Azure Jay Search (AJS)

Detalhes bibliográficos
Autor(a) principal: Macedo, Camila Andrade de
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
Texto Completo: http://repositorio.uem.br:8080/jspui/handle/1/6791
Resumo: Orientador: Prof. Dr. Rodrigo Clemente Thom de Souza.
id UEM-10_9cb9c07d565f77ee95b3ca8e881d0cff
oai_identifier_str oai:localhost:1/6791
network_acronym_str UEM-10
network_name_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository_id_str
spelling Azure Jay Search (AJS)Azure Jay Search (AJS)Inteligência de Enxames (IE)629.8Orientador: Prof. Dr. Rodrigo Clemente Thom de Souza.Coorientadora: Profª. Drª. Gislaine Camila Lapasini Leal.Dissertação (mestrado em Engenharia de Produção) - Universidade Estadual de Maringá, 2021Uma variedade crescente de algoritmos baseados em Inteligência de Enxames (IE) pode ser encontrada na literatura. Esse aumento constante se deve ao bom desempenho de tais métodos na resolução de problemas complexos de otimização. Entre esses problemas, pode-se considerar desde espaços de busca contínuos até binários. Geralmente, essas metaheurísticas são propostas primeiramente para lidar com variáveis contínuas. Contudo, para lidar com variáveis binárias, alguma técnica de binarização deve ser empregada. Esta dissertação tem como principal objetivo propor uma nova metaheurística de otimização baseada em IE para a tarefa de Seleção de Atributos (SA) em um conjunto de dados de Diagnóstico de Falhas (DF). DF é o processo de determinar a natureza ou causa de uma falha, analisando um conjunto ou histórico de informações para melhorar a qualidade, reduzir custos e facilitar a manutenção preventiva nos processos de produção. A estrutura da pesquisa segue o modelo multipaper, composta por dois artigos desenvolvidos de modo a alcançar o objetivo principal. O primeiro artigo propõe duas versões de um novo Crow Search Algorithm (CSA) modificado baseado em flocking chamado Azure Jay Search (AJS) para resolver problemas de otimização contínua. O desempenho do AJS foi comparado experimentalmente com o clássico Particle Swarm Optimization (PSO) e algumas técnicas de IE também baseadas no comportamento de aves, em termos de acurácia média, desvio padrão e custo computacional quando submetidos a 10 funções de domínio público multimodais de dimensão fixa. Apesar de um custo computacional relativamente maior quando comparado a outras técnicas, ambas as versões do algoritmo AJS tiveram um desempenho relativamente bom em termos de acurácia média. O segundo artigo propõe uma versão binária do AJS (BAJS) para o problema de SA em um modelo baseado em wrapper. O BAJS proposto é aplicado para a tarefa de SA justamente em um conjunto de dados de DF na Indústria Siderúrgica. O desempenho do BAJS é avaliado em termos de acurácia média de treinamento, desvio padrão, custo computacional e número de atributos selecionados quando comparado a outras metaheurísticas de IE também binárias. Apesar da complexidade do conjunto de dados e do BAJS ter apresentado um custo computacional relativamente maior do que as outras técnicas comparadas, ele alcançou uma acurácia média de treinamento relativamente boa (baseada no método de validação k-fold Cross Validation) e subconjuntos com um número relativamente baixo de atributos.A growing variety of Swarm Intelligence (SI) based algorithms can be found in the literature. This constant increase is due to the good performance of such methods in solving complex optimization problems. Among these problems, continuous to binary search spaces are considered. Generally, these metaheuristics are proposed primarily to deal with continuous variables, however, to deal with binary variables, some binarization technique must be employed. This dissertation has as main objective to propose a new SI based optimization metaheuristic for the Feature Selection (FS) task in a Fault Diagnosis (FD) problem. FD is the process of determining the nature or cause of a failure, analyzing a set or history of information to improve quality, reduce costs, and facilitate preventive maintenance in manufacturing processes. The research structure follows the multipaper model, composed by two papers developed to reach the main objective. The first paper proposes two versions of a new flockingbased modified Crow Search Algorithm (CSA) named Azure Jay Search (AJS) to solve continuous optimization problems. The performance of AJS is experimentally compared with the classical Particle Swarm Optimization (PSO) and some SI techniques also based on the birds behavior, in terms of average accuracy, standard deviation and computational cost when applied to 10 fixed-dimension multimodal and public domain benchmark functions. Despite a relatively higher computational cost when compared to other techniques, both versions of the AJS algorithm performed relatively well in terms of average accuracy. The second paper proposes a binary version of AJS (BAJS) for the FS problem in a wrapper-based model. The proposed BAJS is applied to the FS task precisely in a FD dataset in the Steel Industry. The BAJS performance is evaluated in terms of average training accuracy, standard deviation, computational cost, and number of selected features when compared to other binary SI metaheuristics. Despite the complexity of the dataset and the relatively high computational cost presented by BAJS when compared to other techniques, it achieved relatively good average training accuracy based on ..-fold Cross Validation, and subsets with a relatively low number of features.Souza, Rodrigo Clemente Thom deLeal, Gislaine Camila LapasiniConstantino, Ademir AparecidoCoelho, Leandro dos SantosUniversidade Estadual de MaringáCentro de TecnologiaDepartamento de Engenharia de ProduçãoPrograma de Pós-Graduação em Engenharia de ProduçãoMacedo, Camila Andrade de2022-08-24T16:56:46Z2022-08-24T16:56:46Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis85 f. : il. color., figs., tabs.application/pdfhttp://repositorio.uem.br:8080/jspui/handle/1/6791porreponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)instname:Universidade Estadual de Maringá (UEM)instacron:UEMinfo:eu-repo/semantics/openAccess2022-08-24T16:56:46Zoai:localhost:1/6791Repositório InstitucionalPUBhttp://repositorio.uem.br:8080/oai/requestopendoar:2024-04-23T14:59:43.600564Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)false
dc.title.none.fl_str_mv Azure Jay Search (AJS)
title Azure Jay Search (AJS)
spellingShingle Azure Jay Search (AJS)
Macedo, Camila Andrade de
Azure Jay Search (AJS)
Inteligência de Enxames (IE)
629.8
title_short Azure Jay Search (AJS)
title_full Azure Jay Search (AJS)
title_fullStr Azure Jay Search (AJS)
title_full_unstemmed Azure Jay Search (AJS)
title_sort Azure Jay Search (AJS)
author Macedo, Camila Andrade de
author_facet Macedo, Camila Andrade de
author_role author
dc.contributor.none.fl_str_mv Souza, Rodrigo Clemente Thom de
Leal, Gislaine Camila Lapasini
Constantino, Ademir Aparecido
Coelho, Leandro dos Santos
Universidade Estadual de Maringá
Centro de Tecnologia
Departamento de Engenharia de Produção
Programa de Pós-Graduação em Engenharia de Produção
dc.contributor.author.fl_str_mv Macedo, Camila Andrade de
dc.subject.por.fl_str_mv Azure Jay Search (AJS)
Inteligência de Enxames (IE)
629.8
topic Azure Jay Search (AJS)
Inteligência de Enxames (IE)
629.8
description Orientador: Prof. Dr. Rodrigo Clemente Thom de Souza.
publishDate 2021
dc.date.none.fl_str_mv 2021
2022-08-24T16:56:46Z
2022-08-24T16:56:46Z
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://repositorio.uem.br:8080/jspui/handle/1/6791
url http://repositorio.uem.br:8080/jspui/handle/1/6791
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 85 f. : il. color., figs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
instname:Universidade Estadual de Maringá (UEM)
instacron:UEM
instname_str Universidade Estadual de Maringá (UEM)
instacron_str UEM
institution UEM
reponame_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
collection Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository.name.fl_str_mv Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)
repository.mail.fl_str_mv
_version_ 1801841441604894720

Registros relacionados