1 / 24

GRASP

GRASP. Disciplina: ODST Professores: José Oliveira e Maria Carravilla Aluno: Marcelo Nogueira. FEUP JANEIRO 2008. Otimização. Achar a solução de um problema P tal que uma certa função critério f(x) seja maximizada (ou minimizada) onde x  X   Onde: x é uma solução do problema

jayme-buckley
Télécharger la présentation

GRASP

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. GRASP Disciplina: ODST Professores: José Oliveira e Maria Carravilla Aluno: Marcelo Nogueira FEUP JANEIRO 2008

  2. Otimização • Achar a solução de um problema P tal que uma certa função critério f(x) seja maximizada (ou minimizada) onde xX • Onde: • x é uma solução do problema • X é o espaço das soluções admissíveis •  é o espaço das soluções

  3. cost y x Exemplo de função a ser otimizada Valor de f(x) Plano das soluções

  4. Estratégia: Solução Gulosa + Busca local • Achar uma solução inicial de forma gulosa • Melhorar a solução através de uma busca local, por exemplo, algoritmo 2-opt • Problema: • Isto produz pouca variedade na solução, podendo assim, ficar preso a um mínimo local

  5. cost y x Solução Gulosa + Busca local Solução final da busca Soluções Gulosas

  6. Como escapar dos mínimos locais?

  7. GRASP • GreedyRandomizedAdaptiveSearchProcedure • Consiste basicamente em repetir dois passos até que um certo critério de parada seja atingido • Gerar uma solução inicial semi-gulosa (gulosa aleatorizada) • Melhorar a solução inicial através de uma busca local e actualizar a melhor solução encontrada • As soluções semi-gulosas são mais variadas que as soluções gulosas, com isto espera-se conseguir escapar de mínimos locais

  8. GRASP Início Fase Construtiva: Solução semi-gulosa Fase de Melhoramento: busca local Critério de parada? não sim Fim

  9. cost y x GRASP Solução final (melhor de todas achadas) Solução final Solução final Soluções Semi-gulosas

  10. O que é uma solução semi-gulosa?

  11. Solução Gulosa • A cada passo, seleccionar o candidato que maximize (ou minimize) a função de custo no momento • Não pensa no futuro, faz a escolha melhor tendo em vista o presente

  12. Solução Gulosa • Ex: Knapsack • Backpack: 8 unidades de espaço • Heurística gulosa: escolher o item mais valioso por unidade (valor/espaço ocupado) • Solução encontrada: itens 1 e 2 com valor total=7 • Solução óptima: itens 2 e 3 com valor total=12

  13. Solução Semi-gulosa • Consiste em, a cada passo, criar o que se chama de Restricted Candidate List (RCL) • uma lista com os “n” melhores candidatos levando em consideração um algoritmo guloso • Após criada a RCL, é escolhido, aleatoriamente, um elemento da lista e adicionado a solução parcial actual

  14. Solução semi-gulosa • Ex: Knapsack com tamanho da RCL=2 • Backpack: 8 unidades de espaço • Dois melhores candidatos: RCL = {1,2} – escolher aleatoriamente um a adicionar na mochila – suponha 1 • Criar nova RCL = {2,3} – escolher aleatoriamente um para adicionar na mochila – suponha 3 (solução {1,3}) • Possíveis soluções encontradas: {1,2}= 7; {1,3}= 9; {2,3}= 12;

  15. Gulosas Vs. Aleatórias combinadas com busca local • Em média, as soluções de uma busca local a partir de uma solução gulosa são melhores que as originadas de uma solução inicial aleatória • As soluções de uma busca local a partir de uma solução aleatória são bem mais variadas que as originadas de uma solução inicial gulosa • Ideal: utilizar soluções iniciais semi-gulosas para a fase de busca local

  16. Parâmetros do GRASP • Os parâmetros para ajustar no GRASP são: • Tamanho da RCL • Note-se que se o tamanho da RCL for 1, temos um algoritmo guloso, e se for máximo, temos um algoritmo aleatório • A RCL também pode ter um tamanho variável, onde um elemento irá pertencer a RCL se sua contribuição para a função custo for x% do valor da função para o melhor candidato • Critério de parada do algoritmo • Normalmente um determinado número de operações ou um determinado tempo

  17. Vantagens do GRASP • Rápido • Geralmente produz boas soluções • Poucos parâmetros para serem ajustados

  18. GRASP para o TSP • Algoritmo geral Repita até critério de parada Calcule solução inicial semi-gulosa Melhore a solução por busca local (utilizei 2-opt) End

  19. GRASP para o TSP • Algoritmo de geração de solução semi-gulosa Repita até que todos os nós estejam na solução Escolha os “n” nós (vizinhos mais próximos ou inserção mais barata) e coloque-os na lista RCL Escolha aleatoriamente um componente da lista RCL e insira na solução actual End

  20. Resultados obtidos • 29 cidades: arquivo • 51 cidades: arquivo

  21. Resultados obtidos • 1002 cidades - óptimo: 259045 • Para 10 iterações (IMB) • Tamanho RCL=1: 301066 (4 minutos) • Tamanho RCL=2: 301066 (11 minutos) • Para 300 iterações (VMP) • Tamanho RCL=1: 312317 • Tamanho RCL=2: 419553 • Tamanho RCL=3: 505834

  22. Resultados obtidos • 18512 cidades (VMP) • Para 10 iterações (21 minutos) • Tamanho RCL=1: 1025010 • Tamanho RCL=2: 1025010

  23. Conclusões • A velocidade do algoritmo GRASP depende da velocidade dos algoritmos construtivos e de melhoramentos utilizados • Os resultados obtidos foram sempre melhores que as heurísticas não combinadas, contudo tais resultados ainda podem ser melhorados utilizando-se um algoritmo de vizinhança mais eficiente

  24. Bibliografia • José Fernando Oliveira Maria Antónia Carravilla, “Técnicas aproximadas para a resolução de problemas de Optimização Combinatória”, MEEC – Faculdade de Engenharia da Universidade do Porto • GREEDY RANDOMIZED ADAPTIVE SEARCH PROCEDURES, LEONIDAS S. PITSOULIS AND MAURICIO G.C. RESENDE • GREEDY RANDOMIZED ADAPTIVE SEARCH PROCEDURES, THOMAS A. FEO and MAURICIO G.C. RESENDE • Otimização Combinatória, L.A.N. Lorena

More Related