A utilização de algoritmo genético na otimização de problemas

Abstract

Este trabalho realiza uma extensa análise sobre Algoritmos Genéticos (AGs), uma técnica de otimização inspirada nos princípios da evolução natural. A metodologia baseou-se numa revisão bibliográfica de autores fundamentais na área. O estudo explora os conceitos centrais dos AGs, como representação de soluções, função de aptidão e operadores genéticos, estabelecendo uma analogia clara com a seleção natural. Para exemplificação prática, foi desenvolvido um simulador de seleção natural. A aplicação dos AGs foi demonstrada com sucesso em problemas complexos de otimização, nomeadamente o Problema de Corte Bidimensional Não Guilhotinado e o Problema do Caixeiro Viajante, superando métodos tradicionais. A versatilidade da abordagem foi ainda ilustrada em domínios de design e engenharia, e no âmbito do aprendizado de máquina para otimização de hiperparâmetros e arquiteturas de redes neurais. O trabalho também aborda desafios inerentes, como a sensibilidade a parâmetros e a complexidade computacional. Conclui-se que os AGs se consolidam como uma ferramenta valiosa e versátil para a resolução de problemas complexos em diversos domínios, destacando suas vantagens e aplicações específicas.

This work presents an extensive analysis of Genetic Algorithms (GAs), an optimization technique inspired by the principles of natural evolution. The methodology was based on a literature review of key authors in the field. The study explores the central concepts of GAs, such as solution representation, fitness function, and genetic operators, establishing a clear analogy with natural selection. For practical exemplification, a natural selection simulator was developed. The application of GAs was successfully demonstrated in complex optimization problems, namely the Two-Dimensional Non-Guillotine Cutting Problem and the Traveling Salesman Problem, surpassing traditional methods. The versatility of the approach was also illustrated in design and engineering domains, and in the context of machine learning for hyperparameter optimization and neural network architectures. The work also addresses inherent challenges, such as parameter sensitivity and computational complexity. It concludes that GAs are consolidating as a valuable and versatile tool for solving complex problems in various domains, highlighting their advantages and specific applications.