A new SMBO-Based parameter tuning framework to optimization algorithms
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/32403 |
Resumo: | Uma variedade de algoritmos tem sido propostos pela área de otimização para resolução dos mais diferentes problemas. Heurísticas e Metaheurísticas são duas classes de algoritmos que tem sido largamente utilizados para a resolução de problemas práticos de otimização, devido à sua capacidade de alcançar soluções satisfatórias em um tempo computacional razoável, mesmo tratando-se de problemas com alta complexidade computacional (com relação à, por exemplo: problemas não modais, não diferenciáveis ou NP-completos). Estes algoritmos podem ter o balanço entre o nível de exploração global e busca local no espaço de variáveis ajustado através da escolha de adequados valores de parâmetros (os quais podem ser numéricos ou categóricos) que controlam seu com- portamento. Desta forma, para que Heurísticas e Metaheurísticas sejam utilizadas com seu máximo potencial, é necessária a utilização de estratégias apropriadas de escolha dos valores de seus parâmetros, ou seja, devem ser escolhidos valores de parâmetros que balanceiem os níveis de buscas global e local. Estratégias pioneiras baseadas na escolha de parâmetros por tentativa e erro não alcançaram resultados satisfatórios. Por outro lado, métodos baseados em modelagem e inferência estatística sobre os dados de desempenho do algoritmo; isto é, que determinam valores de parâmetros para um algoritmo resolver determinada classe de problemas baseando-se em estatísticas obtidas à partir das amostras de problemas desta classe, tem sido propostos nas últimas duas décadas. Ademais, as configurações (valores de parâmetros) dos algoritmos obtidas por estes métodos podem também auxiliar pesquisadores da área em experimentalmente investigar aspectos do comportamento do algoritmo. Com base na questão descrita anteriormente, este trabalho investiga a proposição de um novo framework de ajuste de parâmetros baseado na melhoria iterativa de modelos estatísticos sobre o desempenho do algoritmo, os quais representam modelos de predição do comportamento do algoritmo. Os resultados experimentais mostraram que o framework é capaz e retornar resultados similares à outros métodos de ajuste de parâmetros difundidos na literatura; com a vantagem de informar também ao usuário modelos de predição do comportamento do algoritmo que descrevem as diferenças de relevância entre os parâmetros. Este framework está disponível para uso dos pesquisadores da área de otimização e metaheurísticas, na forma de um pacote de código aberto da linguagem R. |
id |
UFMG_958cd8959be0e60988c7e935ea34093a |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/32403 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Felipe Campelo França Pintohttp://lattes.cnpq.br/6799982843395323Lucas de Souza BatistaCristiano Leite de CastroEduardo Gontijo CarranoElizabeth F. WannerRodrigo Tomás N. Cardosohttp://lattes.cnpq.br/6050782296540367Áthila Rocha Trindade2020-02-07T18:17:06Z2020-02-07T18:17:06Z2019-11-20http://hdl.handle.net/1843/32403Uma variedade de algoritmos tem sido propostos pela área de otimização para resolução dos mais diferentes problemas. Heurísticas e Metaheurísticas são duas classes de algoritmos que tem sido largamente utilizados para a resolução de problemas práticos de otimização, devido à sua capacidade de alcançar soluções satisfatórias em um tempo computacional razoável, mesmo tratando-se de problemas com alta complexidade computacional (com relação à, por exemplo: problemas não modais, não diferenciáveis ou NP-completos). Estes algoritmos podem ter o balanço entre o nível de exploração global e busca local no espaço de variáveis ajustado através da escolha de adequados valores de parâmetros (os quais podem ser numéricos ou categóricos) que controlam seu com- portamento. Desta forma, para que Heurísticas e Metaheurísticas sejam utilizadas com seu máximo potencial, é necessária a utilização de estratégias apropriadas de escolha dos valores de seus parâmetros, ou seja, devem ser escolhidos valores de parâmetros que balanceiem os níveis de buscas global e local. Estratégias pioneiras baseadas na escolha de parâmetros por tentativa e erro não alcançaram resultados satisfatórios. Por outro lado, métodos baseados em modelagem e inferência estatística sobre os dados de desempenho do algoritmo; isto é, que determinam valores de parâmetros para um algoritmo resolver determinada classe de problemas baseando-se em estatísticas obtidas à partir das amostras de problemas desta classe, tem sido propostos nas últimas duas décadas. Ademais, as configurações (valores de parâmetros) dos algoritmos obtidas por estes métodos podem também auxiliar pesquisadores da área em experimentalmente investigar aspectos do comportamento do algoritmo. Com base na questão descrita anteriormente, este trabalho investiga a proposição de um novo framework de ajuste de parâmetros baseado na melhoria iterativa de modelos estatísticos sobre o desempenho do algoritmo, os quais representam modelos de predição do comportamento do algoritmo. Os resultados experimentais mostraram que o framework é capaz e retornar resultados similares à outros métodos de ajuste de parâmetros difundidos na literatura; com a vantagem de informar também ao usuário modelos de predição do comportamento do algoritmo que descrevem as diferenças de relevância entre os parâmetros. Este framework está disponível para uso dos pesquisadores da área de otimização e metaheurísticas, na forma de um pacote de código aberto da linguagem R.A variety of algorithms have been proposed by optimization researchers, for solving several different problems. Heuristics and Metaheuristics are two class of algorithms which have been widely used for practical optimization problems, due to their capability to achieve good solutions in a feasible runtime when solving a problem, even in problems with high computational complexity (in terms e.g., of modality, non-differentiability, or NP-hardness). These algorithms can have their level of balance of global search and local improvement in the search space tuned by choosing suitable values of a number of user-defined parameters, which can be numerical or categorical. To take full advantage of the potential of Heuristics and Metaheuristics when solving hard optimization problems, it is necessary to think about appropriate strategies for choose adequate parameter values, that is, parameters values which provide a balance between global search and local improvement in the search space. Former strategies based on choosing parameters values by trial and error did not achieve satisfactory results. In contrast, methods based on statistical modeling and inference regarding algorithm performance, i.e., which recommend parameter values based on generalizations of given statistics observed in samples of problem instances to whole problem classes, have arisen in the past two decades. Algorithm configurations yielded by these methods not only result in better performance for the algorithms, but can also help researchers and practitioners to experimentally investigate certain aspects of algorithmic behavior. Based on this observation, this work investigates a parameter-tuning framework based on iteratively improving statistical modeling about the algorithm peformance, which represent the algorithm behavior prediction model. The experimental results showed that the current framework is capable to return competitive results of best parameter values when compared to those of some classical parameter tuning methods of the literature, with the advantage of providing prediction models which can reveal the algorithm parameters relevance. This framework is available for using by researchers in the field of general optimization and metaheuristics. It was implemented using the R Language, and is available for using by the scientific community in a form of an open source R package.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorengUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAEngenharia elétricaOtimização combinatóriaProgramação heuristicaR (Linguagem de programação de computador)MetaheuristicsParameter tuningRegression modellingA new SMBO-Based parameter tuning framework to optimization algorithmsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALA new SMBO-Based Parameter Tuning Framework to Optimization Algorithms.pdfA new SMBO-Based Parameter Tuning Framework to Optimization Algorithms.pdfapplication/pdf2520583https://repositorio.ufmg.br/bitstream/1843/32403/1/A%20new%20SMBO-Based%20Parameter%20Tuning%20Framework%20to%20Optimization%20Algorithms.pdfcdc5ad4bef6c3d6b20de9e5171922057MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82119https://repositorio.ufmg.br/bitstream/1843/32403/2/license.txt34badce4be7e31e3adb4575ae96af679MD52TEXTA new SMBO-Based Parameter Tuning Framework to Optimization Algorithms.pdf.txtA new SMBO-Based Parameter Tuning Framework to Optimization Algorithms.pdf.txtExtracted texttext/plain194397https://repositorio.ufmg.br/bitstream/1843/32403/3/A%20new%20SMBO-Based%20Parameter%20Tuning%20Framework%20to%20Optimization%20Algorithms.pdf.txte5467dac21ee0fee77355459deb47295MD531843/324032020-02-08 03:42:53.352oai:repositorio.ufmg.br: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Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2020-02-08T06:42:53Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
A new SMBO-Based parameter tuning framework to optimization algorithms |
title |
A new SMBO-Based parameter tuning framework to optimization algorithms |
spellingShingle |
A new SMBO-Based parameter tuning framework to optimization algorithms Áthila Rocha Trindade Metaheuristics Parameter tuning Regression modelling Engenharia elétrica Otimização combinatória Programação heuristica R (Linguagem de programação de computador) |
title_short |
A new SMBO-Based parameter tuning framework to optimization algorithms |
title_full |
A new SMBO-Based parameter tuning framework to optimization algorithms |
title_fullStr |
A new SMBO-Based parameter tuning framework to optimization algorithms |
title_full_unstemmed |
A new SMBO-Based parameter tuning framework to optimization algorithms |
title_sort |
A new SMBO-Based parameter tuning framework to optimization algorithms |
author |
Áthila Rocha Trindade |
author_facet |
Áthila Rocha Trindade |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Felipe Campelo França Pinto |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/6799982843395323 |
dc.contributor.referee1.fl_str_mv |
Lucas de Souza Batista |
dc.contributor.referee2.fl_str_mv |
Cristiano Leite de Castro |
dc.contributor.referee3.fl_str_mv |
Eduardo Gontijo Carrano |
dc.contributor.referee4.fl_str_mv |
Elizabeth F. Wanner |
dc.contributor.referee5.fl_str_mv |
Rodrigo Tomás N. Cardoso |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6050782296540367 |
dc.contributor.author.fl_str_mv |
Áthila Rocha Trindade |
contributor_str_mv |
Felipe Campelo França Pinto Lucas de Souza Batista Cristiano Leite de Castro Eduardo Gontijo Carrano Elizabeth F. Wanner Rodrigo Tomás N. Cardoso |
dc.subject.por.fl_str_mv |
Metaheuristics Parameter tuning Regression modelling |
topic |
Metaheuristics Parameter tuning Regression modelling Engenharia elétrica Otimização combinatória Programação heuristica R (Linguagem de programação de computador) |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Otimização combinatória Programação heuristica R (Linguagem de programação de computador) |
description |
Uma variedade de algoritmos tem sido propostos pela área de otimização para resolução dos mais diferentes problemas. Heurísticas e Metaheurísticas são duas classes de algoritmos que tem sido largamente utilizados para a resolução de problemas práticos de otimização, devido à sua capacidade de alcançar soluções satisfatórias em um tempo computacional razoável, mesmo tratando-se de problemas com alta complexidade computacional (com relação à, por exemplo: problemas não modais, não diferenciáveis ou NP-completos). Estes algoritmos podem ter o balanço entre o nível de exploração global e busca local no espaço de variáveis ajustado através da escolha de adequados valores de parâmetros (os quais podem ser numéricos ou categóricos) que controlam seu com- portamento. Desta forma, para que Heurísticas e Metaheurísticas sejam utilizadas com seu máximo potencial, é necessária a utilização de estratégias apropriadas de escolha dos valores de seus parâmetros, ou seja, devem ser escolhidos valores de parâmetros que balanceiem os níveis de buscas global e local. Estratégias pioneiras baseadas na escolha de parâmetros por tentativa e erro não alcançaram resultados satisfatórios. Por outro lado, métodos baseados em modelagem e inferência estatística sobre os dados de desempenho do algoritmo; isto é, que determinam valores de parâmetros para um algoritmo resolver determinada classe de problemas baseando-se em estatísticas obtidas à partir das amostras de problemas desta classe, tem sido propostos nas últimas duas décadas. Ademais, as configurações (valores de parâmetros) dos algoritmos obtidas por estes métodos podem também auxiliar pesquisadores da área em experimentalmente investigar aspectos do comportamento do algoritmo. Com base na questão descrita anteriormente, este trabalho investiga a proposição de um novo framework de ajuste de parâmetros baseado na melhoria iterativa de modelos estatísticos sobre o desempenho do algoritmo, os quais representam modelos de predição do comportamento do algoritmo. Os resultados experimentais mostraram que o framework é capaz e retornar resultados similares à outros métodos de ajuste de parâmetros difundidos na literatura; com a vantagem de informar também ao usuário modelos de predição do comportamento do algoritmo que descrevem as diferenças de relevância entre os parâmetros. Este framework está disponível para uso dos pesquisadores da área de otimização e metaheurísticas, na forma de um pacote de código aberto da linguagem R. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-11-20 |
dc.date.accessioned.fl_str_mv |
2020-02-07T18:17:06Z |
dc.date.available.fl_str_mv |
2020-02-07T18:17:06Z |
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/1843/32403 |
url |
http://hdl.handle.net/1843/32403 |
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.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/1843/32403/1/A%20new%20SMBO-Based%20Parameter%20Tuning%20Framework%20to%20Optimization%20Algorithms.pdf https://repositorio.ufmg.br/bitstream/1843/32403/2/license.txt https://repositorio.ufmg.br/bitstream/1843/32403/3/A%20new%20SMBO-Based%20Parameter%20Tuning%20Framework%20to%20Optimization%20Algorithms.pdf.txt |
bitstream.checksum.fl_str_mv |
cdc5ad4bef6c3d6b20de9e5171922057 34badce4be7e31e3adb4575ae96af679 e5467dac21ee0fee77355459deb47295 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589396240269312 |