Aspectos de aprendizagem em optimização
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.22/2615 |
Resumo: | A optimização e a aprendizagem em Sistemas Multi-Agente são consideradas duas áreas promissoras mas relativamente pouco exploradas. A optimização nestes ambientes deve ser capaz de lidar com o dinamismo. Os agentes podem alterar o seu comportamento baseando-se em aprendizagem recente ou em objectivos de optimização. As estratégias de aprendizagem podem melhorar o desempenho do sistema, dotando os agentes da capacidade de aprender, por exemplo, qual a técnica de optimização é mais adequada para a resolução de uma classe particular de problemas, ou qual a parametrização é mais adequada em determinado cenário. Nesta dissertação são estudadas algumas técnicas de resolução de problemas de Optimização Combinatória, sobretudo as Meta-heurísticas, e é efectuada uma revisão do estado da arte de Aprendizagem em Sistemas Multi-Agente. É também proposto um módulo de aprendizagem para a resolução de novos problemas de escalonamento, com base em experiência anterior. O módulo de Auto-Optimização desenvolvido, inspirado na Computação Autónoma, permite ao sistema a selecção automática da Meta-heurística a usar no processo de optimização, assim como a respectiva parametrização. Para tal, recorreu-se à utilização de Raciocínio baseado em Casos de modo que o sistema resultante seja capaz de aprender com a experiência adquirida na resolução de problemas similares. Dos resultados obtidos é possível concluir da vantagem da sua utilização e respectiva capacidade de adaptação a novos e eventuais cenários. |
id |
RCAP_c3dbab797e41ab35888c89ff2f32836c |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/2615 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
|
spelling |
Aspectos de aprendizagem em optimizaçãoAprendizagemOptimizaçãoEscalonamentoMeta-heurísticasSistemas Multi- AgenteRaciocínio baseado em casosComputação autónomaLearningOptimizationSchedulingMeta-heuristicsMulti-Agent SystemsCasebased reasoningAutonomic computingA optimização e a aprendizagem em Sistemas Multi-Agente são consideradas duas áreas promissoras mas relativamente pouco exploradas. A optimização nestes ambientes deve ser capaz de lidar com o dinamismo. Os agentes podem alterar o seu comportamento baseando-se em aprendizagem recente ou em objectivos de optimização. As estratégias de aprendizagem podem melhorar o desempenho do sistema, dotando os agentes da capacidade de aprender, por exemplo, qual a técnica de optimização é mais adequada para a resolução de uma classe particular de problemas, ou qual a parametrização é mais adequada em determinado cenário. Nesta dissertação são estudadas algumas técnicas de resolução de problemas de Optimização Combinatória, sobretudo as Meta-heurísticas, e é efectuada uma revisão do estado da arte de Aprendizagem em Sistemas Multi-Agente. É também proposto um módulo de aprendizagem para a resolução de novos problemas de escalonamento, com base em experiência anterior. O módulo de Auto-Optimização desenvolvido, inspirado na Computação Autónoma, permite ao sistema a selecção automática da Meta-heurística a usar no processo de optimização, assim como a respectiva parametrização. Para tal, recorreu-se à utilização de Raciocínio baseado em Casos de modo que o sistema resultante seja capaz de aprender com a experiência adquirida na resolução de problemas similares. Dos resultados obtidos é possível concluir da vantagem da sua utilização e respectiva capacidade de adaptação a novos e eventuais cenários.Optimization and learning in Multi-Agent Systems are considered two promising areas but relatively unexplored, and optimization in these environments should be capable of dealing with dynamism. Agents can change their behaviours based on recent learning or based on optimization objectives. Learning strategies can improve the system’s performance, endowing agents with the ability to learn, for example, which optimization technique is more appropriate for the resolution of a particular class of problems, or which parameterization is more suitable to a given scenario. In this dissertation are studied some Combinatorial Optimization problems’ resolution techniques, especially Meta-heuristics, and it is made a revision of Multi-Agent Systems’ Learning state-of-art. It is also proposed a learning module for the resolution of new scheduling problems, based on past experience. The developed Self-Optimizing module, inspired on Autonomic Computing, allows the system to automatically select the Meta-heuristic to use in the optimization process, so as its parameterization. For that, Case-based Reasoning was used so the resulting system can be capable of learning about the acquired experience, in the resolution of similar problems. From the obtained results it is possible to conclude about the benefit of its use and its capacity of adapting to new and potential scenarios.Instituto Politécnico do Porto. Instituto Superior de Engenharia do PortoMadureira, Ana MariaRepositório Científico do Instituto Politécnico do PortoPereira, Ivo2013-11-07T12:05:12Z20092009-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/2615porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-13T12:42:10ZPortal AgregadorONG |
dc.title.none.fl_str_mv |
Aspectos de aprendizagem em optimização |
title |
Aspectos de aprendizagem em optimização |
spellingShingle |
Aspectos de aprendizagem em optimização Pereira, Ivo Aprendizagem Optimização Escalonamento Meta-heurísticas Sistemas Multi- Agente Raciocínio baseado em casos Computação autónoma Learning Optimization Scheduling Meta-heuristics Multi-Agent Systems Casebased reasoning Autonomic computing |
title_short |
Aspectos de aprendizagem em optimização |
title_full |
Aspectos de aprendizagem em optimização |
title_fullStr |
Aspectos de aprendizagem em optimização |
title_full_unstemmed |
Aspectos de aprendizagem em optimização |
title_sort |
Aspectos de aprendizagem em optimização |
author |
Pereira, Ivo |
author_facet |
Pereira, Ivo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Madureira, Ana Maria Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Pereira, Ivo |
dc.subject.por.fl_str_mv |
Aprendizagem Optimização Escalonamento Meta-heurísticas Sistemas Multi- Agente Raciocínio baseado em casos Computação autónoma Learning Optimization Scheduling Meta-heuristics Multi-Agent Systems Casebased reasoning Autonomic computing |
topic |
Aprendizagem Optimização Escalonamento Meta-heurísticas Sistemas Multi- Agente Raciocínio baseado em casos Computação autónoma Learning Optimization Scheduling Meta-heuristics Multi-Agent Systems Casebased reasoning Autonomic computing |
description |
A optimização e a aprendizagem em Sistemas Multi-Agente são consideradas duas áreas promissoras mas relativamente pouco exploradas. A optimização nestes ambientes deve ser capaz de lidar com o dinamismo. Os agentes podem alterar o seu comportamento baseando-se em aprendizagem recente ou em objectivos de optimização. As estratégias de aprendizagem podem melhorar o desempenho do sistema, dotando os agentes da capacidade de aprender, por exemplo, qual a técnica de optimização é mais adequada para a resolução de uma classe particular de problemas, ou qual a parametrização é mais adequada em determinado cenário. Nesta dissertação são estudadas algumas técnicas de resolução de problemas de Optimização Combinatória, sobretudo as Meta-heurísticas, e é efectuada uma revisão do estado da arte de Aprendizagem em Sistemas Multi-Agente. É também proposto um módulo de aprendizagem para a resolução de novos problemas de escalonamento, com base em experiência anterior. O módulo de Auto-Optimização desenvolvido, inspirado na Computação Autónoma, permite ao sistema a selecção automática da Meta-heurística a usar no processo de optimização, assim como a respectiva parametrização. Para tal, recorreu-se à utilização de Raciocínio baseado em Casos de modo que o sistema resultante seja capaz de aprender com a experiência adquirida na resolução de problemas similares. Dos resultados obtidos é possível concluir da vantagem da sua utilização e respectiva capacidade de adaptação a novos e eventuais cenários. |
publishDate |
2009 |
dc.date.none.fl_str_mv |
2009 2009-01-01T00:00:00Z 2013-11-07T12:05:12Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.22/2615 |
url |
http://hdl.handle.net/10400.22/2615 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Instituto Politécnico do Porto. Instituto Superior de Engenharia do Porto |
publisher.none.fl_str_mv |
Instituto Politécnico do Porto. Instituto Superior de Engenharia do Porto |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1777302289003839488 |