Estudo de Parâmetros Ótimos em Algoritmos Genéticos Elitistas
Cadeias de Markov. Simulação. Otimização. Algoritmo
genético. Seleção de parâmetros.
O algoritmo genético é um processo iterativo de busca, utilizado para encontrar
o máximo global no domı́nio de funções não convencionais. Esse algoritmo se baseia
em fundamentos naturalistas, evoluindo uma amostra de candidatos a máximo global
a cada iteração. Essa evolução é consequência de três operadores (Seleção, Mutação
e Cruzamento) que vasculham o domı́nio da função e ao mesmo tempo selecionam os
melhores candidatos obtidos. Nesse estudo, apresentaremos uma cadeia de Markov
que modela a evolução desse algoritmo, e demonstraremos algumas propriedades dessa
cadeia que justificam a convergência do algoritmo. Realizaremos uma simulação para
modelar o efeito da parametrização do algoritmo em sua velocidade de convergência,
estimada pelo número de iterações até obtenção do máximo global. Nessas simulações
observaremos esse efeito em funções: unidimensionais, bidimensionais, com um único
máximo local (o máximo global) e com vários máximos locais. Finalmente, esse tra-
balho apresenta resultados que questionam a relevância do operador cruzamento nas
funções estudadas e argumentos para acreditar que o operador mutação otimiza a ve-
locidade de convergência do algoritmo quando ocorre com probabilidade de mutação
próxima a 0, 2).