A UFS preocupa-se com a sua privacidade

A UFS poderá coletar informações básicas sobre a(s) visita(s) realizada(s) para aprimorar a experiência de navegação dos visitantes deste site, segundo o que estabelece a Política de Privacidade de Dados Pessoais. Ao utilizar este site, você concorda com a coleta e tratamento de seus dados pessoais por meio de formulários e cookies.

Ciente
Notícias

Banca de DEFESA: JOEL ALVES DE OLIVEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JOEL ALVES DE OLIVEIRA
DATA: 14/02/2020
HORA: 09:00
LOCAL: Sala de seminários do DCOMP
TÍTULO: Avaliação de Técnicas de Aprendizagem de Máquina como Surrogate na Otimização com Muitos Objetivos
PALAVRAS-CHAVES: Surrogates, Otimização Multi-Objetivo, Aprendizagem de Máquina
PÁGINAS: 90
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
RESUMO:

Em problemas de otimização existe um número exaustivo de possíveis combinações para as
variáveis de entrada de um sistema. Assim, avaliar essas combinações é um processo humanamente
inviável, então recorre-se a mecanismos de otimização que visam encontrar a melhor solução
para problemas abstratos, dentre os quais é possível quantificar o grau de adequação das soluções
às necessidades em causa. Entretanto, um subconjunto desses problemas apresenta modelagens
complexas, ou seja, apresenta funções objetivos cujo processo de quantificar os valores está
associado a um alto custo computacional. Geralmente, quando se tratam de problemas com até
três funções objetivos são empregados Algoritmos Evolutivos para resolvê-los. Outra aborgagem
empregada é o uso de surrogates, os quais podem ser classificados como mecanismos capazes
de aprender o comportamento de uma dada função. Ao usar esses mecanismos em problemas
complexos obtêm-se como ganho a redução do alto custo computacional para computar os
valores de fitness das funções objetivos. Dentre os mecanismos de surrogate comuns na literatura
destacam-se as técnicas de regressão linear e aprendizagem de máquina. A aplicação de surrogates
em problemas com mais de uma função objetivo, problemas multiobjetivo, requer o uso de
um modelo de aprendizagem para cada função, entretanto, recentes estudos têm obtido êxito
em empregar um único surrogate para problemas com mais de uma função objetivo. Porém
o uso de surrogate em problemas de otimização com mais de três funções objetivos ainda
é uma área pouco explorada. Diante disso, esse trabalho tem como objetivo propor e avaliar
novas abordagens de treinamento de surrogates associados a Algoritmos Evolutivos no âmbito
de problemas com muitos objetivos. Foram desenvolvidos dois frameworks, um aplicado a
classe de problemas mono-objetivo e outro voltado para problemas de otimização com muitos
objetivos. Os frameworks propostos têm como característica o emprego de diferentes abordagens
de alimentação de surrogate e também diferentes maneiras de uso de técnicas de Aprendizagem de
Máquina. As abordagens de alimentação de surrogate baseiam-se na metodologia de alimentação
das técnicas de aprendizagem de máquina. Os frameworks foram submetidos a experimentos
usando problemas benchmark, onde cada configuração dos algoritmos foi execultada por vinte
vezes e armazendas as métricas de desempenho. Para confirmar ou refutar as hipóteses, foi
aplicado o teste estatístico de Wilcoxon.



MEMBROS DA BANCA:
Presidente - 2027113 - ANDRE BRITTO DE CARVALHO
Interno - 1194034 - LEONARDO NOGUEIRA MATOS
Externo à Instituição - PAULO SALGADO GOMES DE MATTOS NETO

Notícia cadastrada em: 31/01/2020 11:55
SIGAA | Superintendência de Tecnologia da Informação/UFS - - | Copyright © 2009-2024 - UFRN - bigua2.bigua2 v3.5.16 -r19032-7126ccb4cf