A solution $\overset{\rightarrow}{x}$ is regarded as feasible if $g_i(\overset{\rightarrow}{x}) \leq 0$, for j = 1,...,q and $\left| h_j(\overset{\rightarrow}{x}) \right| - \epsilon \leq 0, for$$j = q + 1,...,m$. In this special session $\epsilon$ is set to 0.0001.
Implementar um algoritmo baseado em Computação Evolutiva (AG, ES, PE ou PG) ou
Evolução Diferencial (ED) ou Particle Swarm Optimization (PSO) para resolver os
seguintes problemas restritos de otimização:
1) Problema com 13 variáveis de decisão ($x_1$ até $x_{13}$ ) e 9 restrições de desigualdade.
Terá que ser implementado duas formas de tratamento de restrições, sendo elas:
Penalidade Estática.
ɛ-constrained method
A fazer
Execute o algoritmo genético proposto 30 vezes de modo independente para cada função
objetivo utilizando a Configuração A (Penalidade Estática) e uma configuração B
(tratamento sorteado). E baseado no valor final da função objetivo retornado em cada uma
das 30 execuções faça uma tabela que mostre: média, valor mínimo, valor máximo e desvio
padrão do valor da função objetivo retornada pelo algoritmo. Mostre também o resultado
graficamente com boxplot. Faça um relatório que explique como os algoritmos foram
implementados (pode ser feito em qualquer linguagem de programação), quais foram
as configurações utilizadas para os parâmetros da meta-heurística escolhida e como foi
feito o tratamento das restrições em cada problema. Envie também o código fonte. Para a
melhor solução encontrada para cada problema com cada configuração especifique
os valores das variáveis de decisão. Apresente as seguintes tabelas e discuta os resultados
obtidos.
About
:chart: Trabalho Prático II - Meta-heurísticas - CCF-480