Um Estudo abrangente sobre Metaheurstica incluindo um Histrico

Um Estudo abrangente sobre Metaheurística, incluindo um Histórico Seminário - MAC 5758 Prof. : Dr. Alfredo Goldman Me. Christiane Zim Zapelini

Agenda ü Objetivo ü Conceito ü Visão geral ü Propriedades desejáveis ü Classificações ü Levantamento ü Histórico 2

Metaheurística: : Objetivo ü Apresentar um estudo sobre metaheurísticas em um contexto mais amplo, não focando somente em métodos ou tipos específicos, mas sim em uma visão mais abrangente sobre o assunto, na área de Ciência da Computação üE como decorrência disso, mostrar o levantamento histórico, uma linha de tempo desde seu surgimento até os dias atuais (etapa final) 3

Metaheurística: : Conceito ü Eureka – Arquimedes ü Heurístico: encontrar, descobrir, inventar üO nome combina o prefixo grego "meta" ("mais além", aqui no sentido de "alto nível") ü São estratégias inteligentes para projetar ou melhorar procedimentos heurísticos mais gerais com alto rendimento (Mélian) 4

Metaheurística: : Visão Geral üO termo metaheurística apareceu pela primeira vez em um artigo sobre Busca Tabu de Fred Glover em 1986 üA partir de então tem surgido múltiplas propostas para projetar bons procedimentos para resolver certos problemas que ampliam seu campo de aplicação, daí a denominação de metaheurística ü Por Sucupira três características as diferem uma das outras: ü 5 As soluções inviáveis, a função objetivo e o critério de parada

Metaheurística: : Visão Geral ü O critério para lidar com as soluções inviáveis dificilmente é estipulado pelas metaheurísticas ü A prática mais comum é a relaxação do problema ü Ou impedir a manipulação de soluções inviáveis ü A função objetivo é um problema relevante apenas nos casos em que avaliar uma solução é uma tarefa computacionalmente custosa ü Aproximação simplificada da função objetivo ü Ou estratégia para avaliar cada nova solução a partir, se for o caso, de uma ou mais soluções que tenham dado origem a ela ü O critério de parada é a estratégia que define o momento em que o algoritmo está concluído ü Fatores: tempo consumido, o número de iterações realizadas, o número de iterações subseqüentes que não geraram uma solução superior à melhor solução já produzida, etc. 6

Metaheurística: : Propriedades desejáveis ü Segundo Mélian ü Favorecem o interesse prático e teórico das metaheurísticas ü Indicam as direções para onde os esforços devem ser seguidos para contribuir no desenvolvimento e construção de uma metaheurística üSimples üPrecisa üCoerente üEfetiva 7

Metaheurística: : Propriedades desejáveis üEficaz üEficiente üGeral üAdaptável üRobusta üInterativa üMúltipla (diferentes soluções) üAutônoma 8 (livre parâmetros ou estabelecer automaticamente)

Metaheurística: : Classificações ü Classificação Melian et al ü Metaheurística de métodos de relaxação: são procedimentos de resolução de problemas que utilizam flexibilizações do modelo original (ou seja, modelo com modificações que tornam o problema mais fácil de resolver), cuja solução fornece a solução para o problema original ü Metaheurística para processos construtivos: baseia-se em procedimentos que tratam da obtenção de uma solução a partir da análise e seleção paulatina dos componentes que a formam 9

Metaheurística: : Classificações ü Classificação Melian et al ü Metaheurística de busca por entornos: chamamos dessa forma para qualquer método que percorra espaços de busca – compostos por soluções – levando em conta fundamentalmente, em cada passo, a vizinhança da solução obtida na iteração anterior ü Metaheurística para métodos evolutivos: enfocam os métodos baseados em conjuntos de soluções que evoluem sobre o espaço de soluções ü Metaheurística híbrida: são metaheurísticas intermediárias em relação aos quatro tipos anteriores 10

Metaheurística: : Classificações ü Classificação Sucupira ü Metaheurísticas de Busca por Entornos ü Metaheurísticas Populacionais 11

Metaheurística: : Classificações ü Classificação ü Três Manuel Laguna critérios básicos: Uso de memória adaptativa Tipo de exploração de vizinhança utilizada, e Número de soluções correntes utilizadas na próxima iteração 12

Metaheurística: : Levantamento ü Levantamento por Classificação: : Mélian et al ü Relaxação: : Exemplo ü Relaxação Lagrangeana: remove algumas restrições de um problema de programação linear, atribui um peso (multiplicador de Lagrange) a cada uma delas e altera a função objetivo para penalizar as soluções que seriam inviáveis no problema original 13

Metaheurística: : Levantamento ü Levantamento por Classificação: : Mélian et al ü Construtiva: : Exemplo ü GRASP (Greedy Randomized Adaptive Search Procedure): cada iteração é composta por uma fase construtiva e uma fase de busca por entornos 14

Metaheurística: : Levantamento ü Busca por Classificação: : Mélian et al por Entornos: : Exemplos üGLS (Guided Local Search) üRecozimento Simulado (Simulated Annealing) üBusca Tabu üBusca Reativa: Busca Tabu com detecção de ciclos 15

Metaheurística: : Levantamento ü Levantamento por Classificação: : Mélian et al ü Evolutiva: : Exemplos üAlgoritmos genéticos üAlgoritmos meméticos (genéticos com otimização local) üEstimação de distribuição üBusca dispersa e Path relinking 16

Metaheurística: : Levantamento ü Levantamento por Classificação: : Mélian et al ü Outros/Híbridas: : Exemplos üMeta-heurísticas de decomposição üAnt colony optimization üOtimização extrema üParticle swarm optimization üIterated local search 17

Metaheurística: : Levantamento ü Busca por Classificação : : Sucupira por Entornos: : Exemplos üHill-Climbing üBusca por Entornos Variáveis (Variable Neighbourhood Search) ü Busca Gulosa por Entornos Variáveis (Variable Neighbourhood Descent) ü BEV Reduzida (Reduced VNS) ü BEV Básica (Basic VNS) e a BEV Geral (General VNS) üBusca Local Guiada (Guided Local Search) 18

Metaheurística: : Levantamento ü Busca por Classificação : : Sucupira por Entornos: : Exemplos üRecozimento Simulado (Simulated Annealing) üBusca Tabu üBusca Reativa üGRASP (Greedy Randomized Adaptive Search Procedures) üBusca Local Iterada (Iterated Local Search) 19

Metaheurística: : Levantamento ü Levantamento por Classificação : : Laguna ü X/Y/Z ü X: A (usa memória adaptativa) e M ("sem memória") ü Y: N (usa pesquisa sistemática de vizinhança/selecionar próximo movimento/melhorar uma determinada solução) e S (usa amostragem aleatória) ü Z: 1(se o método move de uma solução atual para a abordagem seguinte, após cada iteração) ou P (para uma base populacional, com uma população de tamanho P) 20

Metaheurística: : Levantamento ü Levantamento Metaheurística Algoritmos genéticos Busca dispersa Recozimento simulado Busca tabu 21 por Classificação : : Laguna Classificação 1 Classificação 2 M/S/P M/N/P A/N/P M/S/1 M/N/1 A/N/P

Bibliografia ü BALIEIRO, Inocêncio Fernandes, Tese de Doutorado: Arquimedes, Pappus, Descartes e Polya - Quatro Episódios na História da Heurística. Rio Claro: IGCE. Cp. de Rio Claro-UNESP, 2004. ü SUCUPIRA, Igor Ribeiro, Dissertação de Mestrado: Um Estudo Empírico de Hiper-Heurísticas. IME/USP, 2007. ü B. MELIÁN, J. PÉREZ, e J. VEGA. Metaheuristics: A Global View. Revista Iberoamericana de Inteligencia Artificial (Asociación Española de Inteligencia Artificial), 2(19), 2003. ü NETO, Dimitrius Fraga, Monografia de Conclusão de Curso: Algoritmos de Estimação de Distribuição Aplicados ao Problema do Roteamento de Veículos. Salvador: UFBA, 2008. ü LAGUNA, Manuel. Global Optimization and Meta-heuristics, College of Business, University of Colorado at Boulder, USA. 22