Evolução diferencial baseada em aprendizado por transferência para otimização em dois níveis

• Ano de defesa: 2023
• Autor(a) principal: Russo, Igor Lucas de Souza
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Otimização combinatória; Otimização em dois níveis; Evolução diferencial; Aprendizado por transferência; CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE::ANALISE COMPLEXA
• Link de acesso: https://tede.lncc.br/handle/tede/379

Problemas de otimização em dois níveis (PDNs) modelam situações de tomada de decisão hierárquicas nas quais parte das restrições do problema é determinada a partir da solução de outro(s) problema(s) de otimização, chamados problemas seguidores. Esta estrutura hierárquica é encontrada em diversas aplicações, como em economia, segurança, transporte e engenharia. São necessários métodos especializados para resolvê-los, uma vez que métodos clássicos de otimização não podem ser aplicados diretamente e meta-heurísticas tradicionais demandam alto custo computacional. Assim, a formulação de métodos para acelerar a resolução de tais problemas constitui caminho de pesquisa relevante para possibilitar a modelagem e solução de problemas de grande porte. Recentemente, um novo paradigma de otimização denominado aprendizado por transferência tem alcançado resultados expressivos em termos de redução de custo computacional em diferentes domínios de aplicação. Em particular, a técnica de multitarefa consiste em resolver dois ou mais problemas de otimização simultaneamente utilizando uma única população, explorando sua similaridade para reduzir o custo computacional. Este trabalho apresenta o MT-BLDE, um algoritmo de Evolução Diferencial baseado em aprendizado por transferência e metamodelos para resolver PDNs eficientemente. Além da abordagem multitarefa para resolver diversos problemas seguidores simultaneamente, conhecimento prévio na forma de soluções de problemas líderes já resolvidos é utilizado para acelerar a convergência. Quando comparado aos métodos do estado da arte, foi obtida uma redução do número de avaliações de funções do problema de nível superior, alcançando acurácia competitiva.