Diversidade Populacional em Algoritmos Genéticos via Clusterização

Pesquisa de mestrado (Computação Evolucionária Aplicada, PPGCC/UFMA) sobre como manter diversidade populacional em Algoritmos Genéticos. A ideia é aplicar clusterização periodicamente sobre a população, tomar o melhor indivíduo de cada cluster e usá-los para substituir os piores - forçando representantes de regiões distintas do espaço de busca a sobreviverem. Três variantes foram comparadas contra o AG padrão (K-Means, hierárquico com ligação de Ward e DBSCAN), em 30 execuções independentes por combinação. Na função multimodal Schwefel a clusterização derruba o fitness médio de 237,2 para 134,8 (-43%), e o teste de Tukey confirma que as três variantes superam o AG padrão com significância - mas são estatisticamente indistinguíveis entre si, ou seja, o ganho vem da clusterização em si, não de um método específico. O trabalho evolui depois para um híbrido BAT-PSO com alternância probabilística de operadores e para tratamento de restrições por penalidade dinâmica, onde o resultado é categórico: num problema quadrático com restrições de igualdade, os 7 algoritmos sem tratamento explícito não encontram uma única solução viável, enquanto o GA Penalizado converge para 49,3.