Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-09T11:49:25Z
No. of bitstreams: 1
taleslimafonseca.pdf: 6292275 bytes, checksum: 0e7e3e7f61b734dce43a0db483431c0f (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-23T11:18:02Z (GMT) No. of bitstreams: 1
taleslimafonseca.pdf: 6292275 bytes, checksum: 0e7e3e7f61b734dce43a0db483431c0f (MD5) / Made available in DSpace on 2018-01-23T11:18:02Z (GMT). No. of bitstreams: 1
taleslimafonseca.pdf: 6292275 bytes, checksum: 0e7e3e7f61b734dce43a0db483431c0f (MD5)
Previous issue date: 2017-08-31 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Problemas de otimização são comuns em diversas áreas. Nas engenharias, em muitas
situações, os problemas de otimização eram modelados desconsiderando certas características
do fenômeno estudado com a finalidade de simplificar as simulações durante o
processo de busca. Contudo, com o passar do tempo, a evolução das máquinas possibilitou
a modelagem de problemas de otimização com mais informações, aproximando os modelos
da forma mais fidedigna possível. No entanto, uma parcela significativa desses problemas
demanda um alto custo computacional para realizar as avaliações das soluções candidatas,
tornando muitos deles de difícil análise e simulação. Dessa forma, o objetivo deste
trabalho é a utilização de métodos de aprendizado de máquina acoplado a um algoritmo
de otimização com intuito de direcionar o processo de busca de um algoritmo genético,
inserindo possíveis soluções na população do algoritmo genético a cada geração com o
intuito de reduzir o alto custo computacional de se encontrar as soluções ótimas. Além
disso, é realizado um estudo comparativo para verificar quais métodos de aprendizado de
máquina obtêm bons resultados na técnica proposta. Os experimentos são realizados em
problemas de otimização com um alto custo computacional comumente encontrados na
literatura. / Optimization problems are common in many areas. In engineering, in many situations
optimization problems were modeled disregarding certain characteristics of the studied
phenomenon in order to simplify the simulations during the search process. However,
over time, the evolution of the machines allowed the modeling of optimization problems
with more information, approaching the models in the most reliable way possible. In
this way, a significant portion of these problems requires a high computational cost to
perform the evaluations of candidate solutions, making many of them difficult to analyze
and simulate. Thus, the objective of this work is the use of machine learning methods
coupled with an optimization algorithm with the purpose of directing the search process
of a genetic algorithm, inserting new good quality solution into the population at each
generation with the intention of reducing the high computational cost of finding the
optimal solutions. In addition, a comparative study is carried out to verify which machine
learning methods obtain good results in the proposed technique. The experiments are
performed on optimization problems with a high computational cost commonly found in
the literature.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/6054 |
| Date | 31 August 2017 |
| Creators | Fonseca, Tales Lima |
| Contributors | Lemonge, Afonso Celso de Castro, Bernardino, Heder Soares, Hallak, Patricia Habib, Fonseca, Leonardo Goliatt da, Guimarães, Solange |
| Publisher | Universidade Federal de Juiz de Fora (UFJF), Programa de Pós-graduação em Modelagem Computacional, UFJF, Brasil, ICE – Instituto de Ciências Exatas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFJF, instname:Universidade Federal de Juiz de Fora, instacron:UFJF |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds