Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Dantas, Augusto Lopez
Orientador(a): Ramirez Pozo, Aurora Trinidad, 1959-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Algorítmos
Otimização combinatoria
Programação heurística
Ciência da Computação
Link de acesso: https://hdl.handle.net/1884/97303
Resumo: Orientadora: Aurora Trinidad Ramirez Pozo
id UFPR_33029c26c308dfac8d89ca33aca0aa69
oai_identifier_str oai:acervodigital.ufpr.br:1884/97303
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaRamirez Pozo, Aurora Trinidad, 1959-Dantas, Augusto Lopez2025-07-08T18:25:56Z2025-07-08T18:25:56Z2019https://hdl.handle.net/1884/97303Orientadora: Aurora Trinidad Ramirez PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 13/02/2019Inclui referências: p.48-51Resumo: Algoritmos meta-heurísticos são usados para obter boas soluções em tempo factível para vários problems de busca NP-difícil. Entretanto, o desempenho dos algoritmos depende fortemente das características do problema, o que significa que não há um único método capaz de obter as melhores soluções em todos os cenários. Portanto, estudar formas de realizar seleção automática de algoritmo para problemas de otimização é um crescente tópico de pesquisa nos últimos anos. Esse tipo de tarefa pode ser abordado através de conceitos de metaaprendizagem, oriundos da comunidade de aprendizagem de máquina, cujo objetivo é mapear as características das instâncias do problema ao desempenho de um conjunto de algoritmos. Um aspecto fundamental de meta-aprendizagem é a caracterização das instâncias, o que é feito pelas meta-características e que, por sua vez, devem ser propriedades informativas que afetam o desempenho dos algoritmos. Algumas pesquisas propõem o uso de medidas baseadas em Análise de Superfície de Aptidão (ASA) para representar as instâncias. Esse tipo de métrica caracteriza as formas das superfícies geradas por um operador heurístico, e são tradicionalmente usadas para relacionar a dificuldade que um determinado problema oferece à uma meta-heurística. Neste trabalho, foi conduzida de forma progressiva uma série de estudos relacionados à seleção de algoritmos com meta-aprendizagem e medidas de ASA para o Problema Quadrático de Alocação (PQA). O PQA é um clássico problema de busca NP-difícil e é conhecido por ser um dos mais desafiadores para algoritmos de otimização. As principais contribuições deste trabalho são os experimentos de meta-aprendizagem realizados usando medidas de ASA conhecidas na literatura e alguns dos algoritmos meta-heurísticos do estado-da-arte. Diversos aspectos da abordagem são evidenciadas ao longo dos estudos, como desempenho de classificação, esforço de aplicação e consumo de tempo.Abstract: Meta-heuristic algorithms have been used to obtain good solutions in feasible time for many NP-hard search problems. However, the performance of the algorithms heavily depends on the features of the problem, meaning that it does not exist a single method able to achieve the best solutions in all scenarios. Therefore, studying ways to perform automatic algorithm selection for optimization problems is an increasing research topic in the past recent years. This type of task can be addressed by using meta-learning concepts, from the machine learning community, which aims at mapping the characteristics of problem instances to the performance of a set of algorithms. A key aspect of meta-learning is the characterization of the instances, which is done by the meta-features that, in turn, must be informative properties that affect the performance of the algorithms. Some researches have proposed the use of features based on Fitness Landscape Analysis (FLA) to characterize the instances. This type of measures characterizes the landscape shapes generated by a heuristic operator, and are traditionally used to relate the difficulty in which a problem imposes to a meta-heuristic. In this work, a series of studies were progressively conducted regarding algorithm selection with meta-learning and FLA features for the Quadratic Assignment Problem (QAP). The QAP is a classical NP-hard search problem that is known for being one of the most challenging for optimization algorithms. The main contributions of this work are the meta-learning experiments performed using well known sets of FLA measures from the literature and some of the state-of-the-art meta-heuristic algorithms. Several aspects of the approach are highlighted along the studies, such as the performance of classification, application effort and time consumption.1 recurso online : PDF.application/pdfAlgorítmosOtimização combinatoriaProgramação heurísticaCiência da ComputaçãoAutomatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measuresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisengreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - AUGUSTO LOPEZ DANTAS.pdfapplication/pdf2328867https://acervodigital.ufpr.br/bitstream/1884/97303/1/R%20-%20D%20-%20AUGUSTO%20LOPEZ%20DANTAS.pdf855355b1bcde215dcc82dce200224c8fMD51open access1884/973032025-07-08 15:25:56.572open accessoai:acervodigital.ufpr.br:1884/97303Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082025-07-08T18:25:56Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
title Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
spellingShingle Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
Dantas, Augusto Lopez
Algorítmos
Otimização combinatoria
Programação heurística
Ciência da Computação
title_short Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
title_full Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
title_fullStr Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
title_full_unstemmed Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
title_sort Automatic algorithm selection for the quadratic assignment problem using meta-learning principles and fitness landscape measures
author Dantas, Augusto Lopez
author_facet Dantas, Augusto Lopez
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.contributor.author.fl_str_mv Dantas, Augusto Lopez
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Algorítmos
Otimização combinatoria
Programação heurística
Ciência da Computação
topic Algorítmos
Otimização combinatoria
Programação heurística
Ciência da Computação
description Orientadora: Aurora Trinidad Ramirez Pozo
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2025-07-08T18:25:56Z
dc.date.available.fl_str_mv 2025-07-08T18:25:56Z
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://hdl.handle.net/1884/97303
url https://hdl.handle.net/1884/97303
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/97303/1/R%20-%20D%20-%20AUGUSTO%20LOPEZ%20DANTAS.pdf
bitstream.checksum.fl_str_mv 855355b1bcde215dcc82dce200224c8f
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526189618429952

Registros relacionados