Comparativo de Algoritmos Evolutivos em Funções Benchmark

Este repositório contém implementações e experimentos de quatro algoritmos de otimização por meta-heurísticas:

• Algoritmo Genético (AG)
• Evolução Diferencial (DE)
• Otimização por Enxame de Partículas (PSO)
• C-DEEPSO (Canonical DEEPSO)

As comparações foram feitas com base em funções de benchmark conhecidas em diferentes dimensões.

📓 Notebook

O notebook trabalho_final.ipynb contém todo o fluxo reprodutível, incluindo:

• Implementação dos algoritmos
• Definição das funções de benchmark
• Ajuste de hiperparâmetros com Optuna
• Execução dos experimentos
• Análises estatísticas (Friedman, Nemenyi)
• Geração de gráficos: boxplots, curvas de convergência, heatmaps

📌 Objetivo

Avaliar o desempenho relativo dos algoritmos em termos de:

• Qualidade da solução
• Velocidade de convergência
• Robustez e estabilidade
• Diferença estatística significativa

⚙️ Metodologia

• Funções benchmark: Rosenbrock (unimodal) e Rastrigin (multimodal)
• Dimensões testadas: 10, 30, 50
• 30 execuções independentes por cenário
• População de 100 indivíduos
• Parâmetros otimizados com Optuna
• Avaliação com testes estatísticos: Friedman e Nemenyi

📊 Principais Resultados

• DE teve o melhor desempenho médio geral.
• C-DEEPSO apresentou melhor estabilidade e desempenho em alta dimensão.
• PSO foi competitivo apenas em baixa dimensão.
• AG teve o pior desempenho em cenários multimodais.

📂 Estrutura

.
├── trabalho_final.ipynb       # Notebook completo e reprodutível
├── trabalho_final.pdf         # Artigo em PDF com descrição dos métodos e resultados
└── README.md

🧰 Requisitos

• Python 3.8+
• numpy, scipy, matplotlib, seaborn
• pandas, optuna, scikit-learn

📜 Referências

• Virtual Library of Simulation Experiments
• Artigos sobre algoritmos evolutivos, Optuna, e testes estatísticos (ver PDF)

Autor: Daniel Arruda Ponte
Data: Julho de 2025