Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Russo, Igor Lucas de Souza
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Laboratório Nacional de Computação Científica
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA)
Brasil
LNCC
Programa de Pós-Graduação em Modelagem Computacional
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Otimização combinatória
Otimização em dois níveis
Evolução diferencial
Aprendizado por transferência
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE::ANALISE COMPLEXA
Link de acesso: https://tede.lncc.br/handle/tede/379
Resumo: Problemas de otimização em dois níveis (PDNs) modelam situações de tomada de decisão hierárquicas nas quais parte das restrições do problema é determinada a partir da solução de outro(s) problema(s) de otimização, chamados problemas seguidores. Esta estrutura hierárquica é encontrada em diversas aplicações, como em economia, segurança, transporte e engenharia. São necessários métodos especializados para resolvê-los, uma vez que métodos clássicos de otimização não podem ser aplicados diretamente e meta-heurísticas tradicionais demandam alto custo computacional. Assim, a formulação de métodos para acelerar a resolução de tais problemas constitui caminho de pesquisa relevante para possibilitar a modelagem e solução de problemas de grande porte. Recentemente, um novo paradigma de otimização denominado aprendizado por transferência tem alcançado resultados expressivos em termos de redução de custo computacional em diferentes domínios de aplicação. Em particular, a técnica de multitarefa consiste em resolver dois ou mais problemas de otimização simultaneamente utilizando uma única população, explorando sua similaridade para reduzir o custo computacional. Este trabalho apresenta o MT-BLDE, um algoritmo de Evolução Diferencial baseado em aprendizado por transferência e metamodelos para resolver PDNs eficientemente. Além da abordagem multitarefa para resolver diversos problemas seguidores simultaneamente, conhecimento prévio na forma de soluções de problemas líderes já resolvidos é utilizado para acelerar a convergência. Quando comparado aos métodos do estado da arte, foi obtida uma redução do número de avaliações de funções do problema de nível superior, alcançando acurácia competitiva.
id LNCC_16067adbf49028bbff4cd1b6a9564eb9
oai_identifier_str oai:tede-server.lncc.br:tede/379
network_acronym_str LNCC
network_name_str Biblioteca Digital de Teses e Dissertações do LNCC
repository_id_str
spelling Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveisOtimização combinatóriaOtimização em dois níveisEvolução diferencialAprendizado por transferênciaCNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE::ANALISE COMPLEXAProblemas de otimização em dois níveis (PDNs) modelam situações de tomada de decisão hierárquicas nas quais parte das restrições do problema é determinada a partir da solução de outro(s) problema(s) de otimização, chamados problemas seguidores. Esta estrutura hierárquica é encontrada em diversas aplicações, como em economia, segurança, transporte e engenharia. São necessários métodos especializados para resolvê-los, uma vez que métodos clássicos de otimização não podem ser aplicados diretamente e meta-heurísticas tradicionais demandam alto custo computacional. Assim, a formulação de métodos para acelerar a resolução de tais problemas constitui caminho de pesquisa relevante para possibilitar a modelagem e solução de problemas de grande porte. Recentemente, um novo paradigma de otimização denominado aprendizado por transferência tem alcançado resultados expressivos em termos de redução de custo computacional em diferentes domínios de aplicação. Em particular, a técnica de multitarefa consiste em resolver dois ou mais problemas de otimização simultaneamente utilizando uma única população, explorando sua similaridade para reduzir o custo computacional. Este trabalho apresenta o MT-BLDE, um algoritmo de Evolução Diferencial baseado em aprendizado por transferência e metamodelos para resolver PDNs eficientemente. Além da abordagem multitarefa para resolver diversos problemas seguidores simultaneamente, conhecimento prévio na forma de soluções de problemas líderes já resolvidos é utilizado para acelerar a convergência. Quando comparado aos métodos do estado da arte, foi obtida uma redução do número de avaliações de funções do problema de nível superior, alcançando acurácia competitiva.Bi-level optimization problems (BLOPs) model hierarchical decision-making scenarios in which part of the problem’s constraints are determined from solving other optimiza- tion problems, called follower problems. This hierarchical structure is found in various applications such as economics, security, transportation, and engineering. Specialized methods are required to solve them, since classical optimization methods cannot be di- rectly applied, and traditional metaheuristics demand high computational cost. Thus, formulating methods to accelerate the resolution of such problems constitutes a relevant research path to enable the modeling and solution of large-scale problems. Recently, a new optimization paradigm called transfer learning has achieved significant results in terms of reducing computational cost in different application domains. In particular, the multitask technique involves solving two or more optimization problems simultaneously using a single population, exploiting their similarity to reduce computational cost. This work presents MT-BLDE, a Differential Evolution algorithm based on transfer learning and metamodels to efficiently solve BLOPs. In addition to the multitask approach of simultaneously solving various follower problems, prior knowledge in the form of solved leader problem solutions is used to accelerate convergence. When compared to state-of-the-art methods, a reduction in the number of evaluations of the upper-level problem functions was achieved, attaining competitive accuracy.Conselho Nacional de Desenvolvimento Científico e TecnológicoLaboratório Nacional de Computação CientíficaCoordenação de Pós-Graduação e Aperfeiçoamento (COPGA)BrasilLNCCPrograma de Pós-Graduação em Modelagem ComputacionalBarbosa, Helio José CorrêaBarbosa, Helio José CorrêaDardenne, Laurent EmmanuelEbecken, Nelson Francisco FavillaBernardino, Heder SoaresTakahashi, Ricardo Hiroshi CaldeiraRusso, Igor Lucas de Souza2023-10-23T17:35:44Z2023-09-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfRUSSO, I. L. S. Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis, 2023, 162 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2023.https://tede.lncc.br/handle/tede/379porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações do LNCCinstname:Laboratório Nacional de Computação Científica (LNCC)instacron:LNCC2023-10-24T04:17:41Zoai:tede-server.lncc.br:tede/379Biblioteca Digital de Teses e Dissertaçõeshttps://tede.lncc.br/PUBhttps://tede.lncc.br/oai/requestlibrary@lncc.br||library@lncc.bropendoar:2023-10-24T04:17:41Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC)false
dc.title.none.fl_str_mv Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
title Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
spellingShingle Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
Russo, Igor Lucas de Souza
Otimização combinatória
Otimização em dois níveis
Evolução diferencial
Aprendizado por transferência
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE::ANALISE COMPLEXA
title_short Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
title_full Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
title_fullStr Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
title_full_unstemmed Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
title_sort Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis
author Russo, Igor Lucas de Souza
author_facet Russo, Igor Lucas de Souza
author_role author
dc.contributor.none.fl_str_mv Barbosa, Helio José Corrêa
Barbosa, Helio José Corrêa
Dardenne, Laurent Emmanuel
Ebecken, Nelson Francisco Favilla
Bernardino, Heder Soares
Takahashi, Ricardo Hiroshi Caldeira
dc.contributor.author.fl_str_mv Russo, Igor Lucas de Souza
dc.subject.por.fl_str_mv Otimização combinatória
Otimização em dois níveis
Evolução diferencial
Aprendizado por transferência
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE::ANALISE COMPLEXA
topic Otimização combinatória
Otimização em dois níveis
Evolução diferencial
Aprendizado por transferência
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE::ANALISE COMPLEXA
description Problemas de otimização em dois níveis (PDNs) modelam situações de tomada de decisão hierárquicas nas quais parte das restrições do problema é determinada a partir da solução de outro(s) problema(s) de otimização, chamados problemas seguidores. Esta estrutura hierárquica é encontrada em diversas aplicações, como em economia, segurança, transporte e engenharia. São necessários métodos especializados para resolvê-los, uma vez que métodos clássicos de otimização não podem ser aplicados diretamente e meta-heurísticas tradicionais demandam alto custo computacional. Assim, a formulação de métodos para acelerar a resolução de tais problemas constitui caminho de pesquisa relevante para possibilitar a modelagem e solução de problemas de grande porte. Recentemente, um novo paradigma de otimização denominado aprendizado por transferência tem alcançado resultados expressivos em termos de redução de custo computacional em diferentes domínios de aplicação. Em particular, a técnica de multitarefa consiste em resolver dois ou mais problemas de otimização simultaneamente utilizando uma única população, explorando sua similaridade para reduzir o custo computacional. Este trabalho apresenta o MT-BLDE, um algoritmo de Evolução Diferencial baseado em aprendizado por transferência e metamodelos para resolver PDNs eficientemente. Além da abordagem multitarefa para resolver diversos problemas seguidores simultaneamente, conhecimento prévio na forma de soluções de problemas líderes já resolvidos é utilizado para acelerar a convergência. Quando comparado aos métodos do estado da arte, foi obtida uma redução do número de avaliações de funções do problema de nível superior, alcançando acurácia competitiva.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-23T17:35:44Z
2023-09-06
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv RUSSO, I. L. S. Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis, 2023, 162 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2023.
https://tede.lncc.br/handle/tede/379
identifier_str_mv RUSSO, I. L. S. Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis, 2023, 162 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2023.
url https://tede.lncc.br/handle/tede/379
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 Laboratório Nacional de Computação Científica
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA)
Brasil
LNCC
Programa de Pós-Graduação em Modelagem Computacional
publisher.none.fl_str_mv Laboratório Nacional de Computação Científica
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA)
Brasil
LNCC
Programa de Pós-Graduação em Modelagem Computacional
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do LNCC
instname:Laboratório Nacional de Computação Científica (LNCC)
instacron:LNCC
instname_str Laboratório Nacional de Computação Científica (LNCC)
instacron_str LNCC
institution LNCC
reponame_str Biblioteca Digital de Teses e Dissertações do LNCC
collection Biblioteca Digital de Teses e Dissertações do LNCC
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC)
repository.mail.fl_str_mv library@lncc.br||library@lncc.br
_version_ 1832738028451266560

Registros relacionados