Fundamentos de otimização por inteligência de enxames: uma visão geral

Abstract

Este artigo apresenta uma breve revisão de alguns dos mais recentes métodos bioinspirados baseados no comportamento de populações para o desenvolvimento de técnicas de solução de problemas. As metaheurísticas tratadas aqui correspondem às estratégias de otimização por colônia de formigas, otimização por enxame de partículas, algoritmo shuffled frog-leaping, coleta de alimentos por bactérias e colônia de abelhas. Os princípios biológicos que motivaram o desenvolvimento de cada uma dessas estratégias, assim como seus respectivos algoritmos computacionais, são introduzidos. Duas aplicações diferentes foram conduzidas para exemplificar o desempenho de tais algoritmos. A finalidade é enfatizar perspectivas de aplicação destas abordagens em diferentes problemas da área de engenharia.<br>This paper presents an overview of some most recent bioinspired methods based on swarm behaviors for the development of problem-solving techniques. The metaheuristics provided here are ant colony optimization, particle swarm optimization, shuffled frog-leaping algorithm, bacterial foraging optimization and bee colony. The basic biological principles that have motivated the development of each strategy, as well as their computational algorithms, are introduced. Two different applications were carried out in order to clarify the performance of such algorithms. The goal is to emphasize perspectives of applications of these approaches in different engineering problems

Resolução de um Problema de Despacho Econômico de Carga utilizando Enxames de Partículas e Vaga-lumes

“…Portanto, cada partículaé influenciada por dois fatores: um social e outro cognitivo. O social, gBest (gB), relaciona a influência que a melhor partícula exerce sobre toda população e o cognitivo, pBest (pB), reflete o melhor resultado obtido individualmente [6].…”

“…Quando o sistema analisado possui muitas unidades geradoras, geralmente se torna muito trabalhoso resolvê-lo utilizando o método tradicional dos multiplicadores de Lagrange (MML) [7]. Nestes casos, estão sendo muito utilizados heurísticas bioinspiradas, que apresentam como diferencial sua fácil implementação e eficiência [4,6]. Heurísticas bastante utilizadas ná area de Engenharia são a otimização por enxame de partículas (PSO) [4] e otimização por enxame de vaga-lumes (AF) [8].…”

A Modified Matricial PSO Algorithm Applied to System Identification with Convergence Analysis

“…These two pieces of information correspond to particle learning (cognitive) and cultural transmission (social), respectively. Therefore, every decision will be linked to their past performance and some of its neighbors (Serapião 2009). …”

Solving non-Convex and Restricted Problems Using Swarms – Economic Dispatch Case

“…There are several algorithms (metaheuristics) which are inspired on biological behaviors like evolutionary programming (EP) [2], evolutionary strategies (ES), particle swarm optimization (PSO) [2], bacteria foraging optimization (BFO) [6], ant colony optimization (ACO) [6], artificial bee colony (ABC) [6] and genetic algorithms (GA) among many others.…”

“…Each individual is considered a particle, which represent possible solutions to the given problem and the flock is considered as a swarm. Each particle have to decide between taking a selfish route (due to its cognitive behavior), moving toward the best position it has found so that moment or take a social route (due to its social behavior), in which it follows the position of the swarm's best particle [6]. This is the metaphoric basis of PSO.…”