EVOLUTIONARY MULTIOBJECTIVE ALGORITHMS

TANAKA, Rafael Satoshi1; MEZA, Gilberto Reynoso2;

Resumo

Introdução:Algorítimos evolutivos aplicados a problemas multi-objetivos (MOEA), são ferramentas que utilizam técnicas heurísticas, para que certas grandezas atinjam seus melhores valores. Vindo a resolver problemas que aos olhos humanos se mostram complexas, devido a objetivos e restrições muitas vezes incompartíveis. Ao realizar modificações na estrutura dos MOEAs, diferentes estratégias podem ser alcançadas, alterando assim o funcionamento do algoritmo e representação gráfica da frente de pareto (trade-off) entre os objetivos conflitantes. Neste trabalho é feito um estudo das estratégias desenvolvidas para a evolução diferencial em algoritmos de otimização multi objetivo, aplicado a ajustes de controlador proporcional-integral. Buscando obter o melhor caso de mutação e cruzamento no problema multi objetivo, afim de se aproximar a um trade-off.

Objetivo:O alvo deste trabalho é modificar algoritmos evolutivos em problemas multi-objetivos, aplicados em processos de ajuste de controladores proporcional e integral, a fim de se melhorar a sua performasse. Verificando o desempenho de cada caso implementado, a fim de avaliar seu resultados. Desenvolvendo ferramentas / metodologias que auxiliam no sustento do uso de algoritmos de otimização em problemas de controle.

Metodologia:A partir do modelo de otimização multi-objetivo por indicadores (ib-MODE), é aplicados em sua estrutura diferentes estrategias de mutação e cruzamento, para dois processos que se encontram em forma de equação diferencial. Buscando aproximar uma frente de pareto para os casos trabalhados.Por meio do calculo da área que se encontra acima do trade-off em cada simulação, é possível realizar uma análise e comparação dos diferentes casos de estratégias. Tendo em mãos um conjunto de teste para cada caso, por meio da função boxplot e multcompare próprias do MATLAB, obtemos a representação gráfica que nos auxiliam na comparação direta entre cada estratégias.

Resultados:Tendo em vista a representação gráfica das estrategias em quartis, sabemos aonde se encontram 50% dos valores mais prováveis, a mediana, os valores extremos e os valores discrepantes. Observando assim os resultados gerados pela função boxplot, pode se concluir o mau desempenho da estratégia DE/rand/1/exp por apresentarem um desvio padrão muito alto, indicando uma instabilidade de seus resultados.Já por meio da representação gráfica gerada pela função multcompare junto com a função boxplot, pode se destacar o desempenho da estratégia DE/rand/2/bin para problemas de ajuste de controladores, por apresentar bom resultados de forma mais uniforme.

Conclusões:Com o estudo deste trabalho, temos um sustento adicional do uso de algoritmos de otimização em pesquisa de controle. Tendo em vista que os MOEA, mostraram sua competência ao resolver problemas que se mostram complexos, de modo mais fácil.Ao efetuar uma analise mais critica dos resultados, mesmo que a estrategia DE/rand/1/bin demostrou melhor resultado para ambos os processos aplicados, a estrategia que se destaca vem a ser o DE/rand/2/bin por apresentar um conjunto de resultados significa mente considerável ao DE/rand/1/bin e por apresentar mais homogeneidade em seus teste.Sabendo que as estrategias possuem diferenças estatisticamente significantes, pode haver problemas das quais não foram trabalhadas, que admitam um melhor funcionamento de uma estrategia que aqui não se demostrou tão eficaz. Devendo ser analisada de caso em caso.

Palavras-chave: Otimização Multi-Objetivo. Controle inteligente. Evolução Diferencial. Controlador Proporcional-integral.

Legendas

    1. Estudante
    2. Orientador