Mostrar registro simples

dc.contributor.advisorRamirez Pozo, Aurora Trinidad, 1959-pt_BR
dc.contributor.authorStrickler, Andrei Stricklerpt_BR
dc.contributor.otherSantana Hermida, Robertopt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informáticapt_BR
dc.date.accessioned2018-02-02T15:39:49Z
dc.date.available2018-02-02T15:39:49Z
dc.date.issued2017pt_BR
dc.identifier.urihttp://hdl.handle.net/1884/46054
dc.descriptionOrientador : Profª. Drª. Aurora Trinidad Ramirez Pozopt_BR
dc.descriptionCoorientador : Prof. Dr. Roberto Santana Hermidapt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 20/02/2017pt_BR
dc.descriptionInclui referências : f. 45-50pt_BR
dc.descriptionÁrea de concentração: Ciência da computaçãopt_BR
dc.description.abstractResumo: Pesquisas apontam que, em problemas de otimização mono-objetivo, a capacidade de busca dos algoritmos de estimação de distribuição é fortemente influenciada pelo método de seleção que implementam. O mesmo se observa em problema de otimização multi-objetivo, isto é, os métodos de seleção e as estratégias de substituição desempenham papel importante. No entanto, esta relação entre modelos probabilísticos e os métodos de seleção não tem sido alvo de pesquisas ainda. Neste trabalho, é abordada esta questão avaliando algumas variantes de estratégias de seleção e diferentes modelos probabilísticos. Isto permite detectar possíveis interações entre esses dois componentes dos algoritmos evolutivos multi-objetivo. Especialmente, foram utilizadas as estratégias de seleção utilizadas nos algoritmos NSGA-II, SPEA2 e IBEA, e os modelos probabilísticos implementados como parte do UMDA e CMA-ES, bem como o operador de crossover (SBX). Dois conjuntos de problemas de benchmark para o contexto multi-objetivo com diferentes características são usados para a análise, são eles: problemas da família DTLZ e da ferramenta COCO recentemente introduzida. Os resultados mostram que utilizar modelos probabilísticos tem uma vantagem sobre o operador genético tradicional, desconsiderando o método de seleção aplicado. Entretanto, os resultados obtidos também mostram que alguns métodos de seleção apresentam um melhor desempenho quando aplicados em conjunto com MOEDAs. Palavras-chave: Algoritmos de Estimação de Distribuição, Problemas de Otimização Multi- Objetivo, Algoritmos Evolutivos Multi-Objetivo, Métodos de Seleção.pt_BR
dc.description.abstractAbstract: Researches point that, in mono-objective optimization problems, the search capability of estimation of distribution algorithms is strongly influenced by the selection method they implement. The same is true in multi-objective optimization problem, that is, the selection methods and replacement strategies play an important role. However, this relationship between probabilistic models and selection methods has not been the subject of research yet. In this work, this question is approached by evaluating some variants of selection strategies and different probabilistic models. This allows to detect possible interactions between these two components of the multi-objective evolutionary algorithms. In particular, we used the selection strategies used in the NSGA-II, SPEA2 and IBEA algorithms, and the probabilistic models implemented as part of the UMDA and CMA-ES, as well as the crossover operator (SBX). Two sets of benchmark problems for the multi-objective context with different characteristics are used for the analysis, they are: problems of the DTLZ family and the recently introduced COCO framework. The results show that using probabilistic models has an advantage over the traditional genetic operator, disregarding the applied selection method. However, the obtained results also show that some selection methods present a better performance when applied in conjunction with MOEDAs. Keywords: Estimation of Distribution Algorithms, Multi-Objective Optimization Problems, Multi-Objective Evolutionary Algorithms, Selection Methods.pt_BR
dc.format.extent50 f. : il., algumas color., tabs., grafs.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectCiência da computaçãopt_BR
dc.subjectOtimização matematicapt_BR
dc.subjectAlgoritmos geneticospt_BR
dc.subjectTesespt_BR
dc.titleAnálise do impacto das estratégias de seleção de tradicionais MOEAs EM MOEDAs : CMA-ES E UMDApt_BR
dc.typeDissertaçãopt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples