Otimizao por Enxame de Partculas - PSO

Primeira Lista de Exerccios - Sistemas Bio-Inspirados para Engenharia

Mileny Ximenes Oliveia
Programa de Ps-Graduao em Engenharia de Sistemas Eletrnicos e de Automao
Departamento de Engenharia Eltrica/ Universidade de Braslia
Braslia
E-mail: milenyximenes@outlook.com

Resumo Este documento se prope a apresentar o mtodo

de otimizao por enxame de partculas, analisar a resposta do
sistema a medida que se alteram alguns parmetros, como o
tamanho do enxame, as dimenses do problema e a funo custo,
que relacionada diretamente com a aptido das partculas em
busca de uma soluo tima.
Palavras chave Otimizao por enxame de partculas, funo
custo, algoritmo.

A Figura 1 destaca um fluxograma do algoritmo de

otimizao PSO. O mesmo comea com a formao das
partculas que iro conceber o enxame, determinando suas
posies e velocidades iniciais. Em seguida so feitas as
atualizaes destes vetores at que o nmero mximo de
interaes seja obtido ou uma partcula tenha adquirido a
aptido desejada no programa[4].

I. INTRODUO
Os sistemas bio-inspirados tem surgido com um conjunto
de modelos baseados no comportamento e na forma de atuar de
certos sistemas biolgicos, com a finalidade de solucionar
problemas nas mais diversas reas: energia, transporte, entre
outras. Portanto um algoritmo bio-inspirado aquele que
soluciona problemas computacionais baseados na biologia,
cincia da vida [1] Dentre estes modelos, os algoritmos
evolutivos, em especial os baseados em populao, tm tido
grande sucesso em solucionar problemas de otimizao de
mltiplas solues [2] .
Um dos mtodos utilizados, e que ser trabalhado neste
documento, o de Otimizao por Enxame de Partculas
(PSO,particle swarm optimization). Consiste em um algoritmo
de otimizao heurstica inspirado no comportamento em
grupo de animais, como peixes e pssaros. Se destina a
otimizar uma funo objeto por meio da troca de informaes
entre partculas de um grupo, resultando em um algoritmo
eficiente, robusto e de simples implementao computacional
[3].
No PSO as partculas so representadas por vetores que
definem a velocidade e a localizao atual de cada partcula, e
estas informaes so atualizadas segundo sua velocidade
atual, seu aprendizado pessoal e o aprendizado adquirido pelo
bando [4].
O processo de busca e otimizao possui alguns
componentes, so eles:

Espao amostral de busca - onde so consideradas

todas as possveis solues de um problema;

Funo custo ou funo objetivo - funciona como

parmetro de avaliao de desempenho de uma
partcula dentro de um espao de busca.

Figura 1. Fluxograma do algoritmo de otimizao PSO.

Este trabalho se destina a apresentar o desempenho do
modelo de otimizao PSO utilizando para tanto diferentes
funes custo, dimenses e tamanhos de enxame. O documento
se subdivide entre as sees de Fundamentao Terica, onde
apresentado
o
desenvolvimento
matemtico
para
implementao do software de otimizao; A seo de
Resultados apresenta os diferentes resultados para as distintas
funes custo utilizadas; Na seo Concluses e Discusses
feita uma anlise comparativa dos resultados; por fim, so
apresentadas as referncias utilizadas para este estudo.

II. FUNDAMENTAO TERICA

()

Seja S, o tamanho do enxame; N, a dimenso dada ao

problema; t, o instante atual; e a particula i, localizada na
posio xi(t) no espao de solues a uma velocidade vi(t), que
indica direo e magnitude do deslocamento da partcula. Cada
partcula apresenta uma lembrana yi(t), referente a melhor
posio individual visitada e o enxame possui uma memria
ys(t), referente a melhor posio que uma das partculas obteve.
No decorrer do algoritmo as partculas alteram suas
velocidades em funo das melhores posies individual e
coletiva e por uma componente que fornece caractersticas da
velocidade anterior da partcula, servindo como um termo de
momentum. Sendo a equao que descreve tais movimentaes
dada por:

(
(

))

(Ackley)

(8)

III. RESULTADOS
As Tabelas de 1 a 6 representam a otimizao por enxame
de partculas com a utilizao das funes custo Esfrica,
Quadric, Rastrigin, Rosenbrock, Schwefel e Ackley,
respectivamente. Utilizando o software MatLab, foram
considerados os seguintes parmetros para a simulao.

Nmero mximo de interaes = 1000;

c1 = c2 = 2,1;

(1)

w decresce linearmente na faixa de valores [0.9 a

0.1];

Onde r1 e r2 so valores aleatrios entre 0 e 1, que

permitem uma busca natural durante o processo de otimizao.
J c1 e c2 so valores constantes, geralmente iguais, referentes a
acelerao e responsveis por controlar a distncia que uma
partcula percorre em uma interao. J w est associado ao
peso de inrcia (momentum) que multiplica a velocidade no
instante anterior a t, e tem influncia no modo em que ocorre a
explorao, inicialmente de forma mais ampla e a medida que
se aumentam as interaes as buscas vo se convergindo [5].

[xmin , xmax ] = [-8.0, 8.0], exceto para Schwefel: [500, 500] e Ackley = [-32, 32];

[vmin , vmax ] = [-6.0, 6.0], exceto para Schwefel: [300, 300] e Ackley = [-24, 24];

vinicial = vmax /10;

Threshold = 0.01, exceto para Rosenbrok: 0.1;

Para cada valor de N e S estabelecidos foram

realizados 33 experimentos.

( )

( ( )

( ))

( ( )

( ))

Aps a atualizao da velocidade da partcula, sua nova

posio segue a equao:

( )

(2)

Alm disso cada partcula apresenta uma aptido,

mensurada a partir da funo objetivo, ou custo. E ou melhora
sua aptido a cada interao ou mantm um melhor valor
obtido em interaes anteriores. Para este trabalho sero
utilizadas diferentes funes custo (fx(i)), so elas:

()

()

()

()

()

))

) (

(3)

) (

(4)

(5)

(6)

( | |) (Schwefel) (7)

Sendo o threshold utilizado apenas como base para definir

o nmero de acertos das funes escolhidas e no como um dos
critrios de parada.

TABLE I.

FUNO CUSTO ESFRICA

Mdia

Mediana

Mnimo

Desvio
Padro

N=2

4,46E-97

2,68E-111

4,39E-121

2,56E-96

33

N=4

2,73E-56

8,50E-66

1,16E-74

1,41E-55

33

N=6

8,85E-31

9,28E-40

4,43E-46

4,70E-30

33

N=8

9,60E-21

1,11E-27

9,57E-34

4,11E-20

33

N = 10

2,35E-15

2,72E-19

2,22E-24

9,39E-15

33

S = 10 N = 12

7,29E-12

2,87E-15

5,27E-18

3,03E-11

33

N = 14

1,64E-09

1,09E-11

4,05E-15

6,51E-09

33

N = 16

2,31E-08

4,58E-10

2,13E-12

7,92E-08

33

N = 18

1,48E-06

2,97E-08

5,50E-10

5,21E-06

33

N = 20

2,24E-05

5,81E-07

4,23E-09

9,85E-05

33

N = 22

2,84E-05

4,66E-06

1,98E-07

8,89E-05

33

N=2

1,76E-119

5,84E-125

1,53E-133 7,33E-119

33

N=4

5,03E-81

1,12E-84

5,01E-90

1,41E-80

33

S = 20 N = 6

7,98E-53

7,98E-57

2,02E-61

3,43E-52

33

N=8

9,25E-39

2,32E-41

1,13E-44

4,15E-38

33

N = 10

4,02E-28

5,96E-32

2,05E-35

1,45E-27

33

Goals

N = 12

1,30E-22

1,67E-24

6,92E-27

3,38E-22

33

N= 2

1,68E-102

2,91E-110

1,53E-117

9,63E-102

33

N = 14

4,68E-18

5,02E-20

4,72E-23

1,75E-17

33

N= 4

1,13E-48

3,84E-51

2,91E-55

3,87E-48

33

N = 16

5,26E-15

3,02E-16

2,77E-19

1,24E-14

33

N= 6

5,30E-22

1,91E-25

3,91E-29

2,46E-21

33

N = 18

3,26E-12

2,04E-13

1,98E-15

9,71E-12

33

N= 8

2,95E-12

4,27E-13

4,08E-16

8,97E-12

33

N = 20

2,58E-10

2,25E-11

2,71E-13

6,65E-10

33

N= 10

1,92E-07

7,46E-08

1,33E-09

3,22E-07

33

N = 22

1,31E-08

1,02E-09

1,71E-11

2,86E-08

33

S = 25 N= 12

3,17E-04

9,31E-05

1,89E-06

6,12E-04

33

N=2

1,65E-124

2,82E-128

1,21E-140 6,40E-124

33

N= 14

6,88E-03

5,21E-03

6,93E-04

8,40E-03

27

N=4

2,46E-84

3,79E-87

1,59E-91

7,43E-84

33

N= 16

6,26E-02

4,70E-02

6,55E-03

4,98E-02

N=6

1,67E-57

5,12E-62

3,22E-69

9,42E-57

33

N= 18

N=8

4,23E-01

2,84E-01

1,77E-02

3,17E-01

1,77E-42

7,11E-45

2,05E-49

6,44E-42

33

N= 20

N = 10

1,33E+00

1,01E+00

3,59E-01

8,58E-01

1,15E-32

1,37E-34

1,10E-37

2,97E-32

33

N= 22

S = 25 N = 12

3,43E+00

2,98E+00

7,14E-01

2,20E+00

1,41E-25

3,58E-27

9,03E-29

7,11E-25

33

N = 14

1,91E-19

5,74E-21

3,90E-24

7,35E-19

33

N = 16

9,46E-17

1,61E-17

5,88E-19

1,59E-16

33

N = 18

1,66E-13

1,44E-14

3,33E-16

7,28E-13

33

N = 20

1,96E-12

4,96E-13

4,75E-15

2,80E-12

33

N=2

33

33

N=4

6,94E-01

3,15E-03

9,13E-01

17

N=6

2,17E+00

1,99E+00

1,48E+00

N=8

3,84E+00

3,00E+00

9,95E-01

2,01E+00

N= 10 8,20E+00

7,96E+00

3,01E+00

3,22E+00

S = 10 N= 12 1,06E+01

9,95E+00

4,97E+00

3,93E+00

N= 14 1,65E+01

1,69E+01

4,98E+00

5,11E+00

N= 16 1,87E+01

1,79E+01

5,97E+00

6,21E+00

N= 18 2,71E+01

2,56E+01 1,40E+001

8,51E+000

N= 20 2,98E+01

2,96E+01 1,38E+001 9,98Ee+000

N= 22 3,91E+01

3,74E+01 2,23E+001

1,38E+001

N = 22

TABLE III.

9,47E-10

TABLE II.
Mdia
N=2
N=4

3,53E-80
1,64E-26

7,80E-11

1,72E-13

2,45E-09

FUNO CUSTO QUADRIC

Mediana
8,45E-93
1,77E-33

Mnimo
3,00E-102
8,94E-42

Desvio
Padro
2,03E-79
7,06E-26

Goals
33
33

N=6

5,56E-12

5,02E-16

6,79E-19

2,25E-11

33

N=8

3,86E-07

2,92E-08

3,25E-10

1,02E-06

33

N= 10

8,78E-05

6,04E-05

3,48E-06

9,88E-05

33

S = 10 N= 12
N= 14

6,86E-03
1,06E-01

5,15E-03
6,84E-02

2,54E-04
9,09E-03

5,67E-03
1,06E-01

28

4,20E-01

3,41E-01

5,77E-02

2,95E-01

N= 18

1,68E+00

1,67E+00

3,43E-01

9,77E-01

N= 20

3,61E+00

3,20E+00

9,61E-01

1,94E+00

N= 2

6,98E+00
2,62E-96

6,10E+00
3,48E-105

1,84E+00
5,61E-111

3,52E+00
1,50E-95

0
33

N= 4

6,20E-44

6,02E-49

7,45E-55

2,82E-43

33

N= 6

2,93E-20

5,79E-23

1,20E-27

1,62E-19

33

N= 8

3,03E-11

2,68E-12

9,56E-15

9,42E-11

33

N= 10

2,19E-06

4,85E-07

1,70E-08

8,18E-06

33

S = 20 N= 12
N= 14

8,97E-04
1,26E-02

3,61E-04
8,66E-03

5,53E-06
2,13E-03

1,25E-03
1,20E-02

33

1,62E-01

1,43E-01

1,20E-02

1,51E-01

N= 18

6,21E-01

4,81E-01

6,95E-02

5,82E-01

N= 20

1,59E+00

1,43E+00

3,36E-01

7,50E-01

N= 22

4,07E+00

3,51E+00

9,50E-01

2,50E+00

Desvio
Padro

Mnimo

Goals

33

N= 4

1,51E-01

3,62E-01

28

N= 6

1,03E+00

9,95E-01

8,79E-01

10

N= 8

2,69E+00

2,98E+00

1,39E+00

N= 10 5,13E+00

4,97E+00

9,95E-01

2,57E+00

S = 20 N= 12 7,98E+00

7,96E+00

1,99E+00

4,15E+00

N= 14 1,02E+01

9,95E+00

4,97E+00

3,68E+00

N= 16 1,49E+01

1,59E+01

5,97E+00

5,80E+00

N= 18 2,04E+01

1,99E+01

7,96E+00

5,52E+00

N= 20 2,38E+01

2,44E+01

1,24E+01

5,76E+00

N= 22 2,97E+01

2,84E+01

1,49E+01

8,49E+00

N= 2

33

N= 4

3,02E-02

1,73E-01

32

S = 25 N= 6

9,05E-01

9,95E-01

8,01E-01

12

N= 8

2,70E+00

2,98E+00

4,38E-07

1,58E+00

N= 10 4,37E+00

4,97E+00

1,91E+00

20

N= 16

Mediana

N= 2
1

N= 16

N= 22

Mdia

FUNO CUSTO RASTRIGIN

N= 12 8,54E+00

7,96E+00

3,98E+00

2,83E+00

N= 14 1,00E+01

9,95E+00

4,97E+00

3,47E+00

N= 16 1,30E+01

1,39E+01

2,99E+00

3,75E+00

N= 18 1,83E+01

1,79E+01

6,10E+00

5,74E+00

N= 20 2,15E+01

2,19E+01

9,95E+00

7,26E+00

N= 22 2,67E+01

2,49E+01

1,29E+01

7,55E+00

TABLE IV.
Mdia

N= 22

3,56E+01

TABLE V.

FUNO CUSTO ROSENBROCK

Mediana

Mnimo

Desvio
Padro

Goals

N= 2

-1,15E+03

-1,14E+03

-1,95E+03

3,64E+02

33

N= 4

-1,80E+03

-1,74E+03

-3,16E+03

4,45E+02

33

N= 6

-1,94E+03

-1,97E+03

-2,88E+03

5,22E+02

33

N= 8

-2,09E+03

-1,97E+03

-3,91E+03

6,57E+02

33

N= 10

-1,67E+03

-1,70E+03

-3,12E+03

7,29E+02

33

S = 10 N= 12

-2,31E+03

-2,45E+03

-3,91E+03

9,64E+02

33

N= 14

-1,84E+03

-1,74E+03

-3,57E+03

7,88E+02

33

N= 16

-1,84E+03

-2,07E+03

-5,07E+03

1,36E+03

31

N= 18

-1,83E+03

-1,56E+03

-5,33E+03

1,30E+03

32

N= 20

-1,59E+03

-1,52E+03

-4,66E+03

1,41E+03

29

N= 22

-1,27E+03

-1,09E+03

-3,89E+03

1,10E+03

29

N= 2

-1,52E+03

-1,34E+03

-2,27E+03

3,62E+02

33

N= 4

-2,07E+03

-2,11E+03

-2,74E+03

3,26E+02

33

N= 6

-2,59E+03

-2,61E+03

-3,57E+03

5,37E+02

33

N= 8

-2,76E+03

-2,78E+03

-4,32E+03

6,02E+02

33

N= 10

-2,78E+03

-2,72E+03

-4,13E+03

6,05E+02

33

S = 20 N= 12

-2,74E+03

-2,72E+03

-4,99E+03

7,65E+02

33

N= 14

-2,95E+03

-2,98E+03

-4,78E+03

7,87E+02

33

N= 16

-2,76E+03

-2,76E+03

-5,59E+03

9,51E+02

33

N= 18

-2,75E+03

-2,54E+03

-5,80E+03

1,30E+03

33

N= 20

-3,03E+03

-2,84E+03

-7,19E+03

1,36E+03

33

N= 22

-2,76E+03

-2,82E+03

-5,96E+03

1,37E+03

32

N= 2

-1,62E+03

-1,56E+03

-2,51E+03

3,30E+02

33

N= 4

-2,38E+03

-2,49E+03

-3,00E+03

3,67E+02

33

N= 6

-2,52E+03

-2,55E+03

-3,40E+03

5,01E+02

33

N= 8

-2,85E+03

-2,94E+03

-5,03E+03

7,46E+02

33

N= 10

-2,93E+03

-2,90E+03

-4,68E+03

7,10E+02

33

S = 25 N= 12

-3,02E+03

-3,10E+03

-4,40E+03

7,59E+02

33

N= 14

-3,15E+03

-3,08E+03

-5,19E+03

9,72E+02

33

N= 16

-2,88E+03

-2,88E+03

-4,13E+03

8,03E+02

33

N= 18

-3,29E+03

-3,16E+03

-6,42E+03

1,13E+03

33

N= 20

-3,22E+03

-3,16E+03

-7,19E+03

1,29E+03

33

N= 22

-2,68E+03

-2,55E+03

-5,05E+03

1,44E+03

32

4,6E-09

33

N=4

9,80E-02

1,88E-02

0,000104

3,24E-01

29

N=6

2,57E+00

5,55E-01

0,054587

5,06E+00

7,40E+00

3,34E+00

1,51E-01

9,35E+00

1,02E+01

7,80E+00

6,00E-01

8,73E+00

1,85E+01

1,67E+01

4,77E+00

1,08E+01

N= 14

1,75E+01

1,92E+01

1,39E+00

8,89E+00

N= 16

2,51E+01

2,27E+01

2,23E+00

1,37E+01

N= 18

3,40E+01

3,30E+01

12,45539

13,5733

3,95E+01

3,68E+01

8,62302

19,09481

3,72E+01

3,70E+01

10,77116

16,67181

N= 2

8,6E-15

9,51E-18

1,81E-25

4,65E-14

33

N= 4

7,11E-02

0,003379

2,86E-06

2,99E-01

30

N= 6

9,09E-01

1,50E-01

0,024156

3,09E+00

1,46E+00

6,94E-01

0,197726

2,07E+00

3,18E+00

2,00E+00

3,26E-01

3,12E+00

S = 20 N= 12

1,13E+01

1,08E+01

8,82E-01

8,31E+00

N= 14

1,64E+01

1,53E+01

9,11E-01

9,44E+00

N= 16

1,95E+01

1,56E+01

2,35E+00

1,23E+01

2,73E+01

2,60E+01

9,83E+00

1,40E+01

3,19E+01

3,07E+01

4,25E+00

1,63E+01

3,81E+01

3,82E+01

1,04E+01

1,32E+01

N= 2

8,6E-17

2,25E-19

8,65E-23

4,63E-16

33

N= 4

3,17E-02

0,001364

4,98E-07

1,31E-01

31

N= 6

3,71E-01

1,70E-01

0,003985

5,50E-01

11

3,85E+00

6,72E-01

1,30E-01

6,60E+00

6,78E+00

3,35E+00

0,139891

7,74E+00

N= 12

9,64E+00

7,75E+00

6,13E-01

7,76E+00

N= 14

1,79E+01

1,72E+01

1,17E+00

1,05E+01

N= 16

2,48E+01

2,28E+01

8,27E-01

1,51E+01

TABLE VI.

N= 18

2,91E+01

3,08E+01

6,35E+00

1,44E+01

Mdia

N= 20

2,83E+01

2,66E+01

1,61E+00

1,68E+01

N= 22

N= 8
N= 10

N= 18
N= 20
N= 22

N= 8
N= 10
S = 25

FUNO CUSTO SCHWEFEL

Desvio
Padro

2,11E-18

N= 20

Mnimo

3,83E-14

S = 10 N= 12

1,46E+01

Mediana

9,74E-10

N= 10

6,95E+00

Mdia

N=2

N=8

3,94E+01

S = 10 N= 2

1,02E+01

Goals

FUNO CUSTO ACKLEY

Mediana
1,02E+01

Mnimo

Desvio
Padro

1,02E+01

5,41E-15

Goals
0

N= 4

1,02E+01

1,02E+01

1,02E+01

5,41E-15

N= 6

1,02E+01

1,02E+01

1,02E+01

1,88E-01

N= 8

1,05E+01

1,02E+01

1,02E+01

4,48E-01

N= 10

1,08E+01

1,06E+01

1,02E+01

5,91E-01

N= 12

1,14E+01

1,15E+01

1,02E+01

6,72E-01

N= 14

1,19E+01

1,19E+01

1,07E+01

5,27E-01

N= 16

1,20E+01

1,19E+01

1,02E+01

9,05E-01

N= 18

1,26E+01

1,29E+01

1,10E+01

8,20E-01

N= 20

1,31E+01

1,30E+01

1,17E+01

9,05E-01

N= 22

1,34E+01

1,34E+01

1,17E+01

7,74E-01

N= 2

1,02E+01

1,02E+01

1,02E+01

5,41E-15

N= 4

1,02E+01

1,02E+01

1,02E+01

5,41E-15

N= 6

1,02E+01

1,02E+01

1,02E+01

1,12E-01

N= 8

1,03E+01

1,02E+01

1,02E+01

2,03E-01

N= 10

1,03E+01

1,02E+01

1,02E+01

2,69E-01

S = 20 N= 12

1,07E+01

1,08E+01

1,02E+01

4,50E-01

N= 14

1,09E+01

1,07E+01

1,02E+01

5,13E-01

N= 16

1,12E+01

1,12E+01

1,02E+01

5,79E-01

N= 18

1,16E+01

1,14E+01

1,04E+01

7,54E-01

N= 20

1,21E+01

1,20E+01

1,02E+01

7,69E-01

N= 22

1,24E+01

1,24E+01

1,10E+01

6,64E-01

N= 2

1,02E+01

1,02E+01

1,02E+01

5,41E-15

N= 4

1,02E+01

1,02E+01

1,02E+01

5,41E-15

N= 6

1,02E+01

1,02E+01

1,02E+01

5,41E-15

N= 8

1,02E+01

1,02E+01

1,02E+01

8,86E-02

N= 10

1,03E+01

1,02E+01

1,02E+01

3,04E-01

S = 25 N= 12

1,05E+01

1,05E+01

1,02E+01

3,92E-01

N= 14

1,07E+01

1,07E+01

1,02E+01

3,70E-01

N= 16

1,10E+01

1,11E+01

1,02E+01

5,75E-01

N= 18

1,14E+01

1,14E+01

1,02E+01

7,03E-01

N= 20

1,18E+01

1,16E+01

1,06E+01

7,89E-01

N= 22

1,21E+01

1,19E+01

1,09E+01

8,32E-01

IV. CONCLUSES E DISCUSSES

Observando o desempenho do PSO para as diferentes
funes custo possvel notar que algumas delas apresentaram
desempenhos melhores com um nmero menor de partculas
no enxame, como foi o caso da funo Quadric, onde a medida
que o dimensionamento do espao em estudo aumentava os
valores obtidos na otimizao eram maiores que o threshold
estabelecido, tornando a otimizao, deste exerccio, por esta
funo menos eficiente. O mesmo foi observado nas funes
Rosenbrock e Rastrigin.
J na funes Esfrica e Schwefel os valores obtidos
durante as interaes foram mais acertivos que para outras
funes. De maneira geral, para o problema proposto estas
funes apresentaram melhores resultados, com a grande
maioria das solues menores que o threshold de 0.01.
Com os resultados obtidos pode-se observer que o
algoritmo de otimizao estudado neste trabalho pode ser
implementado com diferentes funes custo e cada uma delas
oferecer solues distintas para um mesmo espao amostral. E
tendo em vista que o PSO se reorganiza a cada nova interao
as solues obtidas foram boas na maioria das funes.

REFERNCIAS
[1]

J. A. Ruiz-Vanoye and O. Daz-Parra, Bio-innovacion, Editorial

Acadmica Dragn Azteca, 1 Ed, Junho 2013.

[2]

M. P. Caraciolo, Multi-Ring: Uma nova topologia para otimizao por

enxame de partculas (PSO). Trabalho de Concluso de Curso - Eng.
Da Computao. Escola Politcnica de Pernambuco. 2008. Disponvel
em: http://tcc.ecomp.poli.br/20081/monografia_marcel_final.pdf.

[3]

M. SCHWAAB, Anlise de Dados Experimentais I - Fundamentos de

Estatstica e Estimao de Parmetros. Rio de Janeiro, E-papers, 2007.

[4]

A. V. Siciliano, Algoritmos Genticos e Particle Swarm Optimization e

suas aplicaes problemas de Guerra Eletrnica. Diretoria de Sistemas
de Armas da Marinha (DSAM). IX Simpsio de Guerra Eletrnica. Rio
de Janeiro, 2007.

[5]

Kennedy, J. e R. Eberhart. Particle Swarm Optimization. IEEE

International Conference on Neural Network. Perth, Australia, 1995.
1942-1948p.