No abstract

Resumo-Ao se reconfigurar uma Rede de Distribuição de Energia Elétrica procura-se modificar a topologia atual de uma rede de forma que determinadas figuras de mérito sejam otimizadas. Dada a explosão combinatória no número de soluções candidatas para esse problema, os algoritmos evolucionários são a ferramenta ideal para a busca dessas soluções. Neste trabalho propõe-se um algoritmo de Evolução Diferencial Discreto para a resolução do problema de reconfiguração de redes, considerando-se as figuras de mérito de custos monetários, custos devidos a falhas e de número de manobras a serem efetuadas na reconfiguração da rede. Toma-se como exemplo de aplicação uma rede de 21 barras em situação de contingência.

Resumo-Existe disponível na literatura uma grande variedade de Algoritmos Genéticos (AGs) para otimização multiobjetivo. Os AGs multiobjetivos se propõem a determinar um conjunto de soluções não-dominadas, denominado conjunto Pareto-ótimo. Os AGs necessitam de alguns parâmetros externos que são, a princípio, definidos pelo usuário: e.g., taxas de cruzamento e mutação, tamanho da população. Tais parâmetros podem influenciar na velocidade de convergência e na qualidade dos resultados obtidos. Essa influência pode variar de acordo com o problema, o que leva a se procurar um melhor ajuste de parâmetros para cada problema a ser resolvido pelos AGs. Nesse artigo será estudado o impacto da variação de parâmetros em Algoritmos Genéti-cos multiobjetivos na qualidade da estimativa do conjunto Pareto-ótimo e o esforço computacional necessário em cada cenário de parâmetros. A qualidade das soluções retornadas pelo algoritmo será verificada através do compromisso entre distância do ponto escolhido pelo decisor e o número de avaliações da função objetivo correspondente. O problema de otimização utilizado como exemplo envolve o treinamento transdutivo de uma rede do tipo SVM. Palavras-chave-Algoritmos Evolucionários, Algoritmos Genéticos Multiobjetivos, Medida de Desempenho, Integrate Sphere Counting, Sintonia de ParâmetrosAbstract-There is available in the literature a variety of Genetic Algorithms (AG) for multiobjective optimization. The AG multiobjective aim to determine a set of non-dominated solutions called Pareto-optimal set. These algorithms need some external parameters those are, in principle, defined by the user. These parameters can influence the speed of convergence and the quality of the results. This influency may vary with the kind of problem, what lead to a needing of a set of parameters for each problem to be solved by the algorithm. In this paper we will study the impact of changes in parameters of Genetic Algorithms in the quality of estimation of all Pareto-optimal and the computational effort required in each setting of parameters. The quality of solutions returned by the algorithm is verified by the distance of the point chosen by the decisor and the amount of evaluations of objective functions. The optimization problem used as example involves the transductive training of a SVM network.Keywords-Evolutionary Algorithms, Multiobjective Genetic Algorithms, Performance Measure, Integrate Sphere Counting, Tunning of parameters IntroduçãoAlgoritmos evolucionários (AEs) têm se tornado uma importante ferramenta para resolver problemas de otimização multiobjetivo, devido a sua capacidade de lidar com funções genéricas avaliando, a cada execução, um conjunto de estimativas de soluções para o problema em questão (Coello, 1999;Fonseca and Fleming, 1995). Um importante representante da classe dos algoritmos evolucionárioś e o Algoritmo Genético (AG) (Back, 1996). Os AGs são caracterizados pela existência de pelo menos três operadores genéticos: um operador de cruzamento que combina a informação contida em dois ou m...