METAHEURÍSTICA CLONAL SELECTION ALGORITHM PARA OTIMIZAÇÃO DO PLANEJAMENTO FLORESTAL

AUTOR(ES)
FONTE

Rev. Árvore

DATA DE PUBLICAÇÃO

14/06/2018

RESUMO

RESUMO Dada a importância de se avaliar novas tecnologias para otimização do planejamento florestal, este trabalho objetivou introduzir a metaheurística Clonal Selection Algorithm na resolução de um problema de ordenamento da produção florestal. Considerou-se uma área manejada de tamanho igual a 4.210 ha, contendo 120 talhões com idades entre 1 e 6 anos e índice de sítio variando entre 22 m e 31 m. O problema foi modelado com o objetivo de se maximizar o valor presente líquido global do empreendimento e considerou como restrições uma demanda anual entre 140.000m3 e 160.000 m3, colheita apenas nas idades de 5, 6 e 7 anos e a imposição de não fracionamento dos talhões no momento do corte. Foram avaliados diferentes configurações da metaheurística Clonal Selection Algorithm, variando-se as taxas de seleção, clonagem, hipermutação e substituição, além do tamanho da população inicial. Considerou-se como critério de parada uma quantidade de gerações igual a 100 e para cada parametrização avaliou-se 30 repetições. Os resultados foram comparados com aqueles obtidos utilizando-se programação linear e programação linear inteira. Para a programação inteira considerou-se a melhor solução após 1 hora de processamento. A melhor configuração foi a que considerou 80 células na população inicial, taxas de seleção, clonagem, hipermutação e substituição iguais a 0,20, 0,80, 0,20 e 0,50, respectivamente. Os resultados apresentados pela metaheurística Clonal Selection Algorithm foram 1,69% superiores à programação linear inteira e 4,35% inferior a programação linear. Conclui-se que a metaheurística apresentada pode ser utilizada para resolução de problemas de ordenamento florestal.

ASSUNTO(S)

pesquisa operacional inteligência artificial sistemas imunológicos artificiais

Documentos Relacionados