Análise de Observabilidade e Processamento de Erros Grosseiros ...

Análise de Observabilidade e Processamento de Erros Grosseiros ... Análise de Observabilidade e Processamento de Erros Grosseiros ...

sel.eesc.usp.br
from sel.eesc.usp.br More from this publisher
18.01.2015 Views

150 Busca Tabu para Identificação de Erros Conformativos problema de identificação de erros conformativos. Vizinhança - Definição Considere o seguinte problema de otimização: Min s.a f(x) x ∈ X (5.7) x corresponde a uma configuração, f(x) a função objetivo e X o espaço de busca. Dada uma configuração, define-se uma vizinhança de x como sendo todas as configurações x ′ ∈ N(x) que podem ser obtidas através de um mecanismo de transição a partir de x. N(x) PSfrag replacements x x ′ X Figura 5.5: Transição na Busca Tabu Um algoritmo de busca local, baseado na configuração corrente, verifica a opção que apresenta o maior decréscimo na função objetivo e realiza a transição. A aplicação repetida dessa estratégia, também denominada como “míope”, permite buscar apenas soluções que proporcionem melhorias imediatas e o processo estagna rapidamente em pontos ótimos locais (Fig. (5.6)). Por exemplo, em problemas cuja convexidade da função não é garantida, métodos baseados na direção do gradiente falham na obtenção do ótimo global. Duas características presentes na BT que diferem da busca local e que são fundamentais para o sucesso do algoritmo são:

5.3 Busca Tabu para identificação de erros conformativos 151 Busca local Busca Tabu x Minimo Local Minimo Global rag replacements Figura 5.6: Trajetórias da busca local e da Busca Tabu

150 Busca Tabu para I<strong>de</strong>ntificação <strong>de</strong> <strong>Erros</strong> Conformativos<br />

problema <strong>de</strong> i<strong>de</strong>ntificação <strong>de</strong> erros conformativos.<br />

Vizinhança - Definição<br />

Consi<strong>de</strong>re o seguinte problema <strong>de</strong> otimização:<br />

Min<br />

s.a<br />

f(x)<br />

x ∈ X<br />

(5.7)<br />

x correspon<strong>de</strong> a uma configuração, f(x) a função objetivo e X o espaço <strong>de</strong> busca. Dada uma<br />

configuração, <strong>de</strong>fine-se uma vizinhança <strong>de</strong> x como sendo todas as configurações x ′ ∈ N(x) que<br />

po<strong>de</strong>m ser obtidas através <strong>de</strong> um mecanismo <strong>de</strong> transição a partir <strong>de</strong> x.<br />

N(x)<br />

PSfrag replacements<br />

x<br />

x ′<br />

X<br />

Figura 5.5: Transição na Busca Tabu<br />

Um algoritmo <strong>de</strong> busca local, baseado na configuração corrente, verifica a opção que apresenta<br />

o maior <strong>de</strong>créscimo na função objetivo e realiza a transição. A aplicação repetida <strong>de</strong>ssa<br />

estratégia, também <strong>de</strong>nominada como “míope”, permite buscar apenas soluções que proporcionem<br />

melhorias imediatas e o processo estagna rapidamente em pontos ótimos locais (Fig. (5.6)).<br />

Por exemplo, em problemas cuja convexida<strong>de</strong> da função não é garantida, métodos baseados na<br />

direção do gradiente falham na obtenção do ótimo global.<br />

Duas características presentes na BT que diferem da busca local e que são fundamentais<br />

para o sucesso do algoritmo são:

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!