Optimization By Learning

Detalhes bibliográficos
Autor(a) principal: Silva, Guilherme Cardoso Gomes da
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/92186
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_676bded37e94d01c165de8a82181f7b8
oai_identifier_str oai:estudogeral.uc.pt:10316/92186
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Optimization By LearningOtimização por AprendizagemMachine LearningAnálise de Fitness LandscapeOptimização CombinatóriaTravelling Salesman ProblemSeleção de OperadoresMachine LearningFitness Landscape AnalysisCombinatorial OptimizationTravelling Salesman ProblemOperator SelectionDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaOptimização combinatória é uma área que é objecto de estudo há vários anos, onde existem inúmeros algoritmos diferentes que se especializam em resolver problemas dentro do domínio desta. Um problema de optimização combinatória típico consiste em encontrar uma solução óptima entre um grupo de soluções candidatas com o intuito de maximizar/minimizar um dado objectivo. O campo de Machine Learning observou recentemente um grande crescimento, de particular relevância para este trabalho pela sua utilidade na automatização do processo de criação, adaptação e seleção de algorítmos de optimização aplicados a optimização combinatória. Nesta tese, é explorada a proposta de utilização de métricas de análise de fitness landscape, em exploração local, estocástica e iterativa do Travelling Salesman Problem. Treinamos um classificador de Machine Learning que tenta selecionar o melhor operador possivel numa dada instância, observando as propriedades da fitness landscape do local onde se encontra. Primeiro criamos um dataset para treinar o nosso classificador, e analisamos as instâncias generadas e os padrões de comportamento das métricas retiradas. Depois testamos diferentes configurações de classificadores, explorando os resultados obtidos, e finalmente testamos a nossa solução em conjunto com um algoritmo trepa colinas.Os resultados mostram que a escolha de operadores promissores utilizando um modelo de Machine Learning treinado com métricas relativas à análise da fitness landscape não é uma tarefa trivial, devido a dificuldades em distinguir padrões no comportamento dos operadores e nas propriedades das landscapes dos Travelling Salesman Problems abordados aqui.Combinatorial optimization (CO) is a field that has been an object of study for many years, and there are a multitude of different algorithms specialized in solving a plethora of problems in the area. A typical CO problem consists of finding an optimal solution among a set of candidates that maximizes/minimizes the given objective. The field of Machine Learning has experienced a large growth in recent years for a multitude of purposes, but of particular interest here is its usefulness in the automation of the process of creating, adapting, and selecting optimization algorithms. In this dissertation, we explore the usage of fitness landscape analysis metrics in a local, stochastic, iterative exploration of the Travelling Salesman Problem, to train a Machine Learning classifier that attempts to select the best possible operator given the proprieties of the local landscape of a given solution. We create a dataset to train our model on, then process to analyse the generated instances and the behavior of the extracted metrics. We then test several different classifier configurations, explore the obtained results, and finally test our solution against an hill climbing algorithm.The results show the choice of promising operators utilizing a Machine Learning model trained using fitness landscape analysis metrics is not a trivial task, due to difficulty in discerning patterns both on operator behavior and on the landscape proprieties of the studied Travelling Salesman Problem instances.2020-11-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/92186http://hdl.handle.net/10316/92186TID:202553817engSilva, Guilherme Cardoso Gomes dainfo: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:RCAAP2022-05-25T04:55:04Zoai:estudogeral.uc.pt:10316/92186Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:11:20.990126Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Optimization By Learning
Otimização por Aprendizagem
title Optimization By Learning
spellingShingle Optimization By Learning
Silva, Guilherme Cardoso Gomes da
Machine Learning
Análise de Fitness Landscape
Optimização Combinatória
Travelling Salesman Problem
Seleção de Operadores
Machine Learning
Fitness Landscape Analysis
Combinatorial Optimization
Travelling Salesman Problem
Operator Selection
title_short Optimization By Learning
title_full Optimization By Learning
title_fullStr Optimization By Learning
title_full_unstemmed Optimization By Learning
title_sort Optimization By Learning
author Silva, Guilherme Cardoso Gomes da
author_facet Silva, Guilherme Cardoso Gomes da
author_role author
dc.contributor.author.fl_str_mv Silva, Guilherme Cardoso Gomes da
dc.subject.por.fl_str_mv Machine Learning
Análise de Fitness Landscape
Optimização Combinatória
Travelling Salesman Problem
Seleção de Operadores
Machine Learning
Fitness Landscape Analysis
Combinatorial Optimization
Travelling Salesman Problem
Operator Selection
topic Machine Learning
Análise de Fitness Landscape
Optimização Combinatória
Travelling Salesman Problem
Seleção de Operadores
Machine Learning
Fitness Landscape Analysis
Combinatorial Optimization
Travelling Salesman Problem
Operator Selection
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2020
dc.date.none.fl_str_mv 2020-11-11
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/10316/92186
http://hdl.handle.net/10316/92186
TID:202553817
url http://hdl.handle.net/10316/92186
identifier_str_mv TID:202553817
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
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 Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134010190856192

Registros relacionados