USO DE REDES NEURAIS ARTIFICIAIS COMO METAMODELO NA OTIMIZAÇÃO POR ALGORITMO PSO

Este e-book, traz uma análise de ferramentas de otimização e custo

computacional através de um estudo de caso proposto por Grubisic

(2012), que trata da otimização do posicionamento de antenas em

sistemas de comunicação sem fio para ambientes interiores (indoor) por

meio de meta-heurísticas populacionais associadas à Técnica de Traçado

de Raios, em que algoritmos Genéticos (GA) e Otimizadores por

Enxames de Partículas (PSO) foram as duas modalidades de metaheurísticas

utilizadas como ferramentas de otimização. A proposta deste

trabalho baseou-se na utilização da técnica de traçado de raios quase 3D

(RTQ3D) para produzir o valor dos campos eletromagnéticos iniciais e

calcular a função de mérito (fitness) para 160 receptores de acordo com

os possíveis posicionamentos de duas antenas a serem distribuídas no

ambiente em questão. As variáveis do problema são compostas pelos

valores dos campos magnéticos para os 160 receptores em função das

posições das antenas das estações radiobase, que servem como dados de

entrada para o algoritmo da Rede Neural Artificial, Perceptron

multicamadas, com algoritmo de aprendizado backpropagation Real. Os

valores dos campos magnéticos associados às posições das antenas por

sua vez entram como valores a serem aprendidos pela rede, ou seja, o

professor da RMLP. Após o aprendizado da Rede Neural Artificial, que

é o metamodelo utilizado com o objetivo de realizar eficientemente os

cálculos do otimizador, entra o otimizador por enxame de partículas

(PSO) para efetuar o posicionamento ótimo das antenas com uma redução

significativa no custo computacional.