Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: MATTA, Cláudia Eliane da lattes
Orientador(a): BALESTRASSI, Pedro Paulo lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Itajubá
Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia de Produção
Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
País: Brasil
Palavras-chave em Português:
Aprendizado de máquina
Busca ativa
K-vizinhos-mais-próximos
Processos Gaussianos
Planejamento de experimentos
Otimização
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/2791
Resumo: Existem muitos problemas de engenharia que envolvem a otimização da função objetivo desconhecida. Recentemente, a busca ativa surgiu como uma ferramenta poderosa para resolver problemas dessa natureza, cujas funções objetivo envolvem alto custo de avaliação, seja este computacional ou experimental. Nesta proposta de doutorado busca-se encontrar um objeto (x) com valor ótimo para uma determinada propriedade (y). No entanto, a determinação direta desta propriedade de interesse em todos os objetos disponíveis pode não ser uma opção viável, tendo em vista os recursos, a carga de trabalho e/ou o tempo necessários. Dessa forma, este estudo propõe uma abordagem de aprendizado ativo de máquina, chamada busca ativa, destinado a encontrar uma solução ótima, utilizando delineamento de experimentos para busca inicial. Para aplicação do método foram utilizadas duas técnicas de regressão, chamadas de k-vizinhos-mais próximos e processos Gaussianos. Além disso, um critério de parada foi definido para a técnica de regressão Gaussiana, com o objetivo de reduzir o tempo de processamento do algoritmo. A originalidade do tema encontra-se na metodologia proposta, na utilização de delineamento de experimentos, no algoritmo de busca ativa usando técnicas de regressão que convergem rapidamente para um ótimo global e na utilização de um critério de parada para o algoritmo baseado em critérios estatísticos. Os estudos foram realizados com dados simulados e com dados reais para produção de medicamentos, agroquímicos e aplicação em microrredes elétricas. Em todos esses casos, a busca ativa reduziu o número de experimentos e simulações para obter a propriedade de interesse, em comparação com os algoritmos tradicionais, como o planejamento ótimo de experimentos e o Kennard-Stone.
id UFEI_b32cd746f8566e2cbfd5f441cf8bfedc
oai_identifier_str oai:repositorio.unifei.edu.br:123456789/2791
network_acronym_str UFEI
network_name_str Repositório Institucional da UNIFEI (RIUNIFEI)
repository_id_str
spelling 2021-12-162021-12-202021-12-20T11:40:58Z2021-12-20T11:40:58Zhttps://repositorio.unifei.edu.br/jspui/handle/123456789/2791Existem muitos problemas de engenharia que envolvem a otimização da função objetivo desconhecida. Recentemente, a busca ativa surgiu como uma ferramenta poderosa para resolver problemas dessa natureza, cujas funções objetivo envolvem alto custo de avaliação, seja este computacional ou experimental. Nesta proposta de doutorado busca-se encontrar um objeto (x) com valor ótimo para uma determinada propriedade (y). No entanto, a determinação direta desta propriedade de interesse em todos os objetos disponíveis pode não ser uma opção viável, tendo em vista os recursos, a carga de trabalho e/ou o tempo necessários. Dessa forma, este estudo propõe uma abordagem de aprendizado ativo de máquina, chamada busca ativa, destinado a encontrar uma solução ótima, utilizando delineamento de experimentos para busca inicial. Para aplicação do método foram utilizadas duas técnicas de regressão, chamadas de k-vizinhos-mais próximos e processos Gaussianos. Além disso, um critério de parada foi definido para a técnica de regressão Gaussiana, com o objetivo de reduzir o tempo de processamento do algoritmo. A originalidade do tema encontra-se na metodologia proposta, na utilização de delineamento de experimentos, no algoritmo de busca ativa usando técnicas de regressão que convergem rapidamente para um ótimo global e na utilização de um critério de parada para o algoritmo baseado em critérios estatísticos. Os estudos foram realizados com dados simulados e com dados reais para produção de medicamentos, agroquímicos e aplicação em microrredes elétricas. Em todos esses casos, a busca ativa reduziu o número de experimentos e simulações para obter a propriedade de interesse, em comparação com os algoritmos tradicionais, como o planejamento ótimo de experimentos e o Kennard-Stone.Many engineering problems involve the optimization of the unknown objective function. Recently, active search has emerged as a powerful tool to solve problems of this nature, whose objective function involves high evaluation costs, whether computational or experimental. This thesis proposal seeks to find an object (x) with an optimal value for a given property (y). However, direct determination of this property of interest across all available objects may not be a viable option given the resources, workload and/or time required. Thus, this proposes an active machine learning approach, called active search, to find an optimal solution, using the design of experiments for the initial search. To apply this method, two regression techniques were used, called k-nearest-neighbours and Gaussian processes. Furthermore, a stopping criterion was defined for the Gaussian regression technique to reduce the algorithm processing time. The originality of the theme lies in the proposed methodology, in the use of experimental design, no active search algorithm using regression techniques that quickly converge to a global optimum, and in the use of a stopping criterion for the algorithm based on statistical criteria. The studies were carried out with simulated data and with real data for the production of medicines, agrochemicals and application in electrical microgrids. In all cases, active search reduced the number of experiments and simulations to obtain the property of interest, compared to traditional algorithms such as Optimal Experiment Design and Kennard-Stone.porUniversidade Federal de ItajubáPrograma de Pós-Graduação: Doutorado - Engenharia de ProduçãoUNIFEIBrasilIEPG - Instituto de Engenharia de Produção e GestãoCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃOAprendizado de máquinaBusca ativaK-vizinhos-mais-próximosProcessos GaussianosPlanejamento de experimentosOtimizaçãoMetodologia de planejamento e redução do número de experimentos em problemas de busca ativainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisBALESTRASSI, Pedro Paulohttp://lattes.cnpq.br/8999535447828760DE LORENCI, Eliane Valença Nascimentohttp://lattes.cnpq.br/6445725475979187http://lattes.cnpq.br/1839800190588286MATTA, Cláudia Eliane dainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEILICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2791/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALTese_2021056.pdfTese_2021056.pdfapplication/pdf4385718https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2791/1/Tese_2021056.pdf1ca3d7e2bb13060b243dfad0ce8bf9d8MD51123456789/27912021-12-20 08:41:00.303oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442025-08-26T21:14:31.343585Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false
dc.title.pt_BR.fl_str_mv Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
title Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
spellingShingle Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
MATTA, Cláudia Eliane da
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
Aprendizado de máquina
Busca ativa
K-vizinhos-mais-próximos
Processos Gaussianos
Planejamento de experimentos
Otimização
title_short Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
title_full Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
title_fullStr Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
title_full_unstemmed Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
title_sort Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa
author MATTA, Cláudia Eliane da
author_facet MATTA, Cláudia Eliane da
author_role author
dc.contributor.advisor1.fl_str_mv BALESTRASSI, Pedro Paulo
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/8999535447828760
dc.contributor.advisor-co1.fl_str_mv DE LORENCI, Eliane Valença Nascimento
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/6445725475979187
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/1839800190588286
dc.contributor.author.fl_str_mv MATTA, Cláudia Eliane da
contributor_str_mv BALESTRASSI, Pedro Paulo
DE LORENCI, Eliane Valença Nascimento
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
topic CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
Aprendizado de máquina
Busca ativa
K-vizinhos-mais-próximos
Processos Gaussianos
Planejamento de experimentos
Otimização
dc.subject.por.fl_str_mv Aprendizado de máquina
Busca ativa
K-vizinhos-mais-próximos
Processos Gaussianos
Planejamento de experimentos
Otimização
description Existem muitos problemas de engenharia que envolvem a otimização da função objetivo desconhecida. Recentemente, a busca ativa surgiu como uma ferramenta poderosa para resolver problemas dessa natureza, cujas funções objetivo envolvem alto custo de avaliação, seja este computacional ou experimental. Nesta proposta de doutorado busca-se encontrar um objeto (x) com valor ótimo para uma determinada propriedade (y). No entanto, a determinação direta desta propriedade de interesse em todos os objetos disponíveis pode não ser uma opção viável, tendo em vista os recursos, a carga de trabalho e/ou o tempo necessários. Dessa forma, este estudo propõe uma abordagem de aprendizado ativo de máquina, chamada busca ativa, destinado a encontrar uma solução ótima, utilizando delineamento de experimentos para busca inicial. Para aplicação do método foram utilizadas duas técnicas de regressão, chamadas de k-vizinhos-mais próximos e processos Gaussianos. Além disso, um critério de parada foi definido para a técnica de regressão Gaussiana, com o objetivo de reduzir o tempo de processamento do algoritmo. A originalidade do tema encontra-se na metodologia proposta, na utilização de delineamento de experimentos, no algoritmo de busca ativa usando técnicas de regressão que convergem rapidamente para um ótimo global e na utilização de um critério de parada para o algoritmo baseado em critérios estatísticos. Os estudos foram realizados com dados simulados e com dados reais para produção de medicamentos, agroquímicos e aplicação em microrredes elétricas. Em todos esses casos, a busca ativa reduziu o número de experimentos e simulações para obter a propriedade de interesse, em comparação com os algoritmos tradicionais, como o planejamento ótimo de experimentos e o Kennard-Stone.
publishDate 2021
dc.date.issued.fl_str_mv 2021-12-16
dc.date.available.fl_str_mv 2021-12-20
2021-12-20T11:40:58Z
dc.date.accessioned.fl_str_mv 2021-12-20T11:40:58Z
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 https://repositorio.unifei.edu.br/jspui/handle/123456789/2791
url https://repositorio.unifei.edu.br/jspui/handle/123456789/2791
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.publisher.none.fl_str_mv Universidade Federal de Itajubá
dc.publisher.program.fl_str_mv Programa de Pós-Graduação: Doutorado - Engenharia de Produção
dc.publisher.initials.fl_str_mv UNIFEI
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv IEPG - Instituto de Engenharia de Produção e Gestão
publisher.none.fl_str_mv Universidade Federal de Itajubá
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNIFEI (RIUNIFEI)
instname:Universidade Federal de Itajubá (UNIFEI)
instacron:UNIFEI
instname_str Universidade Federal de Itajubá (UNIFEI)
instacron_str UNIFEI
institution UNIFEI
reponame_str Repositório Institucional da UNIFEI (RIUNIFEI)
collection Repositório Institucional da UNIFEI (RIUNIFEI)
bitstream.url.fl_str_mv https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2791/2/license.txt
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2791/1/Tese_2021056.pdf
bitstream.checksum.fl_str_mv 8a4605be74aa9ea9d79846c1fba20a33
1ca3d7e2bb13060b243dfad0ce8bf9d8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)
repository.mail.fl_str_mv repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br
_version_ 1854751284159053824

Registros relacionados