Estudo avaliativo de um algoritmo genético auto-organizável e multiobjetivo utilizando aprendizado de máquina para aplicações de telecomunicações

Este trabalho apresenta um estudo avaliativo dos efeitos da utilização de uma técnica de aprendizado de máquina nas características principais de um algoritmo genético (GA) multiobjetivo e auto-organizável. Um GA típico pode ser visto como uma técnica de busca que é normalmente aplicada em problemas que envolvem complexidade não polinomial. Originalmente, estes algoritmos foram idealizados para criar métodos que buscam soluções aceitáveis para problemas em que os ótimos globais são inacessíveis ou são de difícil obtenção. A princípio, os GAs consideravam apenas uma função de avaliação e um único objetivo de otimização. Hoje, entretanto, são comuns as implementações que consideram diversos objetivos de otimização simultaneamente (algoritmos multiobjetivos), além de permitir a alteração de diversos componentes do algoritmo dinamicamente (algoritmos autoorganizáveis). Ao mesmo tempo, são comuns também as combinações dos GAs com técnicas de aprendizado de máquina para melhorar algumas de suas características de desempenho e utilização. Neste trabalho, um GA com recursos de aprendizado de máquina foi analisado e aplicado em um projeto de antena. Utilizou-se uma técnica variante de interpolação bicúbica, denominada Spline 2D, como técnica de aprendizado de máquina para estimar o comportamento de uma função de fitness dinâmica, a partir do conhecimento obtido de um conjunto de experimentos realizados em laboratório. Esta função de fitness é também denominada de função de avaliação e é responsável pela determinação do grau de aptidão de uma solução candidata (indivíduo) em relação às demais de uma mesma população. O algoritmo pode ser aplicado em diversas áreas, inclusive no domínio das telecomunicações, como nos projetos de antenas e de superfícies seletivas de frequência. Neste trabalho em particular, o algoritmo apresentado foi desenvolvido para otimizar o projeto de uma antena de microfita, comumente utilizada em sistemas de comunicação sem fio e projetada para aplicação em sistemas de banda ultra larga (Ultra-Wideband - UWB). O algoritmo permitiu a otimização de duas variáveis da geometria da antena - o Comprimento (Ls) e a Largura (Ws) de uma fenda no plano de terra com relação a três objetivos: largura de banda do sinal irradiado, perda de retorno e desvio da frequência central. As duas dimensões (Ls e Ws) são usadas como variáveis em três distintas funções de interpolação, sendo uma Spline para cada objetivo da otimização, para compor uma função de fitness agregada e multiobjetiva. O resultado final proposto pelo algoritmo foi comparado com o resultado obtido de um programa simulador e com o resultado medido de um protótipo físico da antena construída em laboratório. No estudo apresentado, o algoritmo foi analisado com relação ao seu grau de sucesso, no que diz respeito a quatro características importantes de um GA multiobjetivo auto-organizável: desempenho, flexibilidade, escalabilidade e exatidão. Ao final do estudo, observou-se na compilação do algoritmo um aumento no tempo de execução em comparação a um GA comum, por conta do tempo necessário para o processo de aprendizagem. Como ponto positivo, notou-te um ganho sensível com relação a flexibilidade e a exatidão dos resultados apresentados, além de um caminho próspero que indica direções para permitir com que o algoritmo permita a otimização de problemas com η variáveisThis paper presents an evaluative study about the effects of using a machine learning technique on the main features of a self-organizing and multiobjective genetic algorithm (GA). A typical GA can be seen as a search technique which is usually applied in problems involving no polynomial complexity. Originally, these algorithms were designed to create methods that seek acceptable solutions to problems where the global optimum is inaccessible or difficult to obtain. At first, the GAs considered only one evaluation function and a single objective optimization. Today, however, implementations that consider several optimization objectives simultaneously (multiobjective algorithms) are common, besides allowing the change of many components of the algorithm dynamically (self-organizing algorithms). At the same time, they are also common combinations of GAs with machine learning techniques to improve some of its characteristics of performance and use. In this work, a GA with a machine learning technique was analyzed and applied in a antenna design. We used a variant of bicubic interpolation technique, called 2D Spline, as machine learning technique to estimate the behavior of a dynamic fitness function, based on the knowledge obtained from a set of laboratory experiments. This fitness function is also called evaluation function and, it is responsible for determining the fitness degree of a candidate solution (individual), in relation to others in the same population. The algorithm can be applied in many areas, including in the field of telecommunications, as projects of antennas and frequency selective surfaces. In this particular work, the presented algorithm was developed to optimize the design of a microstrip antenna, usually used in wireless communication systems for application in Ultra-Wideband (UWB). The algorithm allowed the optimization of two variables of geometry antenna - the length (Ls) and width (Ws) a slit in the ground plane with respect to three objectives: radiated signal bandwidth, return loss and central frequency deviation. These two dimensions (Ws and Ls) are used as variables in three different interpolation functions, one Spline for each optimization objective, to compose a multiobjective and aggregate fitness function. The final result proposed by the algorithm was compared with the simulation program result and the measured result of a physical prototype of the antenna built in the laboratory. In the present study, the algorithm was analyzed with respect to their success degree in relation to four important characteristics of a self-organizing multiobjective GA: performance, flexibility, scalability and accuracy. At the end of the study, it was observed a time increase in algorithm execution in comparison to a common GA, due to the time required for the machine learning process. On the plus side, we notice a sensitive gain with respect to flexibility and accuracy of results, and a prosperous path that indicates directions to the algorithm to allow the optimization problems with "η" variable