Trabalho de otimização

Trabalho
De Otimização

Curso: Engenharia Mecânica Noturno/ Otimização de Sistemas em Engenharia
Prof: Sérgio

GriewangkMonte Carlo

Na função Griewangk com cinco variáveis no algoritmo de Montecarlo a chance de se achar um ótimo local é muito grande, pois essa função tem inúmeros ótimos locais, e apenas um ótimo global. Então se colocarmos um raio de busca muito pequeno o ponto ficará preso dentro desses ótimos locais ou ficará passando de ótimo local para ótimo local e ficará difícil de chegar no ótimo global. Se colocarmos um raio muito grande ficará muito difícil de chegar no ótimo global, pois ele ficará alternando dentro dos ótimos locais. Se colocarmos o raio pequeno demais o tempo computacional para encontrar um ponto bom será muito grande, e se utilizarmos um raio muito grande o tempo será pequeno, mas em contrapartida o ponto será mais longe do ótimo. Em relação ao critério de parada se aumentarmos o maxcontador estaremos dando mais chances ao algoritmo de encontrar o ótimo global, mas o tempo de computação irá aumentar.

Griewangk _ Monte Carlo_ 5 variáveis _Raio de busca= 20 _ Maxcontador= 100 0.068218 | -0.030838 | 0.13432 | -0.078452 | 0.08239 | 0.0070094 | Tempo pequeno |
Caiu em ótimo local, apenas a terceira variável ficou longe do ótimo
Griewangk _ Monte Carlo_ 5 variáveis _Raio de busca= 20 _ Maxcontador= 1000 -0.0076179 | 0.0034581 | 0.057711 | 0.0014612 | -0.075248 | 0.0011554 | Tempo pequeno |
Aparentemente caiu em ótimo global por estar muito próximo do zero, ficou mais otimizado que a alternativa com Maxcontador menor.
Griewangk _ Monte Carlo_ 5 variáveis _Raio de busca= 200 _ Maxcontador= 100 -0.0068103 | -0.01316 | 0.0021121 | 0.0086487 | 0.0048314 | 7.8992e-005 | Tempo pequeno |
Aparentemente caiu em ótimo global por estar muito próximo do zero, ficou mais otimizado que a alternativa com raio de busca menor.
Griewangk _ Monte Carlo_ 5 variáveis _Raio de busca=