Navegando por Autor "Mendes, Renan Santos"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Redução de dimensionalidade online para problema de roteamento de veículos com transporte reativo a demanda
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2022-03-28) Mendes, Renan Santos; Wanner, Elizabeth Fialho; Martins, Flávio Vinícius Cruzeiro; Sarubbi, João Fernando Machry; http://lattes.cnpq.br/3199420233273400; http://lattes.cnpq.br/2555714512247868; http://lattes.cnpq.br/2243256075052322; http://lattes.cnpq.br/0567160950149386; Wanner, Elizabeth Fialho; Martins, Flávio Vinícius Cruzeiro; Sarubbi, João Fernando Machry; Meneghini, Ivan Reinaldo; Marcelino, Carolina Gil; Silva, Alisson Marques da; Menezes, Gustavo Campos
    Neste trabalho é abordada uma formulação com muitos objetivos para o Problema de Roteamento de Veículos com Transporte Reativo a Demanda (PRVTRD). O problema pode ser considerado como um modo de transporte aproximado ao dos serviços de transporte sob demanda com compartilhamento de corridas. Este trabalho propõe o uso da análise de cluster online baseada nos coeficientes de correlação de Pearson e τ de Kendall para realizar a redução de dimensionalidade a cada geração do algoritmo MOEA/D. Inicialmente, foram comparadas as seguintes abordagens: (i) offline usando o coeficiente de correlação de Pearson; (ii) offline usando τ de Kendall; (iii) online usando o coeficiente de correlação de Pearson; (iv) online usando τ de Kendall; e (v) uma versão de baseline, o MOEA/D. Os algoritmos foram testados usando um conjunto de dados para a cidade de Belo Horizonte. Para avaliar a dispersão das soluções obtidas pelos algoritmos, foi aplicado o indicador de hipervolume. Os resultados destes experimentos mostraram que (i) não há diferença na formulação obtida para as abordagens offline; (ii) os algoritmos online são estatisticamente melhores do que o algoritmo offline; (iii) não é possível afirmar que há diferença estatística entre os algoritmos online e o MOEA/D. Os diagramas de cordas foram aplicados sobre as soluções obtidas e indicaram que a diversidade das soluções é diferente. A segunda sequência de experimentos realizados compara as abordagens de redução de dimensionalidade baseada em agregação online e outra baseada em seleção de atributos, que usa duas técnicas: Taxa de Dispersão (DR) e Máxima Variância (MV), as quais são usadas para selecionar o representante do cluster. O impacto da frequência da redução da dimensionalidade no desempenho do algoritmo também foi analisado. As abordagens foram acopladas ao algoritmo MOEA/D. Três algoritmos foram testados (i) cluster online usando o coeficiente de correlação Pearson com MOEA/D (OnCLρg-MOEA/D); (ii) cluster online usando o coeficiente de correlação de Pearson e DR com MOEA/D (OnDRρg-MOEA/D); (iii) cluster online usando coeficiente de Pearson e MV com MOEA/D (OnMVρg-MOEA/D), sendo g = 1, 25, 50, 100. Os resultados mostraram que, independentemente da frequência da abordagem de redução de dimensionalidade, os algoritmos MOEA/D e OnCLρg-MOEA/D são estatisticamente superiores aos OnDRρg-MOEA/D e OnMVρg-MOEA/D. Não é possível afirmar que haja diferença estatística entre os resultados dos algoritmos baseados na seleção de atributos online. Os diagramas de cordas mostraram que há uma maior diversidade das soluções obtidas quando todas as funções objetivo são utilizadas na forma reduzida do problema e também quando os algoritmos permanecem por mais gerações em uma determinada formulação reduzida.