Capítulo 1. Introdução
14
área de computação evolutiva. Estes algoritmos se baseiam em idéias inspiradas na
física quântica, em particular no conceito de superposição de estados, apresentando
melhor desempenho em diversos tipos de aplicações. Mais especificamente, o
algoritmo evolutivo com inspiração quântica usando representação binária (AEIQ–
B) (Han02) foi usado com sucesso em problemas de otimização combinatorial,
apresentando resultados superiores em relação aos algoritmos genéticos conven-
cionais em termos de tempo de convergência (e, conseqüentemente, em termos
do número de avaliações necessárias para se atingir bons resultados). O algoritmo
genético com inspiração quântica para otimização do problema do caixeiro-viajante
(Narayanan96) também apresenta bons resultados quando comparado com os
algoritmos evolutivos convencionais.
No entanto, nenhum dos algoritmos evolutivos com inspiração quântica pre-
encheram uma lacuna importante: a otimização de problemas numéricos. Apesar do
AEIQ–B poder ser utilizado para otimização neste tipo de problemas e apresentar
alguns resultados satisfatórios (Han04), em geral, o uso de genes com codificação
real, aliado a operadores específicos para esse tipo de codificação, produz resulta-
dos superiores, mais consistentes de experimento para experimento e com maior
precisão numérica (especialmente em domínios grandes, onde a codificação binária
requer uma representação proibitivamente longa) (Michalewicz94).
Um exemplo de problema onde os algoritmos evolutivos tradicionais não
apresentam bom desempenho é na otimização de pesos para redes neurais. Por ne-
cessitarem realizar, em muitos casos, um número elevado de avaliações da fun-
ção objetivo, os algoritmos genéticos tradicionais têm, em geral, um desempe-
nho inferior aos algoritmos de aprendizado tradicionais usados em redes neurais
(Yao99a, Ilonen03). Além disso, na área de redes neurais, normalmente necessita-
se fazer diversas seqüências de aprendizado, devido ao fato de que a topologia ideal
da rede neural não é, geralmente, conhecida à priori (Haykin99).
Um outro ponto importante é que, com exceção dos algoritmos culturais
(Reynolds94, Reynolds04), os algoritmos evolutivos não mantêm, normalmente,
conhecimento normativo sobre o espaço de busca de forma não-pontual. Em outras
palavras, os algoritmos evolutivos não armazenam informações sobre as regiões
mais promissoras do espaço de busca, a não ser através dos próprios indivíduos que
formam a população em uma determinada geração. Esta informação armazenada
nos próprios indivíduos é pontual e não pode ser compartilhada diretamente entre
os indivíduos.Ao contrário, nos algoritmos culturais, esta informação é guardada no
espaço de crenças e é diretamente compartilhada entre os indivíduos. Além disso,
a informação não é pontual, mas representada por intervalos dentro do espaço de
buscas que, ao longo do processo evolutivo, irá indicar as regiões mais promissoras
do espaço de buscas. Este tipo de informação pode, como no caso dos algoritmos