Fitness estimation models applied to genetic algorithms

Para obter uma solução satisfatória, algoritmos genéticos avaliam, em geral, um número grande de indivíduos durante o processo evolutivo. É comum, em aplicações práticas, encontrar funções de avaliação computacionalmente complexas e caras. Porém, nesses casos, o tempo é um fator determinante no desempenho de algoritmos genéticos. Dessa forma, os algoritmos genéticos devem encontrar soluções adequadas em curto intervalo de tempo. Uma alternativa promissora para contornar os custos computacionais referentes à função de avaliação considera o fato de que pode ser mais atrativo avaliar diretamente somente indivíduos selecionados e estimar os fitness dos restantes do que avaliar diretamente toda a população. Este trabalho propõe o uso de modelos de estimação de fitness em algoritmos genéticos. Especificamente, são sugeridos modelos de estimação baseados em agrupamento nebuloso supervisionado (Fuzzy C-Means) e não supervisionado (Aprendizagem Participativa). O objetivo é aproximar as funções de avaliação por meio de modelos de estimação de fitness, sem afetar significativamente a qualidade das soluções. Inicialmente, os modelos de estimação propostos são comparados e analisados experimentalmente com alternativas sugeri das por outros autores, utilizando, para isso, problemas de otimização considerados na literatura de algoritmos genéticos. A seguir, os modelos de estimação de fitness são aplicados em um problema real de engenharia, o planejamento de circulação de trens em ferrovias. Este é um caso típico onde o desempenho de cada planejamento exige um tempo significativo. A eficiência dos modelos propostos é verificada e comprovada experimentalmente comparando com os resultados, em instâncias mais simples, fornecidos por modelos de programação matemática e, em instâncias complexas, fornecidos pelo algoritmo genético clássicoGenetic algorithms usually need a large number of fitness evaluations before a satisfying result can be obtained. In many real-world applications, fitness evaluation may be computationally complex and costly. In these cases, time is an essential subject in performance analysis of genetic algorithms. Therefore, genetic algorithms should provide good solutions in a short period of time. A promising approach to alleviate the computational cost of evaluations considers the fact that sometimes it is better to evaluate only selected individuals and estimate the fitness of the remaining individuals instead of evaluate a whole population. This work suggests the application of fitness estimation models in genetic algorithms. More specifically, it deals with estimation models based on supervised fuzzy clustering (Fuzzy C-Means) and unsupervised fuzzy clustering (Participatory Learning). The goal is to approximate the evaluation functions through the use of fitness estimation models, without significantly affect the quality of solutions. Initially, the fitness estimation models are compared and analyzed experimentally with other models already proposed in the literature. Their performance are evaluated using benchmark optimization problems found in the genetic algorithms literature. Next, the fitness estimation models are used to solve a real-world engineering problem, namely the train scheduling in a freight rail line. This is a typical case where the performance measure of each schedule demands a considerable amount of time. Once again, the performance of the fitness estimation models are evaluated experimentally, comparing their results with the results provided, for simple instances, by linear programming models and, for complex instances, by the classic genetic algorith