Manual do usuário PALISADE EVOLVER 5.5

[. . . ] Manual do Usuário Evolver Solver de Algoritmo Genético para o Microsoft Excel Versão 5. 5 janeiro, 2010 Palisade Corporation 798 Cascadilla St. Ithaca, NY 14850 EUA + 1-607-277-8000 + 1-607-277-8001 (fax) http://www. palisade. com (website) sales@palisade. com (e-mail) Direitos autorais Copyright © 2010, Palisade Corporation. Reconhecimento de marcas comerciais Microsoft, Excel e Windows são marcas registradas da Microsoft Corporation. IBM é marca registrada da International Business Machines, Inc. Palisade, Evolver, TopRank, BestFit e RISKview são marcas registradas da Palisade Corporation. [. . . ] Grande parte do sucesso do algoritmo genético é atribuída à sua capacidade inerente de manter esse equilíbrio. A estrutura do algoritmo genético permite que as boas soluções se "reproduzam", mas, ao mesmo tempo, ela mantém organismos menos aptos por perto, para preservar a diversidade, na esperança de que possa haver um "gene" mais relevante para a solução final. Capítulo 5: Guia de Referência do Evolver 113 Crossover e Mutação são dois parâmetros que afetam o escopo da busca; no Evolver o usuário pode mudar esses parâmetros antes e durante o processo evolutivo. Assim, um usuário com mais conhecimento pode ajudar o algoritmo genético a decidir onde concentrar a sua energia. Para a maioria das finalidades, as configurações padrão de crossover e mutação (respectivamente; 5 e 1), não precisam ser ajustadas. Se você quiser fazer um ajuste fino do algoritmo em função do seu problema específico, faça estudos comparativos ou, simplesmente, experimente. A seguir apresentamos uma breve introdução a esses dois parâmetros: · Crossover. A taxa de crossover pode ser definida entre 0, 01 e 1, 0; ela representa a probabilidade de que futuros cenários ou "organismos'' conterão uma mescla de informações da geração anterior de organismos "pais" ou genitores. Essa taxa pode ser modificada por usuários experientes para otimizar o desempenho do Evolver ao resolver problemas complexos. Em outras palavras: uma taxa de 0, 5 significa que um indivíduo, ou organismo "filho", conterá cerca de 50% dos valores variáveis de um dos genitores e o restante dos valores do outro. Uma taxa de 0, 9 significa que cerca de 90% dos valores de um indivíduo, ou organismo "filho", será proveniente do primeiro genitor e 10% do segundo. Uma taxa de 1 significa que não irá ocorrer crossover, portanto, só serão avaliados os clones dos genitores. A taxa padrão usada pelo Evolver é 0, 5. Se o Evolver já tiver começado a resolver o problema, você pode mudar a taxa de crossover usando o Observador do Evolver (consulte a seção Observador do Evolver, neste capítulo). A taxa de mutação pode ser definida entre 0, 0 e 1, 0; ela representa a probabilidade de futuros cenários conterem alguns valores aleatórios. Uma taxa de mutação mais alta simplesmente significa que mais mutações ou valores aleatórios de "genes" são introduzidos na população. Como a mutação ocorre depois do crossover, a definição da taxa de mutação como 1 (100% de valores aleatórios) efetivamente impede o efeito de crossover, e o Evolver, nesse caso, gera cenários totalmente aleatórios. Se todos os dados da solução ótima (a melhor solução possível) se encontrarem na população, então o operador de crossover por si só não será suficiente para chegar a uma solução. No mundo biológico, a mutação demonstrou ser uma força poderosa devido a vários fatores, e esses mesmos fatores a tornam necessária nos algoritmos genéticos. É vital manter a diversidade da população 114 Comando Definição do modelo de organismos individuais, e assim evitar que a população se torne rígida e incapaz de se adaptar a um ambiente dinâmico. Da mesma forma que no algoritmo genético, geralmente as mutações genéticas que ocorrem em animais eventualmente levam ao desenvolvimento de novas funções cruciais. Para a maioria das finalidades, a definição padrão de mutação não precisa ser ajustada; contudo, usuários experientes podem fazer um ajuste fino para otimizar o desempenho do Evolver em problemas complexos. O usuário talvez queira aumentar a taxa de mutação, caso a população usada pelo Evolver seja razoavelmente homogênea e nenhuma solução tiver sido encontrada nas últimas centenas de tentativas. [. . . ] Quando as restrições não precisam necessariamente ser atendidas, elas podem ser definidas como restrições flexíveis ou soft, em vez de rígidas ou hard. Isso pode ser feito pela especificação de uma função de penalidade no Evolver ou pela soma de uma função de penalidade à função objetivo da célula-alvo. Geralmente é melhor usar restrições flexíveis, se possível. o Evolver geralmente pode resolver problemas com restrições flexíveis de forma mais rápida; 2. [. . . ]