AMAM framework multiagente para otimização usando metaheurísticas

Página do item simplificado
dc.contributor.advisorSouza, Sérgio Ricardo de
dc.contributor.advisor-coSouza, Marcone Jamilson Freitas
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3677015295211434
dc.contributor.authorSilva, Maria Amélia Lopes
dc.contributor.authorLatteshttp://lattes.cnpq.br/1584173805850799
dc.contributor.refereeSouza, Sérgio Ricardo de
dc.contributor.refereeSouza, Marcone Jamilson Freitas
dc.contributor.refereeBazzan, Ana Lúcia Cetertich
dc.contributor.refereeGoldbarg, Elizabeth Ferreira Gouvêa
dc.contributor.refereeLacerda, Anísio Mendes
dc.contributor.refereeBorges, Henrique Elias
dc.date.accessioned2025-05-13T16:59:52Z
dc.date.available2025-05-13T16:59:52Z
dc.date.issued2019-06-24
dc.description.abstractEsta tese apresenta um framework multiagente para otimização usando metaheurísticas, denominado Arquitetura Multiagente para Metaheurísticas (AMAM). O framework AMAM é uma estrutura genérica e flexível, que tem, como principal característica, a facilidade de hibridização de metaheurísticas, a partir da utilização de conceitos relacionados a sistemas multiagentes. Nesta proposta, cada agente atua independentemente no espaço de busca de um problema de otimização combinatória. Os agentes compartilham informações e colaboram entre si através do ambiente. Esta tese tem, como principal contribuição, a consolidação do framework AMAM como uma ferramenta capaz de resolver diferentes problemas de otimização e que permita a fácil hibridização de metaheurísticas. Para tal, propõe a revisão da estrutura do framework AMAM, com a incorporação de novos recursos que permitam dinamizar e aperfeiçoar o processo de solução. A estrutura do framework foi dividida em dimensões, ao se considerar suas diferentes perspectivas. A remoção de estruturas de coordenação explícita e de elementos que intermediavam a comunicação permitiram aumentar a autonomia do agente. A cooperação entre os agentes foi aprimorada, buscando maior diversidade nas soluções disponíveis na estrutura cooperativa, através da definição de novos critérios de inserção de novas soluções. É proposta também a incorporação de capacidades auto-adaptativas nos agentes. O objetivo é permitir que o agente modifique suas ações com base nas experiências obtidas na interação com os outros agentes e com o ambiente, usando conceitos de Aprendizagem de Máquina. Neste sentido, são apresentadas duas propostas de agentes adaptativos baseados no algoritmo Q-Learning e em Autômatos de Aprendizagem. Para melhor introdução e validação do framework AMAM, esta tese utiliza instanciações do framework para dois problemas clássicos de otimização combinatória: Problema de Roteamento de Veículos com Janelas de Tempo (sigla em inglês, VRPTW) e o Problema de Sequenciamento de Máquina Paralela Não Relacionada com Tempos de Configuração Dependentes de Sequência (sigla em inglês, UPMSP-ST). Os experimentos demonstraram a efetiva redução nos custos das soluções com o uso de agentes cooperativos e a escalabilidade da proposta. Os experimentos também confirmaram que a capacidade de aprender atribuída ao agente influencia diretamente a qualidade das soluções, tanto do ponto de vista individual quanto do ponto de vista do trabalho em equipe. Sendo assim, a adaptabilidade dos agentes é confirmada, demonstrando que as técnicas de aprendizado utilizadas conseguem superar a necessidade de conhecimento das características específicas do problema a ser tratado. Os resultados obtidos possibilitaram concluir que o framework aqui apresentado é um passo à frente em relação aos demais frameworks da literatura quanto à adaptação aos aspectos particulares dos problemas tratados.
dc.description.abstractotherThis thesis presents a multi-agent metaheuristic optimization framework, called Multiagent Architecture for Metaheuristics (AMAM). AMAM is a generic and flexible framework, which has, as its main strength, the ease of hybridization of metaheuristics, from the use of concepts related to multi-agent systems. In this proposal, each agent acts independently in the search space of a combinatorial optimization problem. Agents share information and collaborate through the environment. This thesis has, as its main contribution, the consolidation of the AMAM framework as a tool capable of solving different optimization problems and allowing the easy hybridization of metaheuristics. To this end, it proposes the revision of the AMAM framework structure, with the incorporation of new resources that allow streamlining as well as to improve the solution process. The structure of the framework was divided into dimensions, considering its different perspectives. The removal of explicit coordination structures and of elements that intermediated the communication allowed to increase the autonomy of the agent. The cooperation between the agents was improved, seeking greater diversity in the solutions available in the cooperative structure, through the definition of new criteria for insertion of new solutions. This thesis also proposes the incorporation of self-adaptive capabilities in the agents. The goal is to allow the agent to modify their actions based on the experiences gained in interacting with other agents and the environment using Machine Learning concepts. In this sense, two proposals of adaptive agents based on the Q-Learning algorithm and Learning Automata are presented. For a better introduction and validation of the AMAM framework, this work uses framework instantiations for two classical combinatorial optimization problems: Vehicle Routing Problem with Time Windows (VRPTW) and Unrelated Parallel Machine Scheduling Problem with Sequence-Dependent Setup Times (UPMSP-ST). The main objective of the experiments was to evaluate the performance of the contributions proposed here for the framework. The experiments demonstrated the effective reduction in solution costs with the use of cooperative agents and the scalability of the proposal. The experiments also confirmed that the learning ability attributed to the agent directly influences the quality of the solutions, both from the individual point of view and from the teamwork. Therefore, the adaptability of the agents is confirmed, demonstrating that the used learning techniques can overcome the need for knowledge of the specific characteristics of the problem being treated. The results obtained allow us to conclude that the framework presented here is a step forward concerning the other frameworks of the literature regarding the adaptation to the particular aspects of the problems.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1444
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacional
dc.subjectProgramação heurística
dc.subjectTECHNOLOGY::Information technology::Computer science::Software engineering
dc.subjectSistemas multiagentes
dc.subjectOtimização combinatória
dc.subjectComputadores híbridos e analógicos
dc.titleAMAM framework multiagente para otimização usando metaheurísticas
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AMAM framework multiagente para otimização usando metaheurísticas.pdf
Tamanho:
2.39 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Doutorado em Modelagem Matemática e Computacional