???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tedebc.ufma.br/jspui/handle/tede/tede/2706
Tipo do documento: Dissertação
Título: Meta-aprendizagem para seleção de algoritmos sintonizados aplicada ao Problema de Flow Shop Permutacional.
Título(s) alternativo(s): Meta-learning for algorithm selection Tuned to the Flow Shop Problem Permutational.
Autor: NASCIMENTO, Chrystian Gustavo Martins 
Primeiro orientador: OLIVEIRA, Alexandre César Muniz de
Primeiro membro da banca: OLIVEIRA, Alexandre César Muniz de
Segundo membro da banca: COUTINHO, Luciano Reis
Terceiro membro da banca: SOUZA, Bruno Feres de
Quarto membro da banca: CARVALHO, André Carlos Ponce de Leon Ferreira de
Resumo: Meta-heurísticas são estratégias de busca de alto nível que orientam a busca para regiões mais promissoras do espaço da solução e tentam escapar das soluções ótimas locais. Porém, devido a heterogeneidade das instâncias dos problemas de otimização combinatória não é garantido que uma meta-heurística consiga obter sempre a melhor solução em um conjunto de meta-heurísticas, por isso a seleção de algoritmo, como a meta-aprendizagem, pode fornecer uma solução mais efetiva ao definir qual meta-heurística escolher de acordo com as características estruturais das instâncias. Neste trabalho propõe-se um framework de meta-aprendizagem para seleção de meta-heurísticas sintonizadas por método de corrida, que inclui meta-características extraídas a partir da representação baseada em grafo do problema e definição das meta-classes a partir das meta-heurísticas sintonizadas. Experimentos mostraram que a abordagem é eficaz para seleção de meta-heurísticas e de seus parâmetros para instancias Flow Shop. E que as meta-características escolhidas conseguem extrair informações estruturais relevantes para o problema abordado.
Abstract: Meta-heuristics are high-level search strategies that guide the search for the most promising regions of the solution space and try to escape the optimal local solutions. However, due to the heterogeneity of instances of combinatorial optimization problems, it is not guaranteed that a meta-heuristic can always obtain the best solution in a set of metaheuristics, so algorithm selection, such as meta-learning, can provide a most effective solution when defining which meta-heuristic to choose according to the structural characteristics of the instances. In this work we propose a meta-learning framework for meta-heuristics selection tuned by the race method, which includes meta-features extracted from the graph-based representation of the problem and definition of the meta-classes from of the tuned meta-heuristics. Experiments have shown that the approach is effective for selecting meta-heuristics and their parameters for instances And that the chosen meta-features can extract structural information relevant to the problem addressed.
Palavras-chave: Meta-aprendizagem; método de corrida; Meta-heurística; Representação baseada em grafos; Problema de escalonamento Flow Shop Permutacional
Meta-learning; Racing; Metaheuristic; Graph-based representation; Permutation Flow Shop Scheduling Problem
Área(s) do CNPq: Matemática da Computação.
Idioma: por
País: Brasil
Instituição: Universidade Federal do Maranhão
Sigla da instituição: UFMA
Departamento: DEPARTAMENTO DE INFORMÁTICA/CCET
Programa: PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET
Citação: NASCIMENTO, Chrystian Gustavo Martins. Meta-aprendizagem para seleção de algoritmos sintonizados aplicada ao Problema de Flow Shop Permutacional.. 2019. 74 folhas. Dissertação(Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís.
Tipo de acesso: Acesso Aberto
URI: https://tedebc.ufma.br/jspui/handle/tede/tede/2706
Data de defesa: 18-Apr-2019
Appears in Collections:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
Chrystian Gustavo Martins.pdfDissertação de Mestrado.1,25 MBAdobe PDFDownload/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.