Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Resi, Felipe Duarte dos
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Centro Federal de Educação Tecnológica de Minas Gerais
Programa de Pós-Graduação em Modelagem Matemática e Computacional
Brasil
CEFET-MG
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Agentes inteligentes
Otimização combinatória
Sistemas distribuídos
Sistemas de controle
Link de acesso: https://repositorio.cefetmg.br//handle/123456789/1021
Resumo: Metaheurísticas híbridas reportam uma melhora significativa comparadas com as respectivas implementações clássicas. Apesar da técnica de hibridização de metaheurísticas ser promissora, ainda assim é possível encontrar problemas técnicos e fundamentalmente teóricos. As principais dificuldades técnicas são a necessidade do conhecimento do problema, e uma vez desenvolvida, é necessário calibrar os parâmetros numéricos do algoritmo. Uma alternativa ao desenvolvimento de novas meta-heurísticas, ou a hibridização manual delas, é utilizar os mecanismos de colaboração e comunicação próprios da modelagem de sistemas multi-agentes (MMAS) para promover uma hibridização dinâmica de diferentes estratégias de busca. A arquitetura D-Optimas é um MMAS baseado no modelo de atores, onde cada agente encapsula uma meta-heurística diferente e, dotado de um mecanismo de aprendizagem colabora com os demais agentes para encontrar a melhor solução para um problema de otimização. Os agentes interagem no espaço de busca que é dividido em regiões, que possuem um comportamento independente, podendo receber novas soluções, se particionar ou se fundir. O presente trabalho evoluiu a arquitetura D-Optimas comparada a sua última versão, adicionando mais algoritmos de otimização, atualizando a implementação para a biblioteca akka-cluster e simplificando a sua execução em um cluster. Este trabalho avaliou experimentalmente tanto a escalabilidade quanto o efeito da diversidade na qualidade das soluções. A arquitetura se mostrou escalável em um cluster de até seis nós, mantendo o número de agentes. A diversidade não se mostrou um fator relevante em todos os casos estudados.
id CEFETMG_e3b16dca37e559f0303e62e77d1db1e0
oai_identifier_str oai:repositorio.cefetmg.br:123456789/1021
network_acronym_str CEFETMG
network_name_str Repositório Institucional do CEFET-MG
repository_id_str
spelling Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalávelAgentes inteligentesOtimização combinatóriaSistemas distribuídosSistemas de controleMetaheurísticas híbridas reportam uma melhora significativa comparadas com as respectivas implementações clássicas. Apesar da técnica de hibridização de metaheurísticas ser promissora, ainda assim é possível encontrar problemas técnicos e fundamentalmente teóricos. As principais dificuldades técnicas são a necessidade do conhecimento do problema, e uma vez desenvolvida, é necessário calibrar os parâmetros numéricos do algoritmo. Uma alternativa ao desenvolvimento de novas meta-heurísticas, ou a hibridização manual delas, é utilizar os mecanismos de colaboração e comunicação próprios da modelagem de sistemas multi-agentes (MMAS) para promover uma hibridização dinâmica de diferentes estratégias de busca. A arquitetura D-Optimas é um MMAS baseado no modelo de atores, onde cada agente encapsula uma meta-heurística diferente e, dotado de um mecanismo de aprendizagem colabora com os demais agentes para encontrar a melhor solução para um problema de otimização. Os agentes interagem no espaço de busca que é dividido em regiões, que possuem um comportamento independente, podendo receber novas soluções, se particionar ou se fundir. O presente trabalho evoluiu a arquitetura D-Optimas comparada a sua última versão, adicionando mais algoritmos de otimização, atualizando a implementação para a biblioteca akka-cluster e simplificando a sua execução em um cluster. Este trabalho avaliou experimentalmente tanto a escalabilidade quanto o efeito da diversidade na qualidade das soluções. A arquitetura se mostrou escalável em um cluster de até seis nós, mantendo o número de agentes. A diversidade não se mostrou um fator relevante em todos os casos estudados.Hybrid metaheuristics report a significant improvement compared to their classical implementations. Although the hybridization technique of metaheuristics is promising, it is still possible to encounter technical and fundamentally theoretical problems. The main technical difficulties are the need to know the problem, and once developed, it is necessary to calibrate the numerical parameters of the algorithm. An alternative to the development of new meta-heuristics, or their manual hybridization, is to use the collaboration and communication mechanisms typical of multi-agent systems (MMAS) modeling to promote a dynamic hybridization of different search strategies. The D-Optimas architecture is an MMAS based on the actors model, where each agent encapsulates a different metaheuristic and, equipped with a learning mechanism, collaborates with the other agents to find the best solution for an optimization problem. The agents interact in the search space, which is divided into regions, which have an independent behavior, being able to receive new solutions, partition or merge. The present work has evolved the D-Optimas architecture compared to its last version, adding more optimization algorithms, updating the implementation to the akka-cluster library and simplifying its execution in a cluster. This work experimentally evaluated both scalability and the effect of diversity on the quality of solutions. The architecture proved to be scalable in a cluster of up to six nodes, maintaining the number of agents. Diversity was not a relevant factor in all the cases studied.Centro Federal de Educação Tecnológica de Minas GeraisPrograma de Pós-Graduação em Modelagem Matemática e ComputacionalBrasilCEFET-MGBorges, Henrique EliasGomes, Rogério Martinshttp://lattes.cnpq.br/6447512644654475http://lattes.cnpq.br/4965215490981944http://lattes.cnpq.br/0460460352086325Borges, Henrique EliasGomes, Rogério MartinsSantos, Bruno AndréWanner, Elizabeth FialhoResi, Felipe Duarte dos2025-03-28T18:58:04Z2022-03-252025-03-28T18:58:04Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.cefetmg.br//handle/123456789/1021porreponame:Repositório Institucional do CEFET-MGinstname:Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)instacron:CEFETinfo:eu-repo/semantics/openAccess2025-04-15T15:11:29Zoai:repositorio.cefetmg.br:123456789/1021Repositório InstitucionalPUBhttps://repositorio.cefetmg.br/server/oai/requestrepositorio@cefetmg.bropendoar:2025-04-15T15:11:29Repositório Institucional do CEFET-MG - Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)false
dc.title.none.fl_str_mv Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
title Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
spellingShingle Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
Resi, Felipe Duarte dos
Agentes inteligentes
Otimização combinatória
Sistemas distribuídos
Sistemas de controle
title_short Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
title_full Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
title_fullStr Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
title_full_unstemmed Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
title_sort Efeito da hibridização dinâmica de meta-heurísticas em um sistema multiagentes distribuído e escalável
author Resi, Felipe Duarte dos
author_facet Resi, Felipe Duarte dos
author_role author
dc.contributor.none.fl_str_mv Borges, Henrique Elias
Gomes, Rogério Martins
http://lattes.cnpq.br/6447512644654475
http://lattes.cnpq.br/4965215490981944
http://lattes.cnpq.br/0460460352086325
Borges, Henrique Elias
Gomes, Rogério Martins
Santos, Bruno André
Wanner, Elizabeth Fialho
dc.contributor.author.fl_str_mv Resi, Felipe Duarte dos
dc.subject.por.fl_str_mv Agentes inteligentes
Otimização combinatória
Sistemas distribuídos
Sistemas de controle
topic Agentes inteligentes
Otimização combinatória
Sistemas distribuídos
Sistemas de controle
description Metaheurísticas híbridas reportam uma melhora significativa comparadas com as respectivas implementações clássicas. Apesar da técnica de hibridização de metaheurísticas ser promissora, ainda assim é possível encontrar problemas técnicos e fundamentalmente teóricos. As principais dificuldades técnicas são a necessidade do conhecimento do problema, e uma vez desenvolvida, é necessário calibrar os parâmetros numéricos do algoritmo. Uma alternativa ao desenvolvimento de novas meta-heurísticas, ou a hibridização manual delas, é utilizar os mecanismos de colaboração e comunicação próprios da modelagem de sistemas multi-agentes (MMAS) para promover uma hibridização dinâmica de diferentes estratégias de busca. A arquitetura D-Optimas é um MMAS baseado no modelo de atores, onde cada agente encapsula uma meta-heurística diferente e, dotado de um mecanismo de aprendizagem colabora com os demais agentes para encontrar a melhor solução para um problema de otimização. Os agentes interagem no espaço de busca que é dividido em regiões, que possuem um comportamento independente, podendo receber novas soluções, se particionar ou se fundir. O presente trabalho evoluiu a arquitetura D-Optimas comparada a sua última versão, adicionando mais algoritmos de otimização, atualizando a implementação para a biblioteca akka-cluster e simplificando a sua execução em um cluster. Este trabalho avaliou experimentalmente tanto a escalabilidade quanto o efeito da diversidade na qualidade das soluções. A arquitetura se mostrou escalável em um cluster de até seis nós, mantendo o número de agentes. A diversidade não se mostrou um fator relevante em todos os casos estudados.
publishDate 2022
dc.date.none.fl_str_mv 2022-03-25
2025-03-28T18:58:04Z
2025-03-28T18:58:04Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.cefetmg.br//handle/123456789/1021
url https://repositorio.cefetmg.br//handle/123456789/1021
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Centro Federal de Educação Tecnológica de Minas Gerais
Programa de Pós-Graduação em Modelagem Matemática e Computacional
Brasil
CEFET-MG
publisher.none.fl_str_mv Centro Federal de Educação Tecnológica de Minas Gerais
Programa de Pós-Graduação em Modelagem Matemática e Computacional
Brasil
CEFET-MG
dc.source.none.fl_str_mv reponame:Repositório Institucional do CEFET-MG
instname:Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)
instacron:CEFET
instname_str Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)
instacron_str CEFET
institution CEFET
reponame_str Repositório Institucional do CEFET-MG
collection Repositório Institucional do CEFET-MG
repository.name.fl_str_mv Repositório Institucional do CEFET-MG - Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)
repository.mail.fl_str_mv repositorio@cefetmg.br
_version_ 1844153911376609280

Registros relacionados