Autor: Gilberto Gomes Pacheco

Orientadora: Miriam de Souza Monteiro

Caratinga, 2012
Faculdades Integradas de Caratinga
Cincia da Computao

APLICAO DE UM ALGORITMO GENTICO MODIFICADO
AO PROBLEMA DE EMPACOTAMENTO UNIDIMENSIONAL




Contedo
Introduo
Objetivo Geral
Objetivos Especficos
Referencial Terico
Otimizao Combinatria
Algoritmos
Classes de Problemas
O Problema de Corte e Empacotamento
Algoritmos Genticos
Metodologia
Codificao
Aperfeioamento dos Cromossomos
Seleo
Cruzamento
Mutao
Anlise dos Resultados
Concluso
Trabalhos Futuros
Referncias
Introduo

PCE (Problema de Corte e Empacotamento);

Algoritmos Genticos;

Mudanas no Algoritmo Gentico clssico;
Objetivo geral
Verificar a eficincia de um algoritmo gentico
modificado, aplicado ao problema de empacotamento
unidimensional.
Objetivos especficos
Contextualizar o problema de empacotamento
unidimensional e sua codificao em um algoritmo
gentico;


Revisar tpicos na literatura sobre o tema abordado;


Realizar uma comparao dos resultados encontrados
pelo algoritmo proposto com relao aos obtidos pelo
HGGA (Hybrid Grouping Genetic Algorithm).
Referencial terico
Otimizao Combinatria;
Algoritmos;
Classes de Problemas;
O Problema do Corte e Empacotamento;
Algoritmos Genticos.
Otimizao Combinatria

Surgimento (Pesquisa Operacional);


Problemas Combinatrios;

Algoritmos


Complexidade:
Algoritmos Eficientes (polinomiais):
O(n), O(n), O(n log n).

Algoritmos Ineficientes (exponenciais):
O(n!), O(2
n
).

Classes de Problemas



O Problema do Corte e
Empacotamento

Cortar e Empacotar;

Dimenses:
Unidimensional;
Bidimensional;
Tridimensional;
O Problema do Corte e
Empacotamento

Complexidade;

Aplicabilidade.
Algoritmos Genticos

Charles Darwin;
Gentica Biolgica;

Estrutura Clssica proposta por Holland (1975):

1: P Populao Inicial;
2: Enquanto condio de parada no satisfeita faa:
3: P Seleo(P);
4: P Cruzamentos (P);
5: P Mutaes(P);
6: Fim enquanto;
7: Soluo Melhor indivduo(P).

Metodologia
Codificao
Estrutura de dados utilizada;

Tamanho do cromossomo (dobro do nmero de itens);

Cada novo bin indicado com o valor zero;

Exemplo: Tem-se os seguintes itens a serem empacotados:
{5,3,7,1,9}, em bins de tamanho 10.

Um possvel cromossomo de um indivduo no algoritmo gentico
proposto teria a seguinte estrutura de dados:



Aperfeioamento dos
Cromossomos
Diminuir o tamanho do cromossomo de cada indivduo;

Realiza-se este procedimento na criao da populao e nos
cruzamentos;

Exemplo: O seguinte empacotamento demonstra o
cromossomo de um indivduo, em que a capacidade do bin tem
o valor 10:

Seleo

Melhor indivduo;
Menor nmero de bins usados (zeros presentes em seu
cromossomo).

Analogia com processos de melhoramento gentico em
agropecuria.
Cruzamento
Mutao
A mutao tem como objetivo fazer com que o
algoritmo consiga escapar de timos locais;

Mtodo utilizado no algoritmo gentico proposto:


Anlise de resultados
Teste de eficincia (Comparao com os resultados obtidos pelo HGGA);

Os dados de entrada utilizados no teste foram os mesmos usados pelo HGGA;

O algoritmo foi implementado em linguagem C em um computador com as
seguintes configuraes:
Processador intel CORE i5 2.4GHz;
4 GB de memria RAM;
HD 640 GB (5400rpm);
Windows 7;
IDE BloodShed DevC++ verso 4.9.9.2.


Tabela 1 120 itens
HGGA AGM
Instncia Bins Tempo Bins Tempo Perda Perda (%)
1 48 15.2 49 1.0 1 2,0
2 49 0.0 50 0.0 1 2,0
3 46 5.8 47 0.0 1 2,1
4 49 50.4 50 18.8 1 2,0
5 50 0.0 51 0.0 1 1,9
6 48 19.4 49 1.5 1 2,0
7 48 19.0 49 0.1 1 2,0
8 49 21.7 50 29.1 1 2,0
9 51 3668.7 51 89.8 0 0
10 46 39.5 47 5.3 1 2,1
11 52 0.0 53 1.4 1 1,8
12 49 23.7 50 0.1 1 2,0
13 48 25.7 50 0.0 2 4,0
14 49 0.0 50 0.0 1 2,0
15 50 0.0 51 1.1 1 1,9
16 48 11.1 49 1.2 1 2,0
17 52 0.0 53 0.6 1 1,8
18 52 76.1 53 7.5 1 1,8
19 49 14.3 50 0.1 1 2,0
20 50 3634.7 51 0.0 1 1,9
Mdia de Tempo (HGGA): 381 Mdia de Tempo (AGM): 8
Tabela 2 250 itens
HGGA AGM
Instncia Bins Tempo Bins Tempo Perda Perda (%)
1 99 256.7 102 4.4 3 2,9
2 100 47.4 102 15.7 2 1,9
3 102 223.8 104 156.1 2 1,9
4 100 27.0 102 169.4 2 1,9
5 101 163.5 104 4.2 3 2,8
6 101 477.6 104 32.3 3 2,8
7 102 14.5 104 11.7 2 1,9
8 104 6628.8 106 42.6 2 1,8
9 105 924.4 108 2.5 3 2,7
10 101 158.3 104 0.1 3 2,8
11 105 95.6 108 11.8 3 2,7
12 101 240.0 104 5.1 3 2,8
13 106 5996.7 108 204.4 2 1,8
14 103 6346.6 105 181.5 2 1,9
15 100 82.6 102 3.0 2 1,9
16 105 4440.1 108 213.9 3 2,7
17 97 254.5 99 103.7 2 2,0
18 100 38.5 102 12.1 2 1,9
19 100 246.8 103 3.4 3 2,9
20 102 68.0 105 4.1 3 2,8
Mdia de Tempo (HGGA): 1337 Mdia de Tempo (AGM): 59
Tabela 3 500 itens
HGGA AGM
Instncia Bins Tempo Bins Tempo Perda Perda (%)
1 198 480.5 203 660.6 5 2,5
2 201 177.7 207 131.2 6 2,9
3 202 347.9 208 49.8 6 2,9
4 204 11121.2 210 266.6 6 2,9
5 206 267.6 212 205.2 6 2,8
6 206 129.7 212 84.3 6 2,8
7 207 1655.5 214 329.9 7 3,2
8 204 1834.7 211 71.9 7 3,3
9 196 501.5 201 277.7 5 2,5
10 202 92.5 207 142.5 5 2,4
11 200 106.2 206 7.1 6 2,9
12 200 152.3 206 98.2 6 2,9
13 199 1019.3 205 174.8 6 2,9
14 196 135.5 202 36.6 6 3,0
15 204 951.7 209 969.1 5 2,4
16 201 375.2 206 942.3 5 2,4
17 202 162.6 207 96.5 5 2,4
18 198 336.8 204 14.2 6 2,9
19 202 143.9 207 598.5 5 2,4
20 196 306.8 202 26.6 6 3,0
Mdia de Tempo (HGGA): 1015 Mdia de Tempo (AGM): 259
Tabela 4 1000 itens
HGGA AGM
Instncia Bins Tempo Bins Tempo Perda Perda (%)
1 399 2924.7 409 5318.5 10 2,4
2 406 4040.2 418 2104.7 12 2,9
3 411 6262.1 424 458.1 13 3,1
4 411 32714.3 424 1097.1 13 3,1
5 397 11862.0 408 5509.9 11 2,7
6 399 3774.3 410 4267.0 11 2,7
7 395 3033.2 406 7578.7 11 2,7
8 404 9878.8 415 6686.5 11 2,7
9 399 5585.2 411 1252.7 12 2,9
10 397 8126.2 409 2737.6 12 2,9
11 400 3359.1 412 1012.7 12 2,9
12 401 6782.3 413 7199.5 12 2,9
13 393 2537.4 404 2738.8 11 2,7
14 396 11828.8 407 7530.7 11 2,7
15 394 5838.1 406 3386.7 12 3,0
16 402 12610.8 415 523.9 13 3,1
17 404 2740.8 415 11070.0 11 2,7
18 404 2379.4 416 2482.0 12 2,9
19 399 1329.7 411 367.0 12 2,9
20 400 3564.2 412 7797.7 12 2,9
Mdia de Tempo (HGGA): 7059 Mdia de Tempo (AGM): 4056
Concluso

Nos testes realizados, o algoritmo proposto encontrou
respostas aproximadamente 2,48% acima das
encontradas pelo HGGA;

Porm ele foi consideravelmente mais rpido em sua
execuo;

Possvel causa da queda de rendimento:
Material gentico muito homogneo.

Trabalhos futuros


Hibridizao entre o algoritmo proposto e o HGGA;


Anlise detalhada das falhas do algoritmo proposto.
Principais referncias
BIGONHA, C.A.S, et al. Problema do Empacotamento. Universidade Federal de Minas Gerais UFMG, 17
de junho de 2008.

CORMEN, Tomas H.; LEISERSON, Charles E.; RIVEST, RONALD L.; STEIN, Clifford. Algoritmos Teoria e
Prtica. Rio de Janeiro. Editora Elsevier, 6 Tiragem, 2002.

FALKENAUER, Emanuel. A Hybrid Grouping Genetic Algorithm for Bin Packing. Journal of Heuristics.
1996. Disponvel em:
http://reference.kfupm.edu.sa/content/h/y/a_hybrid_grouping_genetic_algorithm_for__61460.pdf. Acessado
em: 19/10/2012.

HOLLAND, John. Adaptation in Natural and Artificial Systems. MIT Press Cambrige, MA, USA. 1992.

JOHNSON, David. S. The NP-Completeness column: an ongoing guide. Bell Laboratories, Murray Hill,
New Jersey 1986. Disponvel em: http://www2.research.att.com/~dsj/columns/col18.pdf. Acessado em:
12/07/2012.

LINDEN, Ricardo. Algoritmos Genticos. Uma Importante Ferramenta da Inteligncia Computacional.
2 edio. Rio de Janeiro. Editora BRASPORT, 2008.

MIYAZAWA, Flvio Keidi. Otimizao Combinatria. Disponvel em
www.ic.unicamp.br/~fkm/problems/combopt.html. Acessado em 16 de maio de 2012.

MORABITO, Reinaldo. Modelos de Otimizao para o Problema de Corte nas Indstrias de Papel e
Papelo e de Mveis. Departamento de Engenharia de Produo. Universidade Federal de So Carlos.
Disponvel em: http://www.dep.ufscar.br/docentes/morabito/g&p94.pdf. Acessado em: 29/06/2012.




Obrigado pela ateno!!