Detalhes bibliográficos
| Ano de defesa: |
2014 |
| Autor(a) principal: |
Santi, Éverton |
| Orientador(a): |
Aloise, Daniel |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufrn.br/jspui/handle/123456789/19571
|
Resumo: |
Apresenta-se neste trabalho um novo modelo para o Problema das p-Medianas Heterogêneo (PPMH), proposto para recuperar a estrutura de categorias não-observadas presente em dados oriundos de uma tarefa de triagem, uma abordagem popular que possibilita entender a percepção heterogênea que um grupo de indivíduos tem em relação a um conjunto de produtos ou marcas. Este novo modelo é chamado Problema das p-Medianas Heterogêneo Livre de Penalidade (PPMHLP), uma versão mono-objetivo do problema original, o PPMH. O parâmetro principal do modelo PPMH é também eliminado, o fator de penalidade. Este parâmetro é responsável pela ponderação dos termos de sua função objetivo. O ajuste do fator de penalidade controla a maneira como o modelo recupera a estrutura de categorias não-observadas presente nos dados e depende de um amplo conhecimento do problema. Adicionalmente, duas formulações complementares para o PPMHLP são apresentadas, ambas problemas de programação linear inteira mista. A partir destas formulações adicionais, limitantes inferiores foram obtidos para o PPMHLP. Estes valores foram utilizados para validar um algoritmo de Busca em Vizinhança Variada (VNS), proposto para resolver o PPMHLP. Este algoritmo obteve soluções de boa qualidade para o PPMHLP, resolvendo instâncias geradas de forma artificial por meio de uma Simulação de Monte Carlo e instâncias reais, mesmo com recursos computacionais limitados. As estatísticas analisadas neste trabalho sugerem que o novo algoritmo e modelo, o PPMHLP, pode recuperar de forma mais precisa que o algoritmo e modelo original, o PPMH, a estrutura de categorias não-observadas presente nos dados, relacionada à percepção heterogênea dos indivíduos. Por fim, uma exemplo de aplicação do PPMHLP é apresentado, bem como são consideradas novas possibilidades para este modelo, estendendo-o a ambientes fuzzy |
