Programa de Pós Graduação em Modelagem Matemática e Computacional - PPGMMC

URI Permanente desta comunidade

https://repositorio.cefetmg.br//handle/123456789/646

Navegar

Navegando Programa de Pós Graduação em Modelagem Matemática e Computacional - PPGMMC por Assunto "Análise de algoritmos"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Redução de objetivos de MaOPs por meio de aprendizado de máquina não supervisionado: uma abordagem com seleção e extração de atributos
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2024-10-30) Silva, Thomás Henrique Lopes; Wanner, Elizabeth Fialho; Vargas, Dênis Emanuel da Costa; http://lattes.cnpq.br/6717376475817937; http://lattes.cnpq.br/2243256075052322; http://lattes.cnpq.br/5348520493806740; Wanner, Elizabeth Fialho; Vargas, Dênis Emanuel da Costa; Lopes, Cláudio Lúcio do Val; Martins, Flávio Vinícius Cruzeiro
    Este trabalho aborda os desafios de resolver problemas de otimização com muitos objetivos (MaOPs), que envolvem a otimização simultânea de mais de três funções objetivo conflitantes. Para contornar esses desafios, propôs-se uma abordagem baseada em técnicas de redução de dimensionalidade utilizando aprendizado de máquina (AM), ou seja, reduzir o número de objetivos dos MaOPs sem perder informações relevantes. De acordo com trabalhos relacionados da literatura, esse tipo de abordagem mostrou benefícios significativos, assim como a possibilidade de resolver MaOPs difíceis com algoritmos evolutivos multiobjetivo (MOEAs) tradicionais e melhorias na escalabilidade desses algoritmos. Além disso, a redução de dimensionalidade auxilia na tomada de decisões e visualização dos resultados pelos usuários. Para isto, foram aplicadas duas abordagens aos conjuntos de dados extraídos dos problemas de teste benchmark da família DTLZ: uma de seleção e outra de extração de atributos, Laplacian Score (LS) e Análise de Componentes Principais (PCA), respectivamente. Em seguida, as novas funções reduzidas foram otimizadas pelo MOEA considerado estado da arte: NSGA-III. As soluções obtidas foram então expandidas para o número inicial de objetivos, a fim de compará-las com as soluções dos problemas originais utilizando os indicadores de qualidade (IQs) IGD+ e 𝐼𝜖+, além de seus respectivos boxplots. Para avaliar estatisticamente os ganhos de desempenho das abordagens propostas, foi realizado o Teste de Postos Sinalizados de Wilcoxon. Os resultados mostraram que a técnica PCA se destacou como mais eficaz, particularmente em cenários de alta dimensionalidade, enquanto o LS teve desempenho mais limitado, sendo eficiente apenas em alguns DTLZ com menor número de objetivos. Por fim, conclui-se para o conjunto de experimentos que os métodos offline possuem limitações e novos estudos devem ser desenvolvidos para garantir a robustez das abordagens propostas.