Aspectos de aprendizagem em optimização

Detalhes bibliográficos
Autor(a) principal: Pereira, Ivo
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

Registros relacionados