Análise de algoritmos genéticos e evolução diferencial para otimização de funções não-lineares multimodais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorKaster, Mauricio dos Santos-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorTrojan, Flavio-
Autor(es): dc.contributorMartins, Marcella Scoczynski Ribeiro-
Autor(es): dc.creatorItaborahy Filho, Marco Antonio-
Data de aceite: dc.date.accessioned2022-02-21T21:32:27Z-
Data de disponibilização: dc.date.available2022-02-21T21:32:27Z-
Data de envio: dc.date.issued2020-11-18-
Data de envio: dc.date.issued2020-11-18-
Data de envio: dc.date.issued2018-11-30-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/16249-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/654933-
Descrição: dc.descriptionOur society has been looking to solve more complex problems every day, with this context in mind, traditional solving methods can, many times, fall short on generating answers with the required speed or quality . For this reason, we studied, on this paper, Genetic Algorithms and Differential Evolution algorithms, both are classified as Evolutionary Algorithms, optimization methods based on the evolution of the species by Natural Selection. Were described 23 different Evolutionary Algorithms strategies and tested them using three different Benchmark functions, the answers were them studied and compared, by their speed of convergence and the quality of their outputs. There were found methods that, not only are an improvement over traditional optimization methods, but also over Evolutionary Algorithms that are currently more known and used.-
Descrição: dc.descriptionNossa sociedade vem procurando resolver problemas cada vez mais complexos à medida que a tecnologia avança. Neste contexto, métodos de solução tradicionais podem, muitas vezes, não gerar respostas com a qualidade ou velocidade necessárias. Por essa razão, foram investigados neste trabalho os Algoritmos Genéticos e a Evolução Diferencial, que são categorizados como Algoritmos Evolutivos, já que tratam de métodos de otimização baseados na evolução das espécies Darwiniana. Foram encontrados na literatura diferentes formas de implementação que mostram aprimoramentos dos métodos de otimização tradicional. Foram descritas 23 diferentes estratégias, as quais foram avaliadas utilizando três diferentes funções Benchmark. As respostas foram comparadas observando a velocidade de convergência e a qualidade da saída obtida.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Engenharia Elétrica-
Publicador: dc.publisherEngenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectAlgorítmos genéticos-
Palavras-chave: dc.subjectEvolução (Biologia)-
Palavras-chave: dc.subjectFunções (Matemática)-
Palavras-chave: dc.subjectGenetic algorithms-
Palavras-chave: dc.subjectEvolution (Biology)-
Palavras-chave: dc.subjectFunctions-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titleAnálise de algoritmos genéticos e evolução diferencial para otimização de funções não-lineares multimodais-
Título: dc.titleAnalyses of genetic algorithms and differential evolution for non-linear multimodal functions optimization-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.