Upload
hathuan
View
219
Download
0
Embed Size (px)
Citation preview
APLICAÇÃO DO ALGORITMO DE COLÔNIA DE VAGALUMES COM APRENDIZADO BASEADO NA OPOSIÇÃO EM UM PROBLEMA INVERSO DE TRANSFERÊNCIA RADIATIVA
Rubens L. Cirino Instituto de Matemática e Estatística – Dept. IV Universidade do Estado do Rio de Janeiro – UERJ
Fabio Azevedo Carvalho Instituto Politécnico – IPRJ – Nova Friburgo Universidade do Estado do Rio de Janeiro - UERJ
Luiz Biondi Neto Instituto Politécnico – IPRJ – Nova Friburgo
Universidade do Estado do Rio de Janeiro - UERJ
Palavras-chave: Problemas Inversos, Transferência Radiativa, Algoritmo de Colônia de Vagalumes, Aprendizagem Baseada na Oposição
Resumo: A busca por soluções de problemas de otimização surge em diferentes contextos com
aplicações práticas, como na engenharia, onde o desenho de produtos, layout de produção e
logística tem um importante papel . Outrossim, a minimização de uma função objetivo quando
aplicada, implicitamente, como solução de problemas inversos, pode ser realizada através do
somatório dos resíduos entre as medidas experimentais e as grandezas calculadas em função
dos parâmetros sendo estimados. Neste trabalho, a motivação surgiu via um problema inverso
em transferência radiativa, onde utilizamos a heurística conhecida como algoritmo de colônia
de vagalumes (Firefly Algorithm – FA) na minimização da função objetivo para solução do
problema inverso de estimativa simultânea da espessura óptica e do albedo com variação
espacial, formulado como um problema de estimativa de parâmetros. Os resultados são
criticamente comparados a uma forma derivada do mesmo algoritmo onde foi implementada a
técnica conhecida por Aprendizagem Baseada na Oposição (Oppostion Based Learning –
OBL). Os resultados obtidos pelos algoritmos são criticamente analisados primeiramente na
função teste de Rosenbrock e posteriormente na solução do problema inverso em transferência
radiativa.
Introdução
A formulação dos problemas inversos, normalmente, se dá através da definição de uma
função objetivo a ser minimizada. Nela são utilizados os valores experimentais e os calculados
computacionalmente a partir de um modelo teórico, o problema direto. Neste cenário, o
principal desafio passa a ser o de encontrar o mínimo global da função objetivo definida, que
geralmente contém inúmeros mínimos locais, o que pode levar métodos determinísticos de
otimização a não encontrarem o mínimo global caso não seja escolhida uma estimativa inicial
adequada. Portanto, heurísticas de busca, geralmente inspiradas em comportamentos observados
na natureza, oferecem uma boa alternativa, uma vez que geralmente possuem mecanismos para
se evitar a estagnação em mínimos locais [2].
O estudo de problemas inversos aplicados à transferência radiativa tem sido objeto de
intensa pesquisa objetivando atender a diversas aplicações que vão desde a medicina até a
indústria, onde geralmente se busca a realização de testes não invasivos/destrutivos.
O presente trabalho visa a investigação do mecanismo de aprendizagem baseada na
oposição (OBL) [3] incorporado ao algoritmo de colônia de vagalumes (FA), resultando em
uma variação, a qual denominamos FA-OBL. Primeiramente, as implementações dos dois
algoritmos, FA e FA-OBL, são testadas em diversas execuções distintas na otimização da
Diego C. Knupp Agência Nacional de Transportes Terrestres – ANTT
Antônio J. Silva Neto Instituto Politécnico – IPRJ – Nova Friburgo Universidade do Estado do Rio de Janeiro -
UERJ
601
ISSN 2317-3297
função teste de Rosenbrock. Posteriormente o problema inverso em transferência radiativa é
tratado e comparações são realizadas quanto ao desempenho dos dois algoritmos.
Formulação Matemática e Solução do Problema Direto
Considera-se um meio unidimensional, cinza, heterogêneo, com espalhamento
isotrópico de espessura óptica τ0 , com superfícies de contorno transparentes. Os contornos em
τ = 0 e τ = τ0 estão sujeitos a fontes externas de radiação isotrópica com intensidades A1 e A2,
respectivamente. O modelo matemático utilizado para a interação da radiação com o meio
participante é dado pela equação de Boltzmann [4], que para o caso de simetria azimutal e
albedo com dependência espacial é apresentada na forma adimensional como:
μ ∂I(τ,μ)∂τ �I(τ,μ)ω(τ)2 I(τ,μ)dμ;em0<τ<τ0,para-1≤μ<11
-1 (1a)
�(0, �) ��, � > 0, �(� , �) �!, � < 0 (1b,c)
O albedo de espalhamento ( )ω τ será representado como a seguinte expansão:
ω(τ) = ∑ #$�$%$& (2)
onde τ é a variável óptica. A solução do problema direto dá-se através do método das ordenadas
discretas de Chandrasekhar.
Formulação Matemática e Solução do Problema Inverso
Vamos considerar que a espessura óptica do meio, τ0 , e o albedo com dependência
espacial, ω(τ), sendo representados na forma dada pela Eq. (1), são desconhecidos. Temos as estimativas para τ0 e os coeficientes D(, k = 0,1,2,..., K. Portanto, o vetor de incógnitas é dado por:
Z))*=(τ0 , D0,D1,…,DK) (3) Considere que os dados experimentais adquiridos em ambos os contornos, externamente
ao meio, em diferentes ângulos polares, podem ser obtidos. Assim, temos a disposição Yi, i = 1,
2, 3,..., Nd, onde Nd é o número total de dados experimentais. Este problema inverso pode,
então, ser formulado como um problema de otimização, onde buscamos minimizar a função
objetivo dada pelo somatório dos quadrados dos resíduos:
+,-*. ∑ /�0,-*. −203! 4)*54)*67$&� (4) No presente trabalho, dados experimentais reais não estão disponíveis e as intensidades
experimentais, Yi, são simuladas, calculando-se os valores com a solução do problema usando
os valores exatos dos parâmetros que desejamos estimar no problema inverso, aos quais são
adicionados ruídos aleatórios de uma distribuição normal e média zero.
Algoritmo de Colônia de Vagalumes (Firefly Algorithm - FA)
O algoritmo do Firefly Algorithm (FA) [5], possui duas características que devem ser
destacadas: a variação da intensidade da luz percebida pelo vagalume; e a formulação da
atratividade entre os vagalumes. A intensidade de emissão de luz por parte de um vagalume é
proporcional à função objetivo, porém a intensidade de luz percebida por um vagalume decai
em função da distância entre os vagalumes. Logo, a intensidade percebida por um vagalume é
dada por: J(r)=J0e-γr2, em que 9 é a intensidade da luz emitida; r é a distância Euclidiana entre os vagalumes i e j, sendo i o vagalume mais brilhante e j o vagalume menos brilhante; γ
é o
parâmetro de absorção da luz pelo meio. Desta maneira o fator de atratividade pode ser
formulado como:
β=β0e-γr
2 (6)
602
ISSN 2317-3297
onde β é a atratividade para uma distância r = 0, e pode ser fixado em β 1. Assim, a movimentação em um dado passo de tempo t de um vagalume i em direção a um melhor
vagalume j é definida como:
xit=xi
t-1+β,xjt-1-xit-1.+α ;rand-1
2< (7)
onde o segundo termo do lado direito da equação insere o fator de atratividade enquanto o
terceiro termo, regulado pelo parâmetro α, insere aleatoriedade no caminho percorrido pelo vagalume; rand é um número aleatório de uma distribuição uniforme entre 0 e 1.
Aprendizagem Baseada na Oposição (Opposition Based Learning - OBL)
A presente técnica foi, originalmente, proposta por Tizhoosh [3]. Em seu artigo, ele
apresenta a idéia de criação de um novo indivíduo localizado na posição oposta, dentro do
espaço de busca que será trabalhado. Segundo o autor, é mais eficiente se escolher um novo
indivíduo a partir de um já pré-existente que escolhê-lo por um processo aleatório. Desta forma,
a partir de um elemento x cujo intervalo de busca é [@�, A�] o procedimento de escolha de um novo indivíduo, deverá seguir a seguinte expressão xoa1�b1-x. O oposto xo sempre é calculado a partir do x que é gerado. Baseando-se na proximidade do elemento e do seu oposto, o intervalo de busca pode ser reduzido recursivamente até que a estimativa ou o seu
oposto fique bem perto da solução.
Resultados e Discussão A implementação do FA-OBL foi testada inicialmente com a minimização da função
teste de Rosenbrock. Foi realizado um total de 40 execuções para cada algoritmo, o FA
canônico e o FA-OBL. Para cada um dos algoritmos foi utilizado o mesmo conjunto de 40
sementes distintas na geração dos números aleatórios. Das 40 execuções, o FA-OBL alcançou
valores mais baixos para a função objetivo em 29, portanto mostrando superioridade ao FA
canônico para 72,5% das sementes.
Nos resultados apresentados, para o caso teste selecionado a seguir, foi utilizado um
nível de ruído na simulação dos dados experimentais resultando em erros de até 3,5%. O
problema selecionado para os testes possui espessura óptica unitária, isto é, 0
1τ = e o albedo
com variação espacial é dado por um polinômio de 2º grau. Consideramos ainda a iluminação
externa dada por 1
1A = e 2
0A = , nas Eqs. (1b,c). No procedimento de solução do problema
inverso, consideramos que a expansão dada pela Eq. (2) possui três termos, ou seja, K = 3.
Portanto, para o exemplo investigado, temos os seguintes valores exatos dos parâmetros a serem
estimados: τ0=1;D0=1;D1=-1,4;eD2=0,6. Na solução do problema de otimização,
consideramos os seguintes parâmetros tanto para o FA quanto para o FA-OBL: 40n= ,
50MaxGerações = , F = 0,2 e 1γ = . A escolha destes parâmetros foi baseada em [5].
Para cada método, a solução do problema de otimização foi executada por 10 vezes de
forma independente, considerando o mesmo conjunto de dados experimentais. Como os
métodos são estocásticos, esperamos uma solução distinta a cada execução e o objetivo de
várias execuções é medir a dispersão das soluções obtidas. Para a geração de números aleatórios
foi empregado um conjunto de 10 sementes distintas, que foi mantido para os dois métodos. A
Tabela 1, a seguir, apresenta o resumo das soluções, onde -*GHIJKL e -*M0KL se referem à melhor e à pior estimativa obtidas dentre as 10 execuções, respectivamente. Aqui, as melhores
estimativas são consideradas quando levam a um menor valor na avaliação da função objetivo.
Em nossos testes o FA canônico foi melhor que o FA-OBL em todas as sementes testadas.
A observação da tabela 1 mostra que o melhor resultado obtido pelo FA canônico foi
melhor que aquele do FA-OBL, apresentando um valor de função objetivo quase 10 vezes
menor, enquanto o pior resultado obtido pelo FA-OBL foi melhor que o FA canônico, mas com
pouca diferença entre os valores da função objetivo. Outra observação importante diz respeito à
variância das estimativas obtidas para os parâmetros, que foi menor para todos os parâmetros
nos resultados obtidos com o FA. A figura 1 apresenta as curvas ω�τ�, estimadas na melhor das
603
ISSN 2317-3297
10 execuções utilizando-se o FA e o FA-OBL, em comparação com a curva exata. Neste
resultado também fica clara a maior concordância da estimativa obtida com o FA com a curva
exata. Eq. (4)
1,00 1,00 -1,40 0,60
FA 1,02317 0,88135 -0,38685 -0,50700 0,001999
0,99414 1,01981 -1,48279 0,63791 0,000113
1,001854 0,954030 -0,926397 0,010177
0,014145 0,044756 0,350865 0,386111
FA-OBL 1,14705 0,78715 -0,52639 0,31644 0,017200
1,00131 0,97157 -1,29704 0,75827 0,001440
1,015443 0,978195 -1,102287 0,211929
0,067512 0,093785 0,404952 0,383275
zσ
0τ )(ZQr
zµ
zσ
piorZr
piorZr
melhorZr
melhorZr
exatoZr
Zµ
0D 1D 2D
Tabela 1: Resultados obtidos com o FA e o FA-OBL para dados experimentais simulados com ruído de
até 3,5%
Embora uma investigação estatística mais criteriosa seja necessária para garantir a
superioridade de um método em relação ao outro, há uma forte evidência da superioridade do
FA canônico em comparação com o FA-OBL quando aplicados ao problema de transferência
radiativa, o que é contraditório com os resultados observados na função teste de Rosenbrock.
Outras investigações deverão ser conduzidas para compreender estes resultados.
0,00
0,20
0,40
0,60
0,80
1,00
1,20
0,00 0,50 1,00 1,50
EXATO
FA
FA-OBL
Figura 1: Estimativas de ( )ω τ em comparação com a curva exata para um ruído de até 3,5%.
Referências
[1] Silva Neto, A. J., e Moura Neto, F. D., Problemas Inversos – Conceitos Fundamentos e
Aplicações, Ed. UERJ, 2005.
[2] Silva Neto, A. J., e Becceneri, J. C., Técnicas de Inteligência Computacional Inspiradas na
Natureza – Aplicação em Problemas Inversos em Transferência Radiativa – Notas em
Matemática Aplicada – SBMAC – Vol. 41, 2009.
[3] Tizhoosh, H. R., Opposition-Based Learning: A New Scheme for Machine Intelligence -
International Conference on Computational Intelligence for Modelling, Control and
Automation, and International Conference on Intelligent Agents, Web Technologies and
Internet Commerce, Vienna, Austria, pp.695-701, 2005.
[4] Y. A. Cengel, M. N. Ozisik, Radiative transfer in a plane-parallel médium with space –
dependent albedo, w(X ) - Int. J. Heat Mass Transfer Vol. 27, No 10, PP. 1919 – 1922,
1984.
[5] Yang, Xin-She, Nature-Inspired Metaheuristic Algorithms, Luniver Press, 2008.
604
ISSN 2317-3297