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