Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/1254
Título: Otimização evolutiva multiobjetivo baseada em decomposição e assistida por máquinas de aprendizado extremo
Autor(es): Pavelski, Lucas Marcondes
Orientador(es): Delgado, Myriam Regattieri de Biase da Silva
Palavras-chave: Algorítmos
Computação evolutiva
Otimização matemática
Processo decisório por critério múltiplo
Aprendizado do computador
Método de decomposição
Métodos de simulação
Engenharia elétrica
Algorithms
Evolutionary computation
Mathematical optimization
Multiple criteria decision making
Machine learning
Decomposition method
Simulation methods
Electric engineering
Data do documento: 26-Fev-2015
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: PAVELSKI, Lucas Marcondes. Otimização evolutiva multiobjetivo baseada em decomposição e assistida por máquinas de aprendizado extremo. 2015. 89 f. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) – Universidade Tecnológica Federal do Paraná, Curitiba, 2015.
Resumo: Muitos problemas de otimização reais apresentam mais de uma função-objetivo. Quando os objetivos são conflitantes, estratégias especializadas são necessárias, como é o caso dos algoritmos evolutivos multiobjetivo (MOEAs, do inglês Multi-objective Optimization Evolutionary Algorithms). Entretanto, se a avaliação das funções-objetivo é custosa (alto custo computacional ou econômico) muitos MOEAs propostos são impraticáveis. Uma alternativa pode ser a utilização de um modelo de aprendizado de máquina que aproxima o cálculo do fitness (surrogate) no algoritmo de otimização. Este trabalho propõe e investiga uma plataforma chamada ELMOEA/D que agrega MOEAs do estado da arte baseados em decomposição de objetivos (MOEA/D) e máquinas de aprendizado extremo (ELMs, do inglês Extreme Learning Machines) como modelos surrogate. A plataforma proposta é testada com diferentes variantes do algoritmo MOEA/D e apresenta bons resultados em problemas benchmark, comparada a um algoritmo da literatura que também utiliza MOEA/D mas modelos surrogates baseados em redes com função de base radial. A plataforma ELMOEA/D também é testada no Problema de Predição de Estrutura de Proteínas (PPEP). Apesar dos resultados alcançados pela proposta não serem tão animadores quanto aqueles obtidos nos benchmarks (quando comparados os algoritmos com e sem surrogates), diversos aspectos da proposta e do problema são explorados. Por fim, a plataforma ELMOEA/D é aplicada a uma formulação alternativa do PPEP com sete objetivos e, com estes resultados, várias direções para trabalhos futuros são apontadas.
Abstract: Many real optimization problems have more than one objective function. When the objectives are in conflict, there is a need for specialized strategies, as is the case of the Multi-objective Optimization Evolutionary Algorithms (MOEAs). However, if the functions evaluation is expensive (high computational or economical costs) many proposed MOEAs are impractical. An alternative might be the use of a machine learning model to approximate the fitness function (surrogates) in the optimization algorithm. This work proposes and investigates a framework called ELMOEA/D that aggregates state-of-the-art MOEAs based on decomposition of objectives (MOEA/D) and extreme learning machines as surrogate models. The proposed framework is tested with different MOEA/D variants and show good results in benchmark problems, compared to a literature algorithm that also encompasses MOEA/D but uses surrogate models based on radial basis function networks. The ELMOEA/D framework is also applied to the protein structure prediction problem (PSPP). Despite the fact that the results achieved by the proposed approach were not as encouraging as the ones achieved in the benchmarks (when the algorithms with and without surrogates are compared), many aspects of both algorithm and problem are explored. Finally, the ELMOEA/D framework is applied to an alternative formulation of the PSPP and the results lead to various directions for future works.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/1254
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CT_CPGEI_M_Pavelski, Lucas Marcondes_2015.pdf4,26 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.