OPTIMISTIC FRAMEWORK: PROPOSTA DE ARQUITETURA PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO

OPTIMISTIC FRAMEWORK: PROPOSTA DE ARQUITETURA PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO

Semaan, Gustavo Silva; Landes, Flávio Barreiro; Silva, Edelberto Franco; Brito, José André de Moura; Ochi, Luiz Satoru

Artigo Completo:

O presente trabalho apresenta a arquitetura do OPTimistic, um framework em java com três camadas para resolução de problemas de otimização, inspirado nos frameworks HyFlex e ECJ. As principais funcionalidades do OPTimistic são: fornece modelos metaheurísticos; é simples desenvolver novas metaheurísticas; possui arquitetura baseada em um mecanismo hiperheurístico; Possui uma engine robusta que interpreta algoritmos sofisticados e fornece uma interface hiperheuristica; As camadas do framework são: (i) Baixo Nível: onde problemas de otimização devem ser implementados; (ii) Alto Nível: modelos metaheurísticos e heurísticas clássicas estão disponíveis para reuso; (iii) Barreira de Domínio: atua centralizando a comunicação; Nesse trabalho foram utilizados o modelo da metaheurística ILS e o clássico Problema da Mochila (0-1). Adicionalmente, em relação ao OPTimistic, são propostos diversos novos caminhos de pesquisa.

O presente trabalho apresenta a arquitetura do OPTimistic, um framework em java com três camadas para resolução de problemas de otimização, inspirado nos frameworks HyFlex e ECJ. As principais funcionalidades do OPTimistic são: fornece modelos metaheurísticos; é simples desenvolver novas metaheurísticas; possui arquitetura baseada em um mecanismo hiperheurístico; Possui uma engine robusta que interpreta algoritmos sofisticados e fornece uma interface hiperheuristica; As camadas do framework são: (i) Baixo Nível: onde problemas de otimização devem ser implementados; (ii) Alto Nível: modelos metaheurísticos e heurísticas clássicas estão disponíveis para reuso; (iii) Barreira de Domínio: atua centralizando a comunicação; Nesse trabalho foram utilizados o modelo da metaheurística ILS e o clássico Problema da Mochila (0-1). Adicionalmente, em relação ao OPTimistic, são propostos diversos novos caminhos de pesquisa.

Palavras-chave:

DOI: 10.5151/spolm2019-137

Referências bibliográficas

• [1] ELHAG, E. O. A. (2015). 13th UK Workshop on Computational Intelligence (UKCI). [2] ELHAG, E. O. A. (2015). A grouping hyper-heuristic framework: Application on graph colouring, Expert Systems with Applications. Expert Systems with Applications, 42. [3] BURKE, E.K., CURTOIS, T., HYDE, M., KENDALL, G., OCHOA, G., PETROVIC, S., VÁZQUEZ-RODŔIGUEZ, J.A. (2009). HyFlex: A Flexible Framework for the Design and Analysis of Hyper-heuristics. Proceedings of the 4th Multidisciplinary International Scheduling Conference: Theory and Applications (MISTA 2009). [4] D. PISINGER, (2005) “Where are the hard knapsack problems?” Computers & Operations Research, vol. 32, no. 9. [5] (Genetic and Evolutionary Computation Conference 2017) [6] MARTELLO, S. AND TOTH, P. (1990) Knapsack problems: algorithms and computer implementations. New York, NY, USA: John Wiley & Sons, Inc. [7] PARADA, L., HERRERA, C., SEPÚLVEDA, M., AND PARADA, V. (2016). Evolution of new algorithms for the binary knapsack problem. Natural Computing, vol. 15 Available: http://dx.doi.org/10.1007/s11047-015-9483-8 [8] PARADA, L., SEPULVEDA, M., HERRERA, C., PARADA, V. (2013) Automatic generation of algorithms for the binary knapsack problem. In: Evolutionary Computation (CEC), 2013 IEEE Congress on, pp. 3148–3152. IEEE (2013) [9] RESENDE, M.; RIBEIRO, C. (2010). Greedy randomized adaptive search procedures. In Glover, F. and Kochenberger, G., editors, Handbook of Metaheuristics, pages 283–319. Kluwer Academic Publishers. [10] SEMAAN, G S., RODRIGUES, W., BRITO, J. A. M., AND OCHI, L. S. (2014) Método baseado em combinação de soluções com particionamento de grafos para o problema de agrupamento automático. Learning & Nonlinear Models (L&NLM), Volume 13. [11] SUBRAMANIAN, A.; DRUMMOND, L. M. A.; BENTES, C.; OCHI, L. S. E FARIAS, R. (2010) “A parallel heuristic for the vehicle routing problem with simultaneous pickup and delivery”. In Computers and Operations Research. [12] SUCUPIRA, I. R. (2007). Algoritmos para o Problema de Agrupamento Automático. Dissertação de Mestrado, USP. [13] LUKASIEWYCZ, M., GLAB, M., REIMANN, F., AND TEICH, J. (2011). Opt4J: a modular framework for meta-heuristic optimization. In Proceedings of the 13th annual conference on Genetic and evolutionary computation (GECCO '11), New York, NY, USA DOI: https://doi.org/10.1145/2001576.2001808 [14] DURILLO, J.J, NEBRO, A. (2011) jMetal: A Java framework for multi-objective optimization, Advances in Engineering Software, Volume 42, Issue 10, 2011. https://doi.org/10.1016/j.advengsoft.2011.05.014.

Como citar:

Semaan, Gustavo Silva; Landes, Flávio Barreiro; Silva, Edelberto Franco; Brito, José André de Moura; Ochi, Luiz Satoru; "OPTIMISTIC FRAMEWORK: PROPOSTA DE ARQUITETURA PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO", p-1906-1917. In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 21756295, DOI 10.5151/spolm2019-137