Os Algorítimos Genéticos Otimização Aplicada

⦁ Algoritimos Genéticos – Otimização Aplicada.

Gustavo Gonçalez Guimarães, aluno do curso de bacharelado em Sistemas de Informação do UniAnchieta

Prof. Dr. Carlos Eduardo Câmara, professor dos cursos da área de Computação do UniAnchieta

⦁ Resumo

Este trabalho pretende verificar como a utilização de Algoritmos Genéticos podem auxiliar no desenvolvimento de automações para realização de decisões automáticas. A criação dessa pesquisa tem como base a teoria de Darwin onde de acordo, o princípio da seleção natural privilegia os mais aptos, com maior longevidade, ou seja, com maior probabilidade de reprodução. Esses princípios citados por Darwin são replicados para a construção de algoritmos computacionais que tem como objetivo melhorar a resposta automática e a resoluções de problemas de volumetria.

Palavras-Chave: Algoritmo, Algoritmo Genético.

⦁ Algoritimos Genéticos – Otimização Aplicada.

Gustavo Gonçalez Guimarães, aluno do curso de bacharelado em Sistemas de Informação do UniAnchieta

Prof. Dr. Carlos Eduardo Câmara, professor dos cursos da área de Computação do UniAnchieta

⦁ Abstract

This work intends to verify how the use of genetic algorithms can help in the development of automations to make automatic decisions. The creation of this research is based on the theory of Darwin, where, according to the principle of selection, privileges the fittest, with greater longevity, that is, with greater probability of reproduction. These principles cited by Darwin are replicated for the construction of computational algorithms that aim to improve the automatic response and resolution of volumetric problems.

Keywords: Algorithm, Genetic Algorithm.

⦁ 1 Introdução

Algoritmos Genéticos (AG) são modelos computacionais de otimização de buscas, inspirados na teoria da evolução das espécies, onde sempre se considera que os indivíduos mais adaptáveis geneticamente são aqueles que sobrevivem, com base nos elementos disponíveis num dado momento. Os AG’s são uma evolução dos algoritmos determinísticos que buscavam uma solução ótima para um dado problema que se desejava resolver. No entanto, a resposta otimizada pode ser muito cara em termos de processamento e de difícil solução. Normalmente os Algoritmos Genéticos são utilizados para otimizar operações/funções, porém seu uso pode ser mais abrangente. São utilizados para soluções de problemas, otimização de funções complexas, problemas lógicos como o “caixeiro viajante” que envolvem um grande número de variáveis. São utilizadas três tipos de representação:

1.Binaria.

2.Inteira.

3.Real.

A implementação começa com uma população aleatória. Tudo é avaliado e associado a uma probabilidade que as maiores são associadas a população que representam uma melhor solução para o problema.

Diferentemente dos Algoritmos Tradicionais (AT) os Algoritmos Genéticos têm como aspecto a utilização de matemática probabilística, diferente das regras determinísticas utilizadas pelos AT’s.

Os resultados obtidos através das soluções desenvolvidas têm grande valor por serem apresentados com várias soluções de saídas, possibilitando assim uma avaliação mais detalhada do problema, diferentemente dos AT’s que são apresentados como uma única solução de saída.

A utilização de AG’s otimizados está cada vez mais comum no meio financeiro especialmente nas negociações. Para se realizar a otimização, é utilizado um termo chamado “Ajuste de Curva” que é a alimentação do algoritmo através de dados históricos evitando a utilização de dados atuais identificando assim comportamentos repetitivos e removendo do Cross Over.

Cada vez mais vemos aplicações utilizando o poder da natureza, seleção natural, para obter repostas mais volumétricas e obter tomadas de decisões mais assertivas.

⦁ 2 OTIMIZAÇÃO E ALGORITMOS GENÉTICOS

A busca de um estado ótimo de operação cerceia toda a logística do mundo moderno, em que parâmetros econométricos, flutuações financeiras nas bolsas de valores, taxas de consumo e etc., correlacionam-se de forma multivariada e muitas das vezes não lineares, tornando assim a determinação de um estado ótimo de operação que traga maiores lucros algo, de difícil obtenção (MITCHELL, 1998).

Neste sentindo, matemáticos, físicos e engenheiros desenvolveram ferramentas que podem ser aplicadas em sistemas dinâmicos que envolvem dados altamente complexos, cuja dinâmica muitas vezes é desconhecida e laboriosa, para trabalhar com métodos tradicionais de análises estatísticas determinísticas. Portanto, uma mudança de paradigma instaurou-se de forma a impor o surgimento de ferramentas que podem ser adaptadas nos mais deferentes problemas e, que ao mesmo tempo apliquem o poder de processamento dos computadores para encontrar estas soluções otimizadas.

Um exemplo prático, evidenciado, por estas questões de otimização podem ser explorados através da seguinte metáfora de otimização conforme apresentaram Mitchell (1998): “obter o maior nível de felicidade com o menor esforço possível. Embora, esta premissa traga fatores intrinsecamente ligadas a vida biológica, algoritmos de otimização podem ser aplicados para revelarem qual seria o melhor caminho, as melhores escolhas e as melhores possibilidades, para atingir o nível máximo de alegria”.

Através desta metáfora, é que se pode criar um elo de importância, sobre os problemas de otimização correlacionando com a vida moderna. Contudo, antes de evidenciar com rigor matemático, dos problemas de otimização, faz-se necessário compreender algumas ferramentas que podem ser aplicadas para obter os resultados de forma otimizada, assim alguns conceitos fundamentais serão investigados, para que assim os conceitos fundamentais sobre os Algoritmos Genéticos (AGs) possam ser evidenciados de maneira formal.

2.1 OTIMIZAÇÃO

Para melhor compreender as aplicações dos AGs, necessita-se antes conhecer em quais processos os AGs são melhores aplicados e adaptados. Logo, neste viés, segundo Goldberg (1989), “os AGs podem ser aplicados com excelentes resultados