Aviso: O site da UTFPR está sendo reestruturado. Você está visitando a nossa página antiga.

Neste momento de transição, algumas atualizações estão sendo realizadas na nova versão, disponível aqui

Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2018 CPGEI (Mestrado): Lucas Prestes - 13/04/18

CPGEI (Mestrado): Lucas Prestes - 13/04/18

Defesa Pública de Mestrado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 13/04/2018
das 09h00 até 12h00
Onde Sede Central: Sala Q-309
Nome do Contato Myriam Regattieri De Biase da Silva Delgado
Participantes Profa. Myriam Regattieri De Biase da Silva Delgado, Dra. Orientadora - UTFPR
Prof. Richard Gonçalves, Dr. Co-orientador - UNICENTRO
Banca examinadora:
Profa. Myriam Regattieri De Biase da Silva Delgado, Dra. Presidente - UTFPR
Prof. Ricardo Lüders, Dr. - UTFPR
Profa. Sandra Mara Guse Scós Venske, Dra. - UNICENTRO
Adicionar evento ao calendário vCal
iCal

Hiper-Heurística utilizando a Técnica Upper Confidence Bound para otimização multiobjetivo baseada em decomposição

Resumo: Muitos problemas reais de otimização têm sido formulados com mais de um objetivo. Recentemente, vários algoritmos evolucionários multiobjetivo foram propostos e particularmente aqueles baseados em computação evolucionária e decomposição, como o MOEA/D-DRA, têm sido aplicados com sucesso na resolução desses problemas. Contudo, a literatura mostra que o desempenho dessa classe de algoritmos é profundamente afetado pela escolha de seus parâmetros. Métodos de configuração automática de parâmetros aparecem como uma alternativa pois têm apresentado bons resultados na literatura. Portanto, o propósito deste trabalho é aperfeiçoar, através de uma Hiper-Heurística para configuração automática de parâmetros, um algoritmo baseado em decomposição voltado para problemas multiobjetivo. O ajuste de parâmetros via Hiper-heurística é realizado tanto em modo off-line quanto online. O irace é utilizado na etapa off-line e determina os parâmetros utilizados durante o warm-up do algoritmo enquanto o Upper Confidence Bound (UCB) é utilizado na etapa online que ocorre após o warm-up. Na maioria dos trabalhos relacionados ao uso do UCB para melhorar o desempenho do MOEA/D e suas variantes, apenas a estratégia de mutação é ajustada, enquanto nesse trabalho são ajustados além da estratégia de mutação, a taxa de cruzamento, o fator de mutação, a probabilidade de utilizar a vizinhança global ou local e o número máximo de atualizações na vizinhança. Buscando encontrar uma estrutura eficiente, os testes executados são divididos em estágios. A melhor variante é então comparada com métodos do estado-da-arte (NSGA-II, IBEA e MOEA/D-DRA). Os resultados indicam que a abordagem proposta é muito competitiva com a literatura. A análise estatística realizada mostra que o método proposto foi igual ou superior aos métodos do estado-da-arte em 38 de 51 instâncias dos benchmarks CEC2009, GLT, LZ, MOP, DTLZ e WFG.
Palavras-chave: Otimização Multiobjetivo; Evolução Diferencial; Algoritmos Evolucionários Baseados em Decomposição; MOEA/D-DRA; Hiper-Heurística; UCB.

A Hyper Heuristic Using the Upper Confidence Bound Technique for multi-objective optimization based on decomposition

Abstract: Many real optimization problems have been formulated with more than one objective. Recently, several multi-objective evolutionary algorithms were proposed and particularly those based on evolutionary computation and decomposition, such as the MOEA/D-DRA, have been successfully applied to solve these problems. However, the literature demonstrates that the performance of this class of algorithms is severely affected by its parameter settings. Automatic parameter configuration methods emerge as an alternative as they have presented good results in the literature. Therefore, based on a Hyper-Heuristic for automatic parameter configuration we aim at improving the performance of an algorithm based on decomposition developed to solve multi-objective problems. The Hyper-heuristic parameter setting is performed in both offline and online modes. The irace algorithm is used at the offline stage to set the parameters used during the algorithm warm-up while the Upper Confidence Bound (UCB) is used at the online stage which occurs after the warm-up. The majority of the works related to the use of UCB to improve the performance of the MOEA/D and its variants adjust only the mutation strategy, whereas the proposed approach adjusts, besides the mutation strategy, several other parameters like crossover rate, mutation factor, probability of choosing the global or local neighborhood and the maximum number of updates in the neighborhood. The experiments are divided into stages to find out an efficient structure. The best variant is then compared with state-of-the-art methods (NSGA-II, IBEA and MOEA/D-DRA). The results indicate that the proposed approach is very competitive with the literature. The performed statistical analysis shows that the proposed approach is equal or superior to the state-of-the-art methods in 38 of 51 instances from the benchmarks CEC2009, GLT, LZ, MOP, DTLZ and WFG.
Keywords: Multi-objective Optimization; Differential Evolution; Evolutionary Algorithms based on Decomposition; MOEA/D-DRA; Hyper-Heurisitc; UCB.

Lista de publicações:

PRESTES, L. et al. A hyper-heuristic in MOEA/D-DRA using the upper confidence bound technique. Brazilian Conference on Intelligent Systems (BRACIS), Uberlândia, Brazil, n. 6, October 2017.

PRESTES, L. et al. Boosting the performance of MOEA/D-DRA with a multi-objective hyper-heuristic based on irace and ucb method for heuristic selection. In: . Rio de Janeiro, Brasil: July, 2018.

Ações do documento