| spelling |
Lucas de Souza Batistahttp://lattes.cnpq.br/9418849740691899Felipe Campelo França PintoMichel BessaniRodrigo Tomás Nogueira CardosoElizabeth Fialho Wannerhttp://lattes.cnpq.br/0642027549116313Mônica Aparecida Cruvinel Valadão2021-03-15T17:37:22Z2021-03-15T17:37:22Z2020-12-14http://hdl.handle.net/1843/35177Problemas de otimização que envolvem a avaliação de funções com alto custo computacional são frequentemente tratados na literatura através de estratégias baseadas em metamodelos. Um exemplo desse tipo de estratégia são os Algoritmos Evolutivos Assistidos por Metamodelo (SAEAs, Surrogate Model Assisted Evolutionary Algorithms), usualmente utilizados para a otimização de problemas computacionalmente caros de avaliar e que requerem muitas avaliações de função, como aqueles com elevado número de variáveis (atualmente, SAEAs têm sido aplicados a problemas com até 100 variáveis). Nesses métodos, o metamodelo é usado com a finalidade de conduzir o algoritmo evolutivo para regiões promissoras do espaço de busca e reduzir o número de avaliações exigidas por esses métodos. Entretanto, nesse tipo de estratégia, os custos associados à construção e atualização do metamodelo não podem ser proibitivos. Este trabalho propõe um SAEA autoadaptativo, denominado SAEAa, o qual acopla em um mesmo framework uma autoadaptação de parâmetro e um mecanismo detalhado que permite a escolha entre diferentes operadores de mutação. Especificamente incorpora-se operadores de mutação com estruturas distintas, o que permite agregar ao SAEAa uma manutenção de diversidade e maior pressão seletiva no processo evolutivo. Outra característica do SAEAa é o uso de um metamodelo Ordinary Kriging unidimensional, o que resulta em um menor custo computacional de construção/atualização de metamodelo em comparação com o uso de um modelo Kriging na sua forma usual. A descrição da estratégia proposta aborda também aspectos que influenciam diretamente na qualidade do metamodelo e diversidade da população, os quais não são tratados em SAEAs existentes na literatura. Aplicou-se o método proposto na otimização de um conjunto de funções analíticas e a análise de resultados mostrou que o método proposto apresentou um melhor desempenho, em termos de qualidade de solução e custo computacional, em comparação com estratégias recentes da literatura. Considerou-se também a aplicação do SAEAa na otimização de um projeto de antena para radar de subsolo (GPR, Ground Penetrating Radar), cujo o objetivo é encontrar uma configuração adequada de parâmetros que a antena deve apresentar para se adaptar bem a aplicação. Validou-se a solução retornada pelo SAEAa, a qual se mostrou adequada para aplicação em GPR. Além disso, foi possível evidenciar uma considerável redução de recurso computacional (tempo) a partir do emprego da abordagem proposta.Optimization problems that require the evaluation of functions with high computational cost are frequently solved through metamodel-based strategies. Examples of strategies based on metamodels are the Surrogate Model Assisted Evolutionary Algorithms (SAEAs) that are usually employed to solve optimization problems that are computationally expensive to be evaluated and require several function evaluations, such as the ones with a large number of variables. Currently, SAEAs have been applied in problems involving up to 100 variables. In such methods, the metamodel is used to guide the evolutionary algorithm towards promising regions of the search space and to reduce the number of function evaluations required. However, the cost associated with the update of the metamodel cannot be prohibitive. This work proposes a self-adaptive SAEA, named SAEAa, which couples in the same framework a parameter self-adaptation and a mechanism that allows the choice between different mutation operators. More precisely, it couples mutation operators with distinct features, adding in the SAEAa maintenance of population diversity and selective pressure in the evolutive process. Another feature of SAEAa is that it employs a unidimensional Ordinary Kriging metamodel. Thus, it reduces the computational cost of training this kind of metamodel compared to the standard form Kriging. The description of the proposed strategy also addresses aspects that directly influence the quality of metamodel and population diversity, which are not treated in SAEAs existing in the literature. The proposed approach was employed to solve a set of analytical functions of single-objective optimization problems. The results obtained suggest that the SAEAa presents a better performance, in terms of solution quality and computational cost, when compared to recent strategies. Besides, the proposed approach was employed on the solution of a ground-penetrating radar (GPR) antenna design. The solution returned by SAEAa was validated, and it showed to be suitable for application in GPR. Furthermore, it was possible to show a considerable reduction in computational resources (time) from using the proposed approach.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAhttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/info:eu-repo/semantics/openAccessEngenharia elétricaAlgoritmosOtimizaçãoModelos de aproximação KrigingAlgoritmos evolutivos assistidos por metamodelosProblemas de otimização de alto custo computacionalProposta de um algoritmo evolutivo assistido por um modelo de aproximação Kriging para problemas de otimização de alto custo computacionalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALTexto.pdfTexto.pdfapplication/pdf2513746https://repositorio.ufmg.br/bitstream/1843/35177/4/Texto.pdfcb2eaf7b529abac28df4a2bd329912abMD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/35177/5/license_rdfcfd6801dba008cb6adbd9838b81582abMD55LICENSElicense.txtlicense.txttext/plain; charset=utf-82119https://repositorio.ufmg.br/bitstream/1843/35177/6/license.txt34badce4be7e31e3adb4575ae96af679MD561843/351772021-03-15 14:37:22.535oai:repositorio.ufmg.br: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Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2021-03-15T17:37:22Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|