Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério

• Autor(a) principal: Marcos Antonio Alves
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/58355
• topic: Tomada de decisão escalável; Matrizes pareadas; Tomada de decisão multicritério; Aprendizado em Batches; Análise hierárquica de processos; Engenharia elétrica; Processo decisório; Matrizes (Matemática); Algoritmos; Aprendizado do computador; Métodos numéricos; Processo decisório por critério múltiplo

O método multicritério Análise Hierárquica de Processos (AHP) pode ser cognitivamente exigente para problemas de decisão de grande escala devido à necessidade de que o decisor faça avaliações pareadas de todas as alternativas. Para resolver esse problema, este trabalho propõe um método interativo que usa aprendizado em batches para fornecer escalabilidade para o AHP, chamado AHP Escalável. O AHP Escalável envolve um algoritmo de aprendizado de máquina que aprende as preferências do tomador de decisão por meio de avaliações de pequenos subconjuntos de soluções e orienta a busca pela solução ótima. A metodologia foi testada em diferentes problemas de otimização, artificiais e reais, com diferentes dimensões e fronteiras Pareto para validar a aplicabilidade da proposta. Uma experimentação de um fator por vez de cada hiperparâmetro foi feita, desde a avaliação do número de alternativas para serem apresentadas ao decisor, método de aprendizado de máquina mais adequado para cada problema, além das estratégias para seleção e recomendação de soluções no processo iterativo. Os resultados demonstram que o AHP Escalável é capaz de aprender a função de utilidade que caracteriza o decisor em aproximadamente 15 iterações com apenas algumas comparações, resultando em significativa economia de tempo e esforço cognitivo. O subconjunto inicial de alternativas pode ser escolhido de forma aleatória ou seguindo alguma estratégia de agrupamento. As alternativas subsequentes são recomendadas durante o processo iterativo seguindo alguma métrica baseada em distância, com a melhor estratégia de seleção dependendo do tipo de problema. A recomendação baseada apenas na menor distância Euclidiana ou Cosseno revelou melhores resultados em problemas lineares. A metodologia proposta também pode facilmente incorporar novos parâmetros e métodos multicritérios baseados em comparações pareadas.