MODULARIDADE E DESEMPENHO COMPUTACIONAL DE ALGORITMOS
GENÉTICOS
Paulo E. P. Burke 1, Alisson Ramos Pereira 2, Denilson Paulo Souza dos Santos 3
1
ETEP Faculdades, São José dos Campos, Brasil, paulo_burke@hotmail.com
2
ETEP Faculdades, São José dos Campos, Brasil, alisson.ramospereira@gmail.com
3
Division of Space Mechanics and Control – INPE, São José dos Campos, Brasil, denilson@dem.inpe.br
Resumo: Este trabalho tem como objetivo criar uma
arquitetura modular de Algoritmos Genéticos tal que
facilite sua implementação em diferentes situações problema
evitando o retrabalho e minimizar o processamento
adicional gerado pela modulação, criando base para uma
futura pesquisa focando redução de tempo de processamento
de um Algoritmo Genético.
Palavras-Chave: Controle Ótimo, Quântico, Adaptativo,
Robusto, Modularidade Algorítmica, Algoritmos Genéticos
1. INTRODUÇÃO
Algoritmos Genéticos são métodos heurísticos de busca de
soluções ótimas para funções, dentro de um espaço de busca
determinado, aplicando métodos que se baseiam na teoria da
evolução de Darwin. Possíveis soluções para a função, a
qual se deseja obter a melhor solução são tomadas como
indivíduos, os quais em conjunto formam uma população.
Aplicando métodos de cruzamento e mutação entre os
indivíduos mais aptos, melhor aptidão na função(ões), a
população evolui tendendo a sempre produzir melhores
indivíduos que, por sua vez, são melhores soluções para o
problema envolvido.
Dois grandes inimigos dos Algoritmos Genéticos
são o retrabalho para adequar o algoritmo à cada tipo de
problema (reutilização) e o tempo de processamento
elevado, o qual muitas vezes torna a aplicação deste método
computacional inviável. Ambos os problemas são
conflitantes entre si, pois a modularidade visando à fácil
reutilização do algoritmo para diferentes aplicações torna o
mesmo mais extenso, implicando em maior tempo de
processamento, problema o qual objetiva ser minimizado.
2. MODULARIZAÇÃO DO ALGORITMO
Tendo como referência um algoritmo genético
desenvolvido em JAVA, orientado a objeto, todos os
métodos e rotinas do mesmo são declarados separadamente
e independentemente. O algoritmo é dividido basicamente
em uma classe principal, uma classe para um cromossomo,
uma classe para uma população e outra para a função
objetivo.
Dentro das classes são definidos
independentemente todos os métodos inerentes ao objeto da
classe em questão, que são conhecidos em várias estratégias
de AG, mesmo que na situação problema a ser otimizada
não seja utilizado. Um exemplo são as técnicas de escolha
de pais para o crossover, definindo na classe todos os
métodos utilizados como Roleta, Torneio, seleção por
ranking entre outros, mesmo que não sejam todos
implementados na situação problema em questão.
O resultado deste tipo de organização de métodos é
a possibilidade de diferentes módulos do AG, sendo possível
adaptar o código, desenvolvido somente uma vez, à
diferentes problemas
p a serem apllicados evitaando o Para:
P x = 20, z = 23, y = 22, k = 100 e nMet
n = 20
retrabalho coomo ilustrado nas Figuras 1 e 2.
Sem Moodulação 14
463906

Com Moodulação 14
465926

Porcentaagem Acrescidda ~0
0,1%
T
Tabela 1: Tem
mpo de Execução

A solução enccontrada para tal paradigmaa foi um proggrama

modulado
m o quual possui seeparadamente todos os posssíveis
métodos
m de applicação em AAGs que supreem quase todoo tipo
Fig. 1. Módulo 1
de situação prooblema focadoo. A modularrização permitte que
seejam derivaddos do proggrama princip pal sub-algorritmos
in
ndependentes não modulaares com som mente os méétodos
necessários, asssim, reduzinddo o tempo ded processameento e
mantendo
m a possibilidade dee reutilização dos
d métodos.

Fig. 2. Módulo 2

3. DESEMPPENHO E REDUÇÃO DE TEMP

PO DE
PROCESSAAMENTO

Para uma annálise do desemmpenho do allgoritmo foi utilizado

u
uma métrica simples atribuuindo um temmpo de processsamento
1 (um) a caada operação do algoritmoo, não importaando se F 3. Derivaação de algoriitmos
Fig.
uma operaçãão demora maais que a outraa (Linden [1])), pois o
que foi analiisado foi com
mo o tempo dee execução creesce em
função do taamanho dos dados
d inseridos e não o reaal tempo
de processam
mento. 4. CONCLUSÃO

Defi
finindo como entrada
e os daddos do AG a extensão
e A modularizaação do Algooritmo Genéttico permitiuu uma
do cromosssomo, númeero de variááveis, tamannho da mais
m fácil implementaç
i ção em vaariados tipos de
população, número
n de geerações e quaais processos de AG problemas,
p facilitando até mesmo o o estudoo de
serão implem
mentados, num m algoritmo modular,
m impplica em diferentes
d arqquiteturas dde AG. Poréém, o uso desta
um acréscim
mo aproximadoo de téécnica gera um
u custo de processamen nto mais elevvado.
Tendo
T comoo foco a ottimização de d processam mento
(nG * nMet
n ) + nMeet (1) desse
d algoritm
mo, a derivaçção do progrrama principaal em
suub-AGs reduuz o processamento adicional geradoo pela
unidades de tempo onde nG n é o númeroo de geraçõess do AG modularizaçã
m ão à praticammente zero, tornando
t viáável o
e nMet o núm mero total de métodos indeependentes denntro das
procedimento
p o em questãoo. O alto prrocessamentoo dos
classes. Assim um AG sim mples com os métodos já deefinidos
que tem o tempo
t de exeecução (na exxecução do seu
s pior Sub-Algoritm
S mos Genéticoos gerados é inevitável até o
caso) definiddo pela funçãoo momento,
m poorém, cria uuma base mais m sólida para
fuuturas pesquuisas focadass em otimizaação de temppo de
6 + k (6 x + 11xyz
x + 27 xy + 51x + 19) (2) processament
p to desse podeeroso algorittmo.
AGRADECIM
A MENTOS
para x senddo o tamanhoo da populaçção, y o núm mero de
variáveis da função objettivo, z a extennsão binária de cada Agradecemos
A a nosso proffessor orientad
ao dor Denilson Paulo
variável e k o número de gerações, passsa a ser acresscido do Souza dos Sanntos por nos incentivar e apoiar nesta nossa
tempo geradoo pela modulaação. A Tabella 1 indica o aumento
a pesquisa e aoss amigos quee nos toleraraam neste temppo de
percentual do
d tempo de processamennto em um exemplo e to
otal imersão na
n pesquisa.
minimalista.
REFERÊNCIAS

[1] R. Linden, “Algoritmos Genéticos”, 2ª Edição, Brasport,

Rio de Janeiro, 2008.

[2] E.G.M. de Lacerda, A.C.P.L. deCarvalho, “Introdução

aos algoritmos genéticos”. In: Galvão, C.O., Valença,
M.J.S. (orgs.) Sistemas inteligentes: aplicações a
recursos hídricos e ciências ambientais. Porto Alegre:
Ed. Universidade/UFRGS : Associação Brasileira de
Recursos Hídricos. p. 99-150. 1999. (Coleção ABRH de
Recursos Hídricos; 7.).