Professional Documents
Culture Documents
1. Introdução
Problemas de Otimização Combinatória são, geralmente, abstrações de problemas reais
de diferentes áreas e, principalmente, do setor industrial. Este campo de estudo está es-
tritamente preocupado em formular problemas e os resolver fornecendo a melhor solução
possı́vel, dentro de um conjunto finito de soluções possı́veis. Diz-se que uma solução
é globalmente ótima se a mesma for o máximo ou mı́nimo de uma função objetivo tal
que satisfaça o problema da melhor forma, isto é, a solução mais adequada. Neste sen-
tido, diferentes métodos e técnicas de resolução foram desenvolvidas ao longo das últimas
décadas [Alazzam and Lewis III 2013] [Tandabani et al. 2016].
É de uso convencional, para resolução de problemas combinatórios, os métodos
exatos e aproximativos. O método exato sempre vai garantir a solução globalmente ótima,
enquanto não há essa garantia via o método aproximativo. No entanto, a abordagem exata
somente atua de forma eficiente em pequenas instâncias. Em caso de instâncias maiores,
não se conhece, até o momento, técnicas com a capacidade de solucionar esta classe
de problemas em tempo satisfatório (ou polinomial). Este fato direcionou a atenção de
pesquisadores aos métodos aproximativos, o que culminou no desenvolvimento de várias
metaheurı́sticas nos últimos anos [Goldbarg et al. 2016] [Boussaid et al. 2013].
Com o princı́pio da eficiência das metaheurı́sticas em alcançar boas soluções di-
ante vários problemas combinatórios, este trabalho objetiva apresentar uma visão geral
sobre metaheurı́sticas, com ênfase em Algoritmo Genético (AG) e Memético (AM), e do
clássico Problema do Caixeiro Viajante, bem como de variações que fundamentam o Pro-
blema da Patrulha Escolar. Aplicações de metaheurı́sticas em problemas de otimização
combinatória também são apresentadas com o intuito de validar e evidenciar a motivação
do objeto de estudo.
2. Metaheurı́sticas
Em linhas gerais, metaheurı́sticas são métodos aproximativos de alto nı́vel, constituı́das
por diferentes técnicas computacionais (heurı́sticas), com o objetivo de gerar uma es-
tratégia robusta capaz de explorar o espaço de busca de forma eficiente e eficaz.
[Blum and Roli 2003]. A composição de segmentos para formar a estrutura algorı́tmica
de uma metaheurı́stica é o grande ponto forte do método.
Metaheurı́sticas são classificadas como sendo baseadas em solução única ou
população. Metaheurı́sticas de solução única, tais como Busca Tabu (BT) [Glover 1986],
Variable Neighborhood Search (VNS) [Mladenović and Hansen 1997], Simulated Anne-
aling (SA) [Kirkpatrick et al. 1983], Iterated Local Search (ILS) [Stützle 1998] e Greedy
Randomized Adaptive Search Procedure (GRASP) [Feo and Resende 1995], comparti-
lham o princı́pio do uso de busca local em uma única solução para explorar o espaço
de busca. [Blum and Roli 2003] [Ali and Hassanien 2016]. Os algoritmos baseados em
população, como Algoritmo Genético [Holland 1975], Ant Colony Optimization (ACO)
[Dorigo 1992] e Particle Swarm Optimization (PSO) [Kennedy and Eberhart 1995], tra-
balham com um conjunto de soluções, intensificando a busca. Sem uma classificação
ainda não bem definida, pode-se mencionar os métodos hı́bridos, como o Algoritmo
Memético [Moscato et al. 1989], que mesclam as duas estratégias.
Nas seções 2.1 e 2.2 são abordados um método baseado em população e um
hı́brido, respectivamente.
5. Discussão e Conclusões
No presente trabalho foi apresentado uma visão geral sobre Problemas de Otimização
Combinatória e Metaheurı́sticas. Metaheurı́sticas e problemas clássicos de OC foram
descritos com o pressuposto de delinear a problemática do estudo. Relatos de aplicações
de metaheurı́sticas para resolução de problemas pertencente a classe NP-Hard também
foram apresentados. O propósito geral deste trabalho é fundamentar e sustentar a ideia
de que metaheurı́sticas sulocionam grande parte dos problemas combinatórios. Logo,
também é capaz de solucionar o Probrema da Patrulha Escolar, no caso particular de
Mossoró/RN.
Metaheurı́sticas são bem difundidas na literatura, bem como problemas de OC.
Relatos de aplicações utilizando diferentes técnicas metaheurı́sticas, e considerando di-
versos problemas NP-Hard, corroboram o que foi dito a respeito do potencial da aborda-
gem aproximativa.
Nesta perspectiva, o bjetivo deste trabalho é alcançado ao realizar um estudo, a
respeito de metaheurı́sticas e problemas de otimização combinatória, e apresentar estes
dois objetos de estudo de maneira sucinta. Como trabalho futuro, um estudo mais apro-
fundado sobre PPE e metaheurı́sticas para sua resolução será considerado.
Referências
Agharghor, A., Riffi, M. E., and Chebihi, F. (2016). A memetic hunting search algorithm
for the traveling salesman problem. In 2016 4th IEEE International Colloquium on
Information Science and Technology (CiSt), pages 206–209.
Alazzam, A. and Lewis III, H. W. (2013). A new optimization algorithm for combi-
natorial problems. IJARAI) International Journal of Advanced Research in Artificial
Intelligence, 2(5).
Ali, A. F. and Hassanien, A.-E. (2016). A Survey of Metaheuristics Methods for Bioin-
formatics Applications, pages 23–46. Springer International Publishing, Cham.
Balas, E. (1989). The prize collecting traveling salesman problem. Networks, 19(6):621–
636.
Blum, C. and Roli, A. (2003). Metaheuristics in combinatorial optimization: Overview
and conceptual comparison. ACM Comput. Surv., 35(3):268–308.
Boussaid, I., Lepagnot, J., and Siarry, P. (2013). A survey on optimization metaheuris-
tics. Information Sciences, 237:82 – 117. Prediction, Control and Diagnosis using
Advanced Neural Computations.
da Silva Menezes, M., Goldbarg, M. C., and Goldbarg, E. F. G. (2014). A memetic
algorithm for the prize-collecting traveling car renter problem. In 2014 IEEE Congress
on Evolutionary Computation (CEC), pages 3258–3265.
Dorigo, M. (1992). Optimization, learning and natural algorithms. Ph. D. Thesis, Poli-
tecnico di Milano, Italy.
Feo, T. A. and Resende, M. G. C. (1995). Greedy randomized adaptive search procedures.
Journal of Global Optimization, 6(2):109–133.
Glover, F. (1986). Future paths for integer programming and links to artificial intelligence.
Computers & Operations Research, 13(5):533 – 549.
Golberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning.
addion wesley. Reading.
Goldbarg, M. C., Goldbarg, E. G., and Luna, H. P. L. (2016). Otimizaça̋o combinatória e
meta-heurı́sticas: algoritmos e aplicacőçes. Elsevier, 1th edition.
Gutin, G. and Punnen, A. P. (2006). The traveling salesman problem and its variations,
volume 12. Springer Science & Business Media.
Holland, J. H. (1975). Adaptation in natural and artificial systems. an introductory analy-
sis with application to biology, control, and artificial intelligence. Ann Arbor, MI:
University of Michigan Press.
Kennedy, J. and Eberhart, R. (1995). Particle swarm optimization. In Neural Networks,
1995. Proceedings., IEEE International Conference on, volume 4, pages 1942–1948
vol.4.
Kirkpatrick, S., Gelatt, C. D., Vecchi, M. P., et al. (1983). Optimization by simulated
annealing. science, 220(4598):671–680.
Mladenović, N. and Hansen, P. (1997). Variable neighborhood search. Computers &
Operations Research, 24(11):1097 – 1100.
Moscato, P. et al. (1989). On evolution, search, optimization, genetic algorithms and
martial arts: Towards memetic algorithms. Caltech concurrent computation program,
C3P Report, 826:1989.
Pedro, O., Saldanha, R., and Camargo, R. (2013). A tabu search approach for the prize
collecting traveling salesman problem. Electronic Notes in Discrete Mathematics,
41:261 – 268.
Reynolds, R. G. (1994). An introduction to cultural algorithms. In Proceedings of the
third annual conference on evolutionary programming, volume 131139. Singapore.
Stützle, T. G. (1998). Local Search Algorithms for Combinatorial Problems: Analysis,
Improvements, and New Applications. PhD thesis, Darmstadt University of Techno-
logy.
Tandabani, A., Priyan, K., Janakiraman, S., and Pothula, S. (2016). A comparative study
of meta heuristic approach for cutting stock problem. In 2016 International Conference
on Communication and Electronics Systems (ICCES), pages 1–4.