O Repositório será lançado oficialmente no dia 9 de abril de 2025 às 14h30min no miniauditório do Campus Nova Suiça.
 

Redução de dimensionalidade online para problema de roteamento de veículos com transporte reativo a demanda

Página do item simplificado
dc.contributor.advisorWanner, Elizabeth Fialho
dc.contributor.advisor-coMartins, Flávio Vinícius Cruzeiro
dc.contributor.advisor-coSarubbi, João Fernando Machry
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/3199420233273400
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/2555714512247868
dc.contributor.advisorLatteshttp://lattes.cnpq.br/2243256075052322
dc.contributor.authorMendes, Renan Santos
dc.contributor.authorLatteshttp://lattes.cnpq.br/0567160950149386
dc.contributor.refereeWanner, Elizabeth Fialho
dc.contributor.refereeMartins, Flávio Vinícius Cruzeiro
dc.contributor.refereeSarubbi, João Fernando Machry
dc.contributor.refereeMeneghini, Ivan Reinaldo
dc.contributor.refereeMarcelino, Carolina Gil
dc.contributor.refereeSilva, Alisson Marques da
dc.contributor.refereeMenezes, Gustavo Campos
dc.date.accessioned2025-04-02T13:33:21Z
dc.date.available2025-04-02T13:33:21Z
dc.date.issued2022-03-28
dc.descriptionVeículos
dc.descriptionPlanejamento
dc.descriptionAlgoritmos
dc.descriptionPlanejamento de transportes
dc.description.abstractNeste 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.
dc.description.abstractotherIn this work, a many-objective formulation for the Vehicle Routing Problem with Demand Responsive Transport (VRPDRT) is addressed. The problem can be considered as a mode of transport similar to that of ride-sharing on-demand transport services. This work proposes the use of online cluster analysis based on Pearson’s and Kendall’s τ correlation coefficients to perform dimensionality reduction at each generation of the MOEA/D algorithm. Initially, the following approaches were compared: (i) offline using Pearson’s correlation coefficient; (ii) offline using τ of Kendall; (iii) online using Pearson’s correlation coefficient; (iv) online using τ of Kendall; and (v) a baseline version, the MOEA/D. The algorithms were tested using a dataset for the city of Belo Horizonte. To evaluate the dispersion of the solutions obtained by the algorithms, the hypervolume indicator was applied. The results of these experiments showed that (i) there is no difference in the formulation obtained for the offline approaches; (ii) the online algorithms are statistically better than the offline algorithm; (iii) it is not possible to state that there is a statistical difference between the online algorithms and the MOEA/D. The chord diagram was applied to the solutions obtained and indicated that the diversity of solutions is different. The second sequence of experiments performed compares the dimensionality reduction approaches based on online aggregation and another one based on feature selection, which uses two techniques: Dispertion Ratio (DR) and Maximum Variance (MV), which are used to select the cluster representative. The impact of the frequency of dimensionality reduction on algorithm performance was also analyzed. The approaches were coupled to the MOEA/D algorithm. Three algorithms were tested (i) online cluster using the Pearson correlation coefficient with MOEA/D (OnCLρg-MOEA/D); (ii) online cluster using Pearson’s correlation coefficient and DR with MOEA/D (OnDRρg-MOEA/D); (iii) online cluster using Pearson’s coefficient and MV with MOEA/D (OnMVρg-MOEA/D), where g = 1, 25, 50, 100. The results showed that, regardless of the frequency of the dimensionality reduction approach, the MOEA/D and OnCLρg-MOEA/D algorithms are statistically superior to OnDRρg-MOEA/D and OnMVρg-MOEA/D. It is not possible to state that there is a statistical difference between the results of algorithms based on online attribute selection. The chord diagram showed that there is a greater diversity of solutions obtained when all objective functions are used in the reduced form of the problem and also when the algorithms remain for more generations in a given reduced formulation.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1079
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.titleRedução de dimensionalidade online para problema de roteamento de veículos com transporte reativo a demanda
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Redução de dimensionalidade online para problema de roteamento de.pdf
Tamanho:
31.18 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