Aviso: Você está visitando a nossa página antiga, por isso algumas informações podem estar desatualizadas.

Para saber mais sobre a Instituição, acesse o novo Portal da UTFPR

Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2017 CPGEI (Doutorado): Marcella Scoczynski Ribeiro Martins - 11/12/2017

CPGEI (Doutorado): Marcella Scoczynski Ribeiro Martins - 11/12/2017

Defesa Pública de Doutorado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 11/12/2017
das 08h00 até 12h00
Onde Sede Central: Sala de vídeo conferência
Nome do Contato Myriam Regattieri de Biase da Silva Delgado
Participantes Profa. Myriam Regattieri de Biase da Silva Delgado , Dra. Orientadora - UTFPR
Prof. Ricardo Luders, Dr. Co-orientador - UTFPR
Banca examinadora:
Profa. Myriam Regattieri de Biase da Silva Delgado, Dra. Presidente - UTFPR
Prof. Roberto Santana Hermida, Dr. - University of the Basque Country
Prof. Gilberto Reynoso Meza, Dr. - PUC-PR
Profa. Aurora Trinidad Ramirez Pozo, Dra. - UFPR
Profa. Viviana Cocco Mariani, Dra. - PUC-PR
Examinador Suplente:
Profa. Lucia Valeria Ramos de Arruda, Dra. - UTFPR
Adicionar evento ao calendário vCal
iCal

Um Algoritmo de Estimação de Distribuição Híbrido Multiobjetivo com Modelo Probabilístico Bayesiano

Resumo: Atualmente, diversas metaheurísticas têm sido desenvolvidas para tratarem problemas de otimização multiobjetivo. Os Algoritmos de Estimação de Distribuição são uma classe específica de metaheurísticas que exploram o espaço de variáveis de decisão para construir modelos de distribuição de probabilidade a partir das soluções promissoras. O modelo probabilístico destes algoritmos captura estatísticas das variáveis de decisão e suas interdependências com o problema de otimização. Além do modelo probabilístico, a incorporação de métodos de busca local em Algoritmos Evolutivos Multiobjetivo pode melhorar consideravelmente os resultados. Estas duas técnicas, quando aplicadas em conjunto, têm apresentado excelentes resultados na resolução de problemas de otimização multiobjetivo. Neste trabalho, um algoritmo de estimação de distribuição híbrido, denominado HMOBEDA (Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm), o qual é baseado em redes bayesianas e busca local é proposto no contexto de otimização multi e com muitos objetivos a fim de estruturar, no mesmo modelo probabilístico, as variáveis, objetivos e as configurações dos parâmetros da busca local. Diferentes versões do HMOBEDA foram testadas utilizando instâncias do problema da mochila multiobjetivo com dois a cinco e oito objetivos.
O HMOBEDA também é comparado com outros cinco métodos evolucionários (incluindo uma versão modificada do NSGA-III, adaptada para otimização combinatória) nas mesmas instâncias do problema da mochila, bem como, em um conjunto de instâncias do modelo MNK-landscape para dois, três, cinco e oito objetivos. \mar{As fronteiras de Pareto aproximadas também foram avaliada utilizando as probabilidades estimadas pelas estruturas das redes resultantes, bem como, foram analisadas as interações entre variáveis, objetivos e parâmetros de busca local a partir da representação da rede bayesiana.} Os resultados mostram que a melhor versão do HMOBEDA apresenta um desempenho superior em relação às abordagens comparadas. O algoritmo não só fornece os melhores valores para os indicadores de hipervolume, capacidade e distância invertida geracional, como também apresenta um conjunto de soluções com alta diversidade próximo à fronteira de Pareto estimada.
Palavras-chave: Otimização Multi-objetivo, algoritmo de estimação de distribuição, hibridização

A Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm

Abstract: Nowadays, a number of metaheuristics have been developed for dealing with multiobjective optimization problems. Estimation of distribution algorithms (EDAs) are a special class of metaheuristics that explore the decision variable space to construct probabilistic models from promising solutions. The probabilistic model used in EDA captures statistics of decision variables and their interdependencies with the optimization problem. Moreover, the aggregation of local search methods can notably improve the results of multi-objective evolutionary algorithms. Therefore, these hybrid approaches have been jointly applied to multi-objective problems with excellent results.
In this work, a Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm (HMOBEDA), which is based on a Bayesian network, is proposed to multi and many objective scenarios by modeling the joint probability of decision variables, objectives, and configuration parameters of an embedded local search (LS). We tested different versions of HMOBEDA using instances of the multi-objective knapsack problem for two to five and eight objectives.
HMOBEDA is also compared with five cutting edge evolutionary algorithms (including a modified version of NSGA-III, for combinatorial optimization) applied to the same knapsack instances, as well to a set of MNK-landscape instances for two, three, five and eight objectives. An analysis of the resulting Bayesian network structures and parameters has also been carried to evaluate the approximated Pareto front from a probabilistic point of view, and also to evaluate how the interactions among variables, objectives and local search parameters are captured by the Bayesian networks.
Results show that HMOBEDA outperforms the other approaches. It not only provides the best values for hypervolume, capacity and inverted generational distance indicators in most of the experiments, but it also presents a high diversity solution set close to the estimated Pareto front.
Keywords: Multi-objective optimization, estimation of distribution algorithm, hybridization

Lista de publicações:

MARTINS, M S R ; DELGADO, M.R. ; LÜDERS, R. ; HERMIDA, R. S. ; GONÇALVES, R. A. ; ALMEIDA, C. P. . Probabilistic Analysis of Pareto Front Approximation for a Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm. In: Brazilian Conference on Intelligent Systems, 2017, Uberlândia. Proceedings of Bracis 2017, 2017. v. 1. p. 1-(to appear).

MARTINS, MARCELLA ; DELGADO, M.R. ; LÜDERS, R. ; HERMIDA, R. S. ; GONÇALVES, R. A. ; ALMEIDA, C. P. . Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm: A comparative analysis for the multi-objective knapsack problem. JOURNAL OF HEURISTICS , v. 1, p. 1-23, 2017.

EL YAFRANI, MOHAMED ; MARTINS, MARCELLA ; WAGNER, MARKUS ; AHIOD, BELAÏD ; DELGADO, MYRIAM ; LÜDERS, RICARDO . A hyperheuristic approach based on low-level heuristics for the travelling thief problem. Genetic Programming and Evolvable Machines , v. 1, p. 1-30, 2017.

MARTINS, MARCELLA S. R. ; EL YAFRANI, MOHAMED ; DELGADO, MYRIAM R. B. S. ; WAGNER, MARKUS ; AHIOD, BELAÏD ; LÜDERS, RICARDO . HSEDA. In: the Genetic and Evolutionary Computation Conference, 2017, Berlin. Proceedings of the Genetic and Evolutionary Computation Conference on - GECCO '17. New York: ACM Press, 2017. p. 361-368.

MARTINS, M S R ; DELGADO, M.R. ; HERMIDA, R. S. ; LÜDERS, R. ; GONÇALVES, R. A. ; ALMEIDA, C. P. . HMOBEDA: Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm. In: Genetic and Evolutionary Computation Conference - GECCO 2016, 2016, Denver. Proceedings of GECCO 2016, 2016. p. 1-6.

Ações do documento