o DEPS consiste em dois algoritmos independentes. Evolução diferencial e optimização de partículas. Ambos são adequados para problemas numéricos, tais como otimização não linear, e são complementares um ao outro pois anulam mutuamente suas deficiências.
Configuração
|
Descrição
|
Taxa de alternância do agente
|
Especifica a probabilidade de um indivíduo de escolher a estratégia de evolução diferencial.
|
Assumir variáveis como não negativas
|
Marque para forçar as variáveis a serem somente positivas.
|
DE: Probabilidade de cruzamento
|
Define a probabilidade do indivíduo ser combinado com o ótimo global. Se o cruzamento não é usado, o ponto é juntado da própria memória do indivíduo.
|
DE: Fator de escala
|
Durante o cruzamento, o fator de escala decide sobre a "velocidade" do movimento.
|
Ciclos de aprendizagem
|
Define o número de iterações que o algoritmo deve tomar. Em cada iteração, todos os indivíduos ensaiam um valor para a solução ótima e compartilham seu conhecimento.
|
PS: Constante cognitiva
|
Define a importância da própria memória (em particular o melhor ponto alcançado até o momento)
|
PS: Coeficiente de constrição
|
Define a velocidade a qual as partículas ou indivíduos convergem entre si.
|
PS: Probabilidade de mutação
|
Define a probabilidade, que em vez de mover um componente da partícula em direção ao ótimo, escolhe aleatoriamente um novo valor dentro do intervalo válido da variável.
|
PS: Constante social
|
Define a importância do ótimo global entre todas as partículas ou indivíduos.
|
Mostrar detalhes do solver
|
Quando ativado, uma caixa de diálogo adicional aparece durante o processo de resolução dando informações sobre o progresso, o nível de estagnação, o ótimo encontrado até o momento e a possibilidade de parar ou continuar a resolução.
|
Tamanho da colônia
|
Define o número de indivíduos que participam do processo de aprendizagem. Cada indivíduo encontra suas próprias soluções e contribui para o conhecimento geral.
|
Limite de estagnação
|
Se este número de indivíduos encontrar soluções dentro de um intervalo fechado, a interação é interrompida e o melhor dos valores é então escolhido como ótimo.
|
Tolerância de estagnação
|
Define em que intervalo as soluções são consideradas "similares".
|
Utilizar comparador ACR
|
Quando desativado (padrão), utiliza o comparador BCH. Compara dois indivíduos ao examinar violações das suas restrições e somente quando são iguais, mede a solução do momento.
Quando ativado, utiliza o comparador ACR. Compara dois indivíduos dependentes na iteração atual e mede a qualidade com o conhecimento sobre a biblioteca das piores soluções conhecidas (em relação a suas violações das restrições).
|
Utilizar ponto inicial aleatório
|
Quando ativado, a biblioteca é preenchida com pontos aleatórios.
Se desativado, Os valores presentes (dados pelo usuário) são inseridos na biblioteca como ponto de referência.
|
Estimativas dos limites das variáveis
|
Quando ativado (padrão) o algoritmo tenta encontrar os limites da variável olhando nos pontos iniciais.
|
Piso dos limites das variáveis
|
Ao estimar os limites da variável, este limiar especifica como o valores iniciais são deslocados para construir os limites. Para exemplos de como estes valores são calculados, consulte a wiki.
|
A otimização social cognitiva considera o comportamento humano da aprendizagem e compartilhamento de informação. Cada indivíduo tem acesso a uma biblioteca comum com conhecimento compartilhado entre os indivíduos.
Configuração
|
Descrição
|
Assumir variáveis como não negativas
|
Marque para forçar as variáveis a serem somente positivas.
|
Ciclos de aprendizagem
|
Define o número de interações que o algoritmo deve tomar. A cada iteração, todos os indivíduos estimam a melhor solução e compartilham seu conhecimento.
|
Mostrar detalhes do solver
|
Quando ativado, uma caixa de diálogo adicional aparece durante o processo de resolução dando informações sobre o progresso, o nível de estagnação, o ótimo encontrado até o momento e a possibilidade de parar ou continuar a resolução.
|
Tamanho da biblioteca
|
Define a quantidade de informação a armazenar na biblioteca pública. Cada indivíduo armazena conhecimento ali e pede informações.
|
Tamanho da colônia
|
Define o número de indivíduos que participam do processo de aprendizagem. Cada indivíduo encontra suas próprias soluções e contribui para o conhecimento geral.
|
Limite de estagnação
|
Se este número de indivíduos encontrar soluções dentro de um intervalo fechado, a interação é interrompida e o melhor dos valores é então escolhido como ótimo.
|
Tolerância de estagnação
|
Define em que intervalo as soluções são consideradas "similares".
|
Utilizar comparador ACR
|
Quando desativado (padrão), utiliza o comparador BCH. Compara dois indivíduos ao examinar violações das suas restrições e somente quando são iguais, mede a solução do momento.
Quando ativado, utiliza o comparador ACR. Compara dois indivíduos dependentes na iteração atual e mede a qualidade com o conhecimento sobre a biblioteca das piores soluções conhecidas (em relação a suas violações das restrições).
|
Estimativas dos limites das variáveis
|
Quando ativado (padrão) o algoritmo tenta encontrar os limites da variável olhando nos pontos iniciais.
|
Piso dos limites das variáveis
|
Ao estimar os limites da variável, este limiar especifica como o valores iniciais são deslocados para construir os limites. Para exemplos de como estes valores são calculados, consulte a wiki.
|
Configuração
|
Descrição
|
Assumir variáveis como inteiros
|
Marque para forçar as variáveis a assumirem somente valores inteiros.
|
Assumir variáveis como não negativas
|
Marque para forçar as variáveis a serem somente positivas.
|
Nível Epsilon
|
Valores válidos entre 0 (muito apertado) e 3 (muito folgado). Epsilon é a tolerância para arredondar valores a zero.
|
Limitar profundidade do branch-and-bound
|
Especifica a profundidade máxima do branch-and-bound. Um valor positivo significa que a profundidade é absoluta. Um valor negativo significa que o limite da profundidade é relativo.
|
Limite de tempo da resolução
|
Define o tempo máximo para o algoritmo convergir para uma solução.
|