Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Sousa, Filipe Pessôa
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: Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística
Brasil
UERJ
Programa de Pós-Graduação em Ciências Computacionais
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Meta-heuristics
Optimization
Symbolic Regression
Meta-heurísticas
Otimização
BRKGP
Programação heurística
Otimização matemática
Algoritmos de computador
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Link de acesso: http://www.bdtd.uerj.br/handle/1/23370
Resumo: Este trabalho se concentra na aplicação da meta-heurística Biased Random-Key Genetic Programming (BRKGP) no contexto do Problema de Regressão Simbólica. O objetivo é aproximar a forma algébrica de uma função desconhecida a partir de entradas e saídas numéricas. O algoritmo BRKGP, baseado em programação genética, desempenha um papel crucial nesse processo, otimizando a geração de expressões simbólicas. O estudo apresenta resultados preliminares e compara a precisão com diferentes tamanhos de amostras, derivadas de problemas de física. A pesquisa procura explorar a aplicação da BRKGP na regressão simbólica, buscando contribuir para a validação de funções físicas e promover avanços. Destaca-se a importância de aprimoramentos nas técnicas computacionais, evidenciando desafios como indeterminações e números extremos. Resultados notáveis indicam aplicações abrangentes em diversos campos. O estudo conclui ressaltando a eficiência da abordagem inovadora e apontando desafios a serem enfrentados em estudos futuros, incluindo o refinamento de estratégias de tratamento de dados e a eliminação de indeterminações.
id UERJ_099a8e10eaec27d5e0680ae0cbcd343d
oai_identifier_str oai:www.bdtd.uerj.br:1/23370
network_acronym_str UERJ
network_name_str Biblioteca Digital de Teses e Dissertações da UERJ
repository_id_str
spelling Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na FísicaRegression Models Through the Biased Random-Key Genetic Programming for Physics ApplicationsMeta-heuristicsOptimizationSymbolic RegressionMeta-heurísticasOtimizaçãoBRKGPProgramação heurísticaOtimização matemáticaAlgoritmos de computadorCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOEste trabalho se concentra na aplicação da meta-heurística Biased Random-Key Genetic Programming (BRKGP) no contexto do Problema de Regressão Simbólica. O objetivo é aproximar a forma algébrica de uma função desconhecida a partir de entradas e saídas numéricas. O algoritmo BRKGP, baseado em programação genética, desempenha um papel crucial nesse processo, otimizando a geração de expressões simbólicas. O estudo apresenta resultados preliminares e compara a precisão com diferentes tamanhos de amostras, derivadas de problemas de física. A pesquisa procura explorar a aplicação da BRKGP na regressão simbólica, buscando contribuir para a validação de funções físicas e promover avanços. Destaca-se a importância de aprimoramentos nas técnicas computacionais, evidenciando desafios como indeterminações e números extremos. Resultados notáveis indicam aplicações abrangentes em diversos campos. O estudo conclui ressaltando a eficiência da abordagem inovadora e apontando desafios a serem enfrentados em estudos futuros, incluindo o refinamento de estratégias de tratamento de dados e a eliminação de indeterminações.This work focuses on the application of the meta-heuristic Biased Random-Key Genetic Programming (BRKGP) in the context of the Symbolic Regression Problem. The goal is to approximate the algebraic form of an unknown equation based on numerical inputs and outputs. The BRKGP algorithm, based on genetic programming, plays a crucial role in this process by optimizing the generation of symbolic expressions. The study presents preliminary results and compares accuracy with different sample sizes derived from physics problems. The research aims to explore the application of BRKGP in symbolic regression, seeking to contribute to the validation of physical equations and promote advancements. The importance of improvements in computational techniques is emphasized, highlighting challenges such as indeterminacies and extreme numbers. Notable results indicate comprehensive applications in various fields. The study concludes by emphasizing the efficiency of the innovative approach and pointing out challenges to be addressed in future studies, including the refinement of data treatment strategies and the elimination of indeterminacies.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade do Estado do Rio de JaneiroCentro de Tecnologia e Ciências::Instituto de Matemática e EstatísticaBrasilUERJPrograma de Pós-Graduação em Ciências ComputacionaisCoelho, Igor Machadohttps://orcid.org/0000-0001-6373-4907http://lattes.cnpq.br/5298061910591710Faria, Cristiane Oliveira dehttps://orcid.org/0000-0002-0402-7185http://lattes.cnpq.br/1183201737914250Semaan, Gustavo Silvahttps://orcid.org/0000-0003-2873-2628http://lattes.cnpq.br/4519888592231795Oliveira, Fabiano de Souzahttps://orcid.org/0000-0002-8498-2472http://lattes.cnpq.br/7554024807062103Sousa, Filipe Pessôa2025-01-31T17:16:43Z2023-12-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSOUSA, Filipe Pessôa. Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física. 2023. 119 f. Dissertação (Mestrado em Ciências Computacionais) - Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.http://www.bdtd.uerj.br/handle/1/23370porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UERJinstname:Universidade do Estado do Rio de Janeiro (UERJ)instacron:UERJ2025-02-25T15:15:34Zoai:www.bdtd.uerj.br:1/23370Biblioteca Digital de Teses e Dissertaçõeshttp://www.bdtd.uerj.br/PUBhttps://www.bdtd.uerj.br:8443/oai/requestbdtd.suporte@uerj.bropendoar:29032025-02-25T15:15:34Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)false
dc.title.none.fl_str_mv Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
Regression Models Through the Biased Random-Key Genetic Programming for Physics Applications
title Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
spellingShingle Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
Sousa, Filipe Pessôa
Meta-heuristics
Optimization
Symbolic Regression
Meta-heurísticas
Otimização
BRKGP
Programação heurística
Otimização matemática
Algoritmos de computador
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
title_short Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
title_full Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
title_fullStr Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
title_full_unstemmed Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
title_sort Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física
author Sousa, Filipe Pessôa
author_facet Sousa, Filipe Pessôa
author_role author
dc.contributor.none.fl_str_mv Coelho, Igor Machado
https://orcid.org/0000-0001-6373-4907
http://lattes.cnpq.br/5298061910591710
Faria, Cristiane Oliveira de
https://orcid.org/0000-0002-0402-7185
http://lattes.cnpq.br/1183201737914250
Semaan, Gustavo Silva
https://orcid.org/0000-0003-2873-2628
http://lattes.cnpq.br/4519888592231795
Oliveira, Fabiano de Souza
https://orcid.org/0000-0002-8498-2472
http://lattes.cnpq.br/7554024807062103
dc.contributor.author.fl_str_mv Sousa, Filipe Pessôa
dc.subject.por.fl_str_mv Meta-heuristics
Optimization
Symbolic Regression
Meta-heurísticas
Otimização
BRKGP
Programação heurística
Otimização matemática
Algoritmos de computador
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
topic Meta-heuristics
Optimization
Symbolic Regression
Meta-heurísticas
Otimização
BRKGP
Programação heurística
Otimização matemática
Algoritmos de computador
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
description Este trabalho se concentra na aplicação da meta-heurística Biased Random-Key Genetic Programming (BRKGP) no contexto do Problema de Regressão Simbólica. O objetivo é aproximar a forma algébrica de uma função desconhecida a partir de entradas e saídas numéricas. O algoritmo BRKGP, baseado em programação genética, desempenha um papel crucial nesse processo, otimizando a geração de expressões simbólicas. O estudo apresenta resultados preliminares e compara a precisão com diferentes tamanhos de amostras, derivadas de problemas de física. A pesquisa procura explorar a aplicação da BRKGP na regressão simbólica, buscando contribuir para a validação de funções físicas e promover avanços. Destaca-se a importância de aprimoramentos nas técnicas computacionais, evidenciando desafios como indeterminações e números extremos. Resultados notáveis indicam aplicações abrangentes em diversos campos. O estudo conclui ressaltando a eficiência da abordagem inovadora e apontando desafios a serem enfrentados em estudos futuros, incluindo o refinamento de estratégias de tratamento de dados e a eliminação de indeterminações.
publishDate 2023
dc.date.none.fl_str_mv 2023-12-21
2025-01-31T17:16:43Z
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 SOUSA, Filipe Pessôa. Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física. 2023. 119 f. Dissertação (Mestrado em Ciências Computacionais) - Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.
http://www.bdtd.uerj.br/handle/1/23370
identifier_str_mv SOUSA, Filipe Pessôa. Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física. 2023. 119 f. Dissertação (Mestrado em Ciências Computacionais) - Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.
url http://www.bdtd.uerj.br/handle/1/23370
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 Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística
Brasil
UERJ
Programa de Pós-Graduação em Ciências Computacionais
publisher.none.fl_str_mv Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística
Brasil
UERJ
Programa de Pós-Graduação em Ciências Computacionais
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UERJ
instname:Universidade do Estado do Rio de Janeiro (UERJ)
instacron:UERJ
instname_str Universidade do Estado do Rio de Janeiro (UERJ)
instacron_str UERJ
institution UERJ
reponame_str Biblioteca Digital de Teses e Dissertações da UERJ
collection Biblioteca Digital de Teses e Dissertações da UERJ
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)
repository.mail.fl_str_mv bdtd.suporte@uerj.br
_version_ 1829133749016592384

Registros relacionados