ASSESSMENT ON STOCHASTIC ALGORITHMS FOR GLOBAL OPTIMIZATION

Résumé

Este trabalho compara algoritmos estocásticos diferentes aplicados a problemas de minimização de funções teste, para as quais técnicas matemáticas tradicionais costumam falhar. Os algoritmos estocásticos avaliados neste trabalho foram Colônia Artificial de Abelhas (CAB), Evolução Diferencial (ED), Enxame de Partículas (EP) e Recozimento Simulado (RS). Os parâmetros internos de cada algoritmo foram alterados e seus efeitos na performance do algoritmo foram avaliados e comparados na minimização de seis funções teste (Ackley, Griewank, Parabolic, Rastrigin, Rosenbrock and Scheffers). Os resultados permitiram concluir sobre a importância de uma definição adequada dos parâmetros internos. Além disso, a minimização da função de Rosenbrock com alta dimensão foi realizada com a melhor configuração de cada algoritmo. Os resultados mostraram que a maioria dos algoritmos conseguiu encontrar o mínimo global das funções multimodais. Entretanto, os algoritmos ED e CAB apresentaram os melhores resultados em termos de convergência e qualidade de resultados.