...
Parâmetros de Entrada
Por se tratar de um modelo genérico é necessário receber informações de fora do algoritmo, a partir da entrada padrão (em geral o teclado). Para compilar as informações dentro do algoritmo para a saída padrão (em geral a tela).
Deste modo, há no núcleo da rotina computacional dois tipos distintos de variáveis, variáveis de decisão e variáveis de entrada.
Variáveis de Decisão: Os valores desconhecidos referentes ao problema proposto constituem as variáveis de decisão. No caso desse problema, o sequenciamento de produção dos jobs segundo as restrições
do roteiro de fabricação.
Variáveis de Decisão: Os valores desconhecidos referentes ao problema proposto constituem as variáveis de decisão. No caso desse problema, o sequenciamento de produção dos jobs segundo as restrições
do roteiro de fabricação.
▶ Matriz de Dados;
▶ Tamanho População;
▶ Percentual de Imigrantes;
▶ Numero de Gerações;
▶ Numero de Eleitos;
▶ Percentual de Mutações.
Matriz de Dados: A matriz de dados são benchmark sets encontrados na literatura, contendo os roteiros de fabricação bem como os tempos de processos. Melhor exemplificado no menu Benchmark Sets.
Tamanho da População: determina a cobertura do espaço de busca do problema, de modo a afetar desempenho global do algoritmo. Uma população pequena fornece uma cobertura pouco representativa do espaço de busca,
uma população grande para além de melhor representatividade no espaço de busca, previne convergências prematuras. No entanto, a medida que se eleva o tamanho populacional, eleva-se também a exigência de recursos computacionais. Liden
(2012) transcreve a seguinte frase:
"A maioria dos trabalhos publicados tem uma fixação quase fetichista no numero 100, talvez porque seja redondo, talvez por motivos históricos."
Taxa de Crossover: A taxa de crossover não é uma variável de entrada, sendo esta automaticamente determinada pela competição entre os indivíduos. A implementação do método de seleção de crossover se da por
meio de uma roleta viciada, porém os indivíduos competem entre si para determinar aquele que ocupará uma maior fatia na roleta.
Percentual de Imigrantes: A cada nova geração novos indivíduos sempre hão de herdar as característica de seus progenitores propiciando a uniformização populacional. A taxa de imigrantes garante a renovação e
variabilidade de indivíduos de uma população.
Numero de Gerações: Determina a quantidade de vezes, a partir de uma população inicial, que o algoritmo repete os procedimento de criar uma nova população em busca de uma melhor solução.
Percentual de Eleitos: O elitismo impede que a melhor solução encontrada entre as gerações se perca ao findar da ultima geração.
Percentual de Mutações: As mutações faz se necessário para preservar a diversidade genética da população pois ao decorrer de gerações a populacao tende a convergir para um ponto ótimo local desta forma crossover
torna se incapaz de retirar a populacao da estagnação, sendo necessário a ocorrência de mutações. Assim, adapta-se o conceito proposto por Zhang, Rao e Li (2008).
Mutação de Gene: A mutação de gene consiste em trocar de posição dois genes aleatoriamente sele- cionados em uma mesma instâncias cromossômicas ou não, conforme ilustrado abaixo. O numero de vezes
que esse re-sequênciamento genético é realizado, ao contrário re- sequênciamento unitário que proposto por Zhang, Rao e Li (2008), também é selecionado de modo aleatório.
Mutação de Instância Cromossomica: A mutação de instancia cromossômica consiste em consiste em selecionar aleatoriamente duas instâncias cromossômicas e inverte-las de posição, conforme ilustrado
Percentual de Mutações: As mutações faz se necessário para preservar a diversidade genética da população pois ao decorrer de gerações a populacao tende a convergir para um ponto ótimo local desta forma
crossover torna se incapaz de retirar a populacao da estagnação, sendo necessário a ocorrência de mutações. Assim, adapta-se o conceito proposto por Zhang, Rao e Li (2008).
Referências
LIDEN, R. ALGORITMOS GENETICOS. 3. ed. [S.l.]: CIENCIA MODERNA, 2012. ISBN 9788539901951.
ZHANG, C.; RAO, Y.; LI, P. An effective hybrid genetic algorithm for the job shop scheduling problem. Int. J. Adv. Manuf. Technol., v. 39, n. 9-10, p. 965–974, 2008. ISSN 02683768. Disponível em: <https://doi.org/10.1007/s00170-007-1354-8>.
