que outra? Trabalho de Conclusão de Curso Péricles Miranda 16 Soluções dominadas
    17. 17. Conceitos Fundamentais Otimização Multi-Objetivos O que é Pareto Front? Trabalho de Conclusão de Curso Péricles Miranda 17 Soluções dominadas Soluções do Pareto Front
    18. 18. Conceitos Fundamentais Otimização Multi-Objetivos Qual o objetivo da MOO? • Maximizar o número de elementos no Pareto; • Minimizar a distância do Pareto produzido para o do problema (Ótimo); • Maximizar a uniformidade e distribuição das soluções. Trabalho de Conclusão de Curso Péricles Miranda 18
    19. 19. Conceitos Fundamentais Otimização Multi-Objetivos O Pareto está convergindo? • Métricas de Cálculo de Desempenho – Hypervolume – Spacing – Maximum Spread – Coverage Trabalho de Conclusão de Curso Péricles Miranda 19
    20. 20. Conceitos Fundamentais Otimização Multi-Objetivos Hypervolume? Trabalho de Conclusão de Curso Péricles Miranda 20
    21. 21. Conceitos Fundamentais Otimização Multi-Objetivos Spacing? Trabalho de Conclusão de Curso Péricles Miranda 21
    22. 22. Conceitos Fundamentais Otimização Multi-Objetivos Maximum Spread? Trabalho de Conclusão de Curso Péricles Miranda 22
    23. 23. Conceitos Fundamentais Otimização Multi-Objetivos Coverage? Trabalho de Conclusão de Curso Péricles Miranda 23
    24. 24. Conceitos Fundamentais Aplicação de PSO em MOP • Mudança na escolha dos líderes cognitivo e social; • Arquivo Externo. Trabalho de Conclusão de Curso Péricles Miranda 24
    25. 25. Conceitos Fundamentais Aplicação de PSO em MOP O que é Arquivo Externo? • Repositório de soluções não dominadas; • Histórico de toda a simulação; • Pareto Front resultante. Trabalho de Conclusão de Curso Péricles Miranda 25
    26. 26. Conceitos Fundamentais Aplicação de PSO em MOP Como atualiza-se o líder social? Elimina-se comunicação. Trabalho de Conclusão de Curso Péricles Miranda 26 Arquivo ExternoEnxame Líder social Partículas não dominadas
    27. 27. Conceitos Fundamentais Aplicação de PSO em MOP Como atualiza-se o líder cognitivo? O pbest só é atualizado se o fitness da Posição Atual DOMINA o fitness do pbest. Trabalho de Conclusão de Curso Péricles Miranda 27
    28. 28. Conceitos Fundamentais Aplicação de PSO em MOP Como funciona? Trabalho de Conclusão de Curso Péricles Miranda 28 Início: Incializa enxame Incializa líderes no Arquivo Externo Qualifica líderes g = 0 Enquanto g < gMax: Para cada partícula: Seleciona líder social usando AE Atualiza Posição e Velocidade Calcula Fitness Atualiza pbest Atualiza líderes do Arquivo Externo Qualifica líderes g++ Reportar Resultados Fim
    29. 29. Conceitos Fundamentais Aplicação de PSO em MOP Quais as técnicas propostas? • CSS-MOPSO (Chiu, Sun em 2007) • MOPSO (Coello, Pulido, Lechuga em 2004) • MOPSO-CDLS (Tsou, Chang em 2007) • m-DNPSO (Hu, Eberhart, Chi em 2006) • MOPSO-CDR (Santana, Pontes e Bastos em 2008) Trabalho de Conclusão de Curso Péricles Miranda 29
    30. 30. MOPSO-CDR • Fundamentado no MOPSO; • Incorpora Crowding Distance e Roleta na seleção dos líderes cognitivo e social. Trabalho de Conclusão de Curso Péricles Miranda 30
    31. 31. MOPSO-CDR O que é Crowding Distance? Trabalho de Conclusão de Curso Péricles Miranda 31
    32. 32. MOPSO-CDR Como atualiza-se o líder social? • Ordena-se as soluções do Arquivo externo por CD; • Partículas com maior CD tem mais chances de serem selecionadas e sugeridas como gBest. Trabalho de Conclusão de Curso Péricles Miranda 32
    33. 33. MOPSO-CDR Como atualiza-se o líder cognitivo? • Se posição domina, pBest atualizado; • Se incomparáveis: – Solução do AE mais próxima da Posição; – Solução do AE mais próxima do pBest; – A de maior CD define quem será escolhido. Trabalho de Conclusão de Curso Péricles Miranda 33
    34. 34. MOPSO-CDR Como funciona? Trabalho de Conclusão de Curso Péricles Miranda 34 Início: Incializa enxame Incializa líderes no Arquivo Externo Qualifica líderes usando CDR Enquanto condição de parada não alcançada: Para cada partícula: Aplica Turbulência Seleciona líder social (usando CDR) Atualiza Velocidade e Posição Calcula Fitness Atualiza pbest (torneio binário) Atualiza líderes do Arquivo Externo Qualifica líderes usando CDR Reportar Resultados Fim
    35. 35. Algoritmo Proposto
    36. 36. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 36 • Baseado no MOPSO-CDR; • Sub-Enxames; • Gerenciador de Arquivo Externo; • Executor ou Tomador de Decisões.
    37. 37. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 37 Qual a função do Gerenciador? • Aplica métricas de Spacing e Spreading; • Analisa o comportamento do Pareto; • Gera feedback para o Executor.
    38. 38. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 38 Qual a função do Executor? • Analisa o feedback do Gerenciador; • Toma decisões para melhorar desempenho do Pareto; • Decisões relacionadas à forma como a seleção dos líderes será realizada; • Algoritmo adota dois estados.
    39. 39. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 39 Qual a função do Executor?
    40. 40. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 40 Qual a função do Executor? Básico Especiação
    41. 41. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 41 Como o limiar é calculado? • Com o passar das iterações, o valor da aplicação da métrica é guardado; • Calcula-se o desvio padrão desses valores; • 0,1%
    42. 42. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 42 Como funciona o estado Básico? • Mantém o funcionamento normal do MOPSO- CDR; • O Gerenciador aplica Maximum Spreading no AE; • Executor verifica se limiar foi alcançado.
    43. 43. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 43 Como funciona o estado de Especiação? • Divide enxame em sub-enxames – Cada sub-enxame com uma responsabilidade; • O Gerenciador aplica Spacing no AE; • Executor verifica se limiar foi alcançado.
    44. 44. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 44 Como funciona o estado de Especiação? Soluciona objetivo F1 Soluciona objetivo F2 MOPSO-CDR
    45. 45. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 45 E a seleção do líder social? Arquivo Externo Enxame Líder socialMOPSO-CDR
    46. 46. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 46 E a seleção do líder cognitivo? Partícula Se fitness da posição for incomparável em relação ao do pbest, analisa-se qual fitness é menor em relação ao objetivo do sub-enxame.
    47. 47. Algoritmo Proposto Trabalho de Conclusão de Curso Péricles Miranda 47 Como funciona? Início: Incializa enxame Incializa líderes no Arquivo Externo Qualifica líderes usando CDR Utiliza estado Básico Enquanto condição de parada não alcançada: Para cada partícula: Aplica Turbulência Seleciona líder social (de acordo com estado) Atualiza Velocidade e Posição Calcula Fitness Atualiza pbest (de acordo com estado) Atualiza líderes do Arquivo Externo Qualifica líderes usando CDR Analisa pareto usando métrica Atualiza estado Reportar Resultados Fim
    48. 48. Experimentos
    49. 49. Experimentos • 6 técnicas comparadas; • 4 métricas aplicadas; • 5 funções de teste utilizadas – ZDT1, ZDT2, ZDT3, ZDT4 e ZDT6; • Variação do número de chamadas – 200,000 e 100,000. Trabalho de Conclusão de Curso Péricles Miranda 49
    50. 50. Experimentos • Comparação entre todas as técnicas para cada função de teste; • Comparação entre MOPSO-CDRS e MOPSO- CDR, para cada função de teste, com número de chamadas reduzido; • Comparação entre MOPSO-CDRS e MOPSO- CDR quanto ao tempo de execução. Trabalho de Conclusão de Curso Péricles Miranda 50
    51. 51. Resultados
    52. 52. Resultados Comparação entre técnicas (200,000 chamadas) • ZDT1 Trabalho de Conclusão de Curso Péricles Miranda 52 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO 0.36 (0.002) 0.0046 (5E-4) 1.425 (0.005) 1.0 (0.0) 0.0 (0.0) m-DNOPSO 0.713 (0.053) 0.0457 (0.014) 1.54 (0.065) 1.0 (0.0) 0.0 (0.0) MOPSO CDLS 0.39 (0.003) 0.0042 (6E-4) 1.44 (0.005) 1.0 (0.0) 0.0 (0.0) CSS MOPSO 0.34 (0.002) 0.0023 (1E-4) 1.42 (0.002) 0.99 (0.003) 0.0 (0.0) MOPSO CDR 0.33 (3E-5) 0.0033 (2E-4) 1.41 (0.0) 0.88 (0.0034) 0.03 (0.023) MOPSO CDRS 0.31 (2E-5) 0.0027 (1E-4) 1.38 (0.0)
    53. 53. Resultados Comparação entre técnicas (200,000 chamadas) • ZDT2 Trabalho de Conclusão de Curso Péricles Miranda 53 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO 0.69 (0.001) 0.006 (0.001) 1.396 (0.015) 1.0 (0.0) 0.0 (0.0) m-DNOPSO 0.94 (0.06) 0.054 (0.017) 1.29 (0.037) 1.0 (0.0) 0.0 (0.0) MOPSO CDLS 0.716 (0.003) 0.006 (0.001) 1.39 (0.004) 1.0 (0.0) 0.0 (0.0) CSS MOPSO 0.674 (0.001) 0.0035 (7E-4) 1.41 (8E-4) 0.978 (0.021) 0.0 (0.0) MOPSO CDR 0.66 (3E-5) 0.0033 (2E-4) 1.41 (0.0) 0.72 (0.036) 0.195 (0.023) MOPSO CDRS 0.656 (3E-5) 0.0029 (2E-5) 1.41 (0.0)
    54. 54. Resultados Comparação entre técnicas (200,000 chamadas) • ZDT3 Trabalho de Conclusão de Curso Péricles Miranda 54 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO 0.950 (0.004) 0.005 (4E-4) 1.976 (0.008) 1.0 (0.0) 0.0 (0.0) m-DNOPSO 1.296 (0.088) 0.045 (0.016) 2.068 (0.146) 1.0 (0.0) 0.0 (0.0) MOPSO CDLS 1.006 (0.009) 0.006 (9E-4) 1.988 (0.015) 1.0 (0.0) 0.0 (0.0) CSS MOPSO 0.953 (0.008) 0.003 (7E-4) 1.983 (0.006) 0.999 (8E-4) 0.0 (0.0) MOPSO CDR 0.920 (1E-4) 0.0033 (2E-4) 1.967 (2E-5) 0.69 (0.0056) 0.22 (0.034) MOPSO CDRS 0.94 (6E-5) 0.0025 (0.0) 1.95 (9E-5)
    55. 55. Resultados Comparação entre técnicas (200,000 chamadas) • ZDT4 Trabalho de Conclusão de Curso Péricles Miranda 55 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO 0.631 (0.526) 0.006 (0.0014) 1.54 (0.18) 0.68 (0.210) 0.2 (0.18) m-DNOPSO 2.157 (0.935) 0.04 (0.037) 1.94 (0.29) 1.0 (0.0) 0.0 (0.0) MOPSO CDLS 4.82 (0.2.174) 0.005 (9E-4) 2.7 (0.46) 1.0 (0.0) 0.0 (0.0) CSS MOPSO 5.38 (0.008) 0.005 (0.0012) 2.8 (0.525) 0.999 (8E-4) 0.0 (0.0) MOPSO CDR 0.57 (0.26) 0.0033 (3E-4) 1.52 (0.109) 0.90 (3E-4) 0.015 (2E-3) MOPSO CDRS 0.56 (0.012) 0.0025 (2E-4) 1.38 (2E-4)
    56. 56. Resultados Comparação entre técnicas (200,000 chamadas) • ZDT6 Trabalho de Conclusão de Curso Péricles Miranda 56 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO 1.261 (0.386) 0.129 (0.122) 3.180 (1.4) 0.48 (0.102) 0.32 (0.0034) m-DNOPSO 1.279 (0.506) 0.126 (0.108) 3.203 (1.732) 1.0 (0.0) 0.0 (0.0) MOPSO CDLS 1.717 (0.519) 0.186 (145) 4.632 (1.816) 0.89 (2E-3) 0.09 (2E-4) CSS MOPSO 2.051 (0.697) 0.234 (0.153) 5.571 (2.046) 0.417 (0.004) 0.002 (2E-3) MOPSO CDR 1.670 (0.3) 0.088 (0.056) 4.636 (1.053) 0.88 (0.0034) 0.03 (0.023) MOPSO CDRS 1.345 (0.46) 0.078 (2E-3) 3.233 (0.034)
    57. 57. Resultados Comparação com o MOPSO-CDR (100,000 chamadas) Trabalho de Conclusão de Curso Péricles Miranda 57 • ZDT1 • ZDT2 • ZDT3 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO CDR 0.36 (0.002) 0.0035 (0.002) 1.43 (0.001) 0.135 (0.0034) 0.005 (0.023) MOPSO CDRS 0.36 (0.002) 0.0029 (0.002) 1.41 (0.001) Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO CDR 0.76 (0.001) 0.0043 (0.007) 1.43 (0.005) 0.145 (0.0032) 0.0 (0.0) MOPSO CDRS 0.72 (0.0023) 0.0042 (0.02) 1.42 (0.02) Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO CDR 0.93 (0.008) 0.0036 (0.032) 1.97 (0.019) 0.745 (0.001) 0.01 (0.034) MOPSO CDRS 0.912 (0.034) 0.0027 (1E-4) 1.96 (0.004)
    58. 58. Resultados Comparação com o MOPSO-CDR (100,000 chamadas) Trabalho de Conclusão de Curso Péricles Miranda 58 • ZDT4 • ZDT6 Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO CDR 4.88 (2.61) 0.74 (0.56) 16.49 (8.79) 1.0 (0.0) 0.0 (0.0) MOPSO CDRS 2.23 (1.32) 0.08 (0.05) 11.44 (5.39) Algoritmo Hypervolume Spacing Max. Spread Cover CDRS,* Cover *, CDRS MOPSO CDR 2.05 (0.2) 0.17 (0.071) 6.03 (1.34) 0.67 (0.56) 0.12 (0.78) MOPSO CDRS 1.8 (0.16) 0.189 (0.0017) 5.89 (0.59)
    59. 59. Resultados Comparação com o MOPSO-CDR (Tempo de Execução) Trabalho de Conclusão de Curso Péricles Miranda 59 Algoritmo ZDT1 ZDT2 ZDT3 ZDT4 ZDT6 MOPSO CDR 37.681 35.566 42.683 2.372 4.381 MOPSO CDRS 112.250 107.887 117.475 30.969 33.053
    60. 60. • Alternativa eficaz, apresentando melhor desempenho do Pareto comparado às demais técnicas (200,000 chamadas); • Superioridade do MOPSO-CDRS em relação ao MOPSO-CDR com 100,000 chamadas; • Pareto converge mais rapidamente para problemas mais difíceis. Trabalho de Conclusão de Curso Péricles Miranda 60 Conclusões
    61. 61. • Estudo de um valor ótimo para o limiar ou implementar uma proposta de limiar variável; • Estudar a influência de outras métricas no desempenho do arquivo externo, de modo a introduzi-las para análise no gerenciador; • Substituir o MOPSO-CDR por outra técnica, bem fundamentada na literatura, para verificar sua interferência no desempenho do pareto; • Incorporar ainda mais objetivos. Trabalho de Conclusão de Curso Péricles Miranda 61 Trabalhos Futuros
    62. 62. Referências 1. NEDJA, N.; DOS SANTOS COELHO, L.; DE MACEDO DE MOURELLE, L. Studies in Computational Intelligence. Rio de Janeiro: Springer, v. 261, 2009. Multi-Objective Swarm Intelligent Systems. 2.KENNEDY, J.; EBERHART, R. Particle Swarm Optimization, 4, 1995. 1942-1948. 3. REYES-SERRA, M.; COELLO, C. A. C. Multi-Objective Particle Swarm Optimizers: A Survey of the State-of-the- Art, 2002. 34-54. Electrical Engineering Department, Computer Science Section. 4. REYNOLDS, C. W. Flocks, Herds And Schools: A Distributed Behavioral, 1987. 25-34. Computer Graphics. 5. MILLONAS, M. M. Swarms, Phase Transitions and Collective Intelligence. 3. ed. Chicago: Artifial Life, 1994. 6. EBERHART, R.; KENNEDY, J. A New Optimizer Using Particle Swarm Theory, 1995. 39-43. 7. CLERC, M.; KENNEDY, J. The Particle Swarm - Explosion, Stability, and Convergence in a Multidimensional Complex Space, v. 6, p. 58-73, 2002. IEEE Transactions on Evolutionary Computation. 8. EBERHART., Y. S. A. R. C. A Modified Particle Swarm Optimiser, Maio 1998. International Conference of Evolutionary Computation. 9. ZITZLER, E. Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications. ETH Zurich. Switzerland. 1999. 10. ZITZLER, E.; THIELE, L. Multiobjective Evolutionary Algorithms: A Comparative Case Study and The Strength Pareto Approach, 1999. 257-271. IEEE Transactions on Evolutionary Computation. 11. ZITZLER, E.; THIELE, L. Multiobjective Optimization Using Evolutionary Algorithms - A Comparative Case Study, 1998. 292-271. Conference on Parallel Problem Solving from Nature. 12. SANTANA, R. A.; PONTES, M. R.; BASTOS-FILHO, C. J. A. A Multiple Objective Particle Swarm Optimization Approach Using Crowding Distance And Roulette Wheel. Department of Computing Systems, UPE. Trabalho de Conclusão de Curso Péricles Miranda 62
    63. 63. Referências 13. COELLO, C. A. C.; VAN VELDHUIZEN, D. A.; LAMONT, G. B. Evolutionary Algorithms for Solving Multi-Objetive Problems, New York, Maio 2002. Kluwer Academic Publishers. 14. CHIU, S. Y. et al. Cross-Searching Strategy for Multi-Objective Particle Swarm Optimization. Congress on Evolutionary Computation. 3135-3141. IEEE. 15. COELLO, C. A. C.; PULIDO, G. T.; LECHUGA, M. S. Handling Multiple Objectives With Particle Swarm Opimization, Junho 2004. IEEE Transactions Evolutionary Computation. 16. TSOU, C.; CHANG, S.; LAI, P. Using Crowding Distance to Improve Multi-Objective PSO with Local Search. In: TIWARI, F. T. S. C. A. M. K. Swarm Intelligence, Focus on Ant and Particle Swarm Optimization. Vienna, Austria: I-Tech Education and Publishing, 2007. p. 77-86. 17. RAQUEL, C. R.; NAVAL JR., P. C. An Effective Use of Crowding Distance in Multi-Objective Particle Swarm Optimization. Proceedings of the 2005 Conference on Genetic and Evolutionary Computation, New York, USA, 2005. 257-264. GECCO'05. 18. HU, X.; EBERHART, R.; SHI, Y. Particle Swarm With Extended Memory For Multi-Objective Opitmization. In Swarm Intellingence Symposium, 2003. 193-197. SIS'03. 19. COELLO, C. A. C.; LAMONT, G. B.; VAN VELDHUIZEN, D. A. Evolutionary Algorithms for Solving Multi-Objective Problems. Genetic and Evolutionary Computation, New York, 2007. 20. DEB, K. Multi-objective genetic algorithms: Problem Difficulties and Construction of Test Problems, 1999. 205- 230. Trabalho de Conclusão de Curso Péricles Miranda 63
    64. 64. Referências 21. COELLO, C. A. C.; LAMONT, G. B. An Introduction to Multi-Objective Evolutionary Algorithms And Their Application, 1999. 14-26. 22. KONAK, A.; COIT, D. W.; SMITH, A. E. Multi-Objective Optimization Using Genetic Algorithms: A Tutorial. Reliability Engineering and System Safety, p. 13-29, 2006. Information Sciences and Technology, Penn State Berks, USA. Trabalho de Conclusão de Curso Péricles Miranda 64
    65. 65. MOPSO-CDR com Especiação Aluno: Péricles Barbosa Cunha de Miranda Orientador: Prof. Dr. Carmelo J. A. Bastos Filho ESCOLA POLITÉCNICA DE PERNAMBUCO
    1. A particular slide catching your eye?

      Clipping is a handy way to collect important slides you want to go back to later.

    ×