MODELAGEM DE FUNÇÃO SCORE PARA MEDIDA DE QUALIDADE EM ALGORITMOS DE INTELIGÊNCIA ARTIFICIAL

Read full text Summarise with VIRAT
Authors: HEICTOR A. DE O. COSTA, Dênis Carlos Lima Costa, MARCELLY A. DIAS, Felipe F. Nascimento, DANIEL S. QUADROS, LUAN G. A. FURTADO, Silvio T. T. da Silva
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Este artigo apresenta uma nova metodologia projetada para avaliar e comparar o desempenho de Algoritmos Genéticos(AGs) em tarefas de otimização, abordando a necessidade crítica de mecanismos robustos de garantia de qualidade dentrodos sistemas de Inteligência Artificial (IA). Reconhecendo que confiar apenas na qualidade da solução final éinsuficiente, a abordagem proposta incorpora a eficiência computacional e a diversidade da solução na avaliação. Isso éalcançado por meio de uma função de score abrangente que combina três componentes principais: a melhoria no fitnessao longo das gerações, quantificada pela mudança percentual normalizada; o custo computacional, penalizado porperíodos prolongados de estagnação ou "plateau"; e a diversidade de soluções, medida usando a análise da frequênciados alelos. A lógica que embasa essa abordagem, multifacetada, reside na observação de que os AGs, fortementedependentes da seleção de parâmetros (por exemplo, taxas de crossover e mutação), muitas vezes sofrem com a falta deotimização sistemática no ajuste de parâmetros, levando a um desempenho abaixo do aceitável. A função de scorepermite uma comparação mais diferenciada de diferentes configurações de AG, como demonstrado por meio deexperimentos em que várias combinações de parâmetros são avaliadas. Os resultados indicam a capacidade dametodologia de discernir configurações que alcançam um equilíbrio entre a qualidade da solução, a eficiênciacomputacional e a diversidade da população, destacando sua vantagem sobre os métodos que consideram apenas asolução final. Notavelmente, análises comparativas da convergência do fitness e da diversidade alélica ressaltam aindaa importância de manter a diversidade adequada para facilitar a exploração eficaz do espaço de solução e evitar aconvergência prematura, o que pode prejudicar a capacidade do AG de localizar soluções ótimas ou quase ótimas. Estapesquisa contribui com uma ferramenta valiosa para os profissionais que utilizam o AG, promovendo o projeto e aimplementação de estratégias de otimização mais eficazes e eficientes.

Fields of Study & Subjects

Metaheuristic Optimization Algorithms Research Evolutionary Algorithms and Applications Advanced Multi-Objective Optimization Algorithms

Publication details

Journal / source
Zenodo (CERN European Organization for Nuclear Research)
Publication date
26 March 2026
Language
PT