Redução de objetivos de MaOPs por meio de aprendizado de máquina não supervisionado: uma abordagem com seleção e extração de atributos
Carregando...
Data
2024-10-30
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
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.
Descrição
Palavras-chave
Programação matemática, Otimização, Aprendizado computacional, Computação evolutiva, Análise de algoritmos