Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFMG_3fd9e911b4e51a437ce236b12b9d8d8b |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/58355 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Frederico Gadelha Guimarãeshttp://lattes.cnpq.br/2472681535872194António Gaspar-CunhaMarjorie Maria BellinelloValerio Antonio Pamplona SalomonLeonardo Tomazeli DuarteGisele Lobo Pappahttps://lattes.cnpq.br/4636940519958225Marcos Antonio Alves2023-08-30T20:11:48Z2023-08-30T20:11:48Z2023-04-18http://hdl.handle.net/1843/583550000-0001-6934-6745O 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.The Analytic Hierarchy Process (AHP) multicriteria method can be cognitively demanding for large-scale decision problems due to the need for the decision-maker to make pairwise comparisons among all the available alternatives. To address this issue, in this thesis we propose an interactive method that uses batch learning to provide scalability for classical AHP, called Scalable AHP. The Scalable AHP involves a machine learning algorithm that learns the decision maker's preferences through evaluations of small subsets of solutions and guides the search for the optimal one. The methodology was tested on different optimization problems, artificial and real ones, with different dimensions and Pareto surfaces in order to validate the applicability of the proposal. A one-factor-at-a-time experimentation of each hyperparameter was performed, from evaluating the number of alternatives to be presented to the decision maker, the most suitable machine learning method for each problem, as well as strategies for selecting and recommending solutions in the iterative process. The results demonstrate that the Scalable AHP is capable of learning the utility function that characterizes the decision maker in approximately 15 iterations with only a few comparisons, resulting in significant savings in time and cognitive effort. The initial subset of alternatives can be chosen randomly or following some clustering strategy. Subsequent alternatives are recommended based on some distance metric throughout the iterative process, with the best selection strategy depending on the type of problem. Recommendation based solely on the smallest Euclidean or Cosine distances reveals better results on linear problems. The proposed methodology can also easily incorporate new parameters and multicriteria methods based on pairwised comparisons.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAEngenharia elétricaProcesso decisórioMatrizes (Matemática)AlgoritmosAprendizado do computadorMétodos numéricosProcesso decisório por critério múltiploTomada de decisão escalávelMatrizes pareadasTomada de decisão multicritérioAprendizado em BatchesAnálise hierárquica de processosAprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritérioLearning the decision maker's preferences using machine learning in multicriteria problemsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGLICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/58355/2/license.txtcda590c95a0b51b4d15f60c9642ca272MD52ORIGINALTese_doutorado Marcos Antonio Alves.pdfTese_doutorado Marcos Antonio Alves.pdfTese Doutorado Marcos Antonio Alvesapplication/pdf2012659https://repositorio.ufmg.br/bitstream/1843/58355/1/Tese_doutorado%20Marcos%20Antonio%20Alves.pdfc3a3abe868bef4f89cb8422bf453ba5aMD511843/583552023-08-30 17:11:49.065oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-08-30T20:11:49Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
dc.title.alternative.pt_BR.fl_str_mv |
Learning the decision maker's preferences using machine learning in multicriteria problems |
title |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
spellingShingle |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério Marcos Antonio Alves 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 |
title_short |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
title_full |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
title_fullStr |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
title_full_unstemmed |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
title_sort |
Aprendizado das preferências do decisor usando aprendizado de máquina em problemas multicritério |
author |
Marcos Antonio Alves |
author_facet |
Marcos Antonio Alves |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Frederico Gadelha Guimarães |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/2472681535872194 |
dc.contributor.advisor-co1.fl_str_mv |
António Gaspar-Cunha |
dc.contributor.referee1.fl_str_mv |
Marjorie Maria Bellinello |
dc.contributor.referee2.fl_str_mv |
Valerio Antonio Pamplona Salomon |
dc.contributor.referee3.fl_str_mv |
Leonardo Tomazeli Duarte |
dc.contributor.referee4.fl_str_mv |
Gisele Lobo Pappa |
dc.contributor.authorLattes.fl_str_mv |
https://lattes.cnpq.br/4636940519958225 |
dc.contributor.author.fl_str_mv |
Marcos Antonio Alves |
contributor_str_mv |
Frederico Gadelha Guimarães António Gaspar-Cunha Marjorie Maria Bellinello Valerio Antonio Pamplona Salomon Leonardo Tomazeli Duarte Gisele Lobo Pappa |
dc.subject.por.fl_str_mv |
Tomada de decisão escalável Matrizes pareadas Tomada de decisão multicritério Aprendizado em Batches Análise hierárquica de processos |
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 |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Processo decisório Matrizes (Matemática) Algoritmos Aprendizado do computador Métodos numéricos Processo decisório por critério múltiplo |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-08-30T20:11:48Z |
dc.date.available.fl_str_mv |
2023-08-30T20:11:48Z |
dc.date.issued.fl_str_mv |
2023-04-18 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/58355 |
dc.identifier.orcid.pt_BR.fl_str_mv |
0000-0001-6934-6745 |
url |
http://hdl.handle.net/1843/58355 |
identifier_str_mv |
0000-0001-6934-6745 |
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.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/58355/2/license.txt https://repositorio.ufmg.br/bitstream/1843/58355/1/Tese_doutorado%20Marcos%20Antonio%20Alves.pdf |
bitstream.checksum.fl_str_mv |
cda590c95a0b51b4d15f60c9642ca272 c3a3abe868bef4f89cb8422bf453ba5a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1797971225970999296 |