Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem

Detalhes bibliográficos
Autor(a) principal: Emmendorfer, Leonardo Ramos
Data de Publicação: 2007
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/13442
Resumo: Orientadora: Profª Drª Aurora Trinidad Ramirez Pozo
id UFPR_e418c144803c320d3e84ab6ca66dabab
oai_identifier_str oai:acervodigital.ufpr.br:1884/13442
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em EngenhariaRamirez Pozo, Aurora Trinidad, 1959-Emmendorfer, Leonardo Ramos2024-05-13T12:27:06Z2024-05-13T12:27:06Z2007https://hdl.handle.net/1884/13442Orientadora: Profª Drª Aurora Trinidad Ramirez PozoTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas e Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 2007Bibliografia: f. 91-97Área de concentração: Programação matemáticaResumo: Este trabalho propõe um novo algoritmo de computação evolutiva, baseado na aquisição de informação a partir das similaridades entre os indivíduos da população e no usodesta informação para guiar a busca. O teorema do esquema, que é uma fundamentaçãoteórica importante da 'área, já aponta que a existˆencia de similaridades entre os indivíduos está relacionada com a detecção de soluções parciais. Os indivíduos que possuem uma certa sub-estrutura comum podem ser considerados similares, e este grupode indivíduos é chamado de esquema.A inferência de modelos estatísticos para representar os melhores indivíduos encontrados é, atualmente, uma abordagem efetiva para computação evolutiva. Modelos cada vez mais complexos vem sendo usados pelos algoritmos de estimação dedistribuição (EDAs), o que frequentemente resulta em uma melhor eficácia. Os EDAsmais efetivos adotam redes Bayesianas, pois estes modelos capturam interações de altaordem entre as varáveis do problema. O aprendizado da estrutura destes modelos é,entretanto, uma tarefa computacionalmente cara. EDAs baseados em estatísticas deprimeira ordem, por sua vez, são computacionalmente mais simples mas não têm semostrado efetivos em muitos problemas benchmark. Isto é devido à incapacidade dosEDAs de baixa ordem em aprender sobre as ligações entre os genes, que são resultantesda estrutura de interações presentes nestes problemas.O algoritmo proposto é um EDA de baixa ordem que mantém a população agrupada por similaridade e procura explorar o espaço de busca combinando a informaçãoadquirida em grupos diferentes. Uma avaliação empírica é conduzida, a qual adotaum escopo abrangente de problemas que representam as principais difuculdades encontradas em EDAs. Os resultados mostram que a nova proposta é efetiva e eficienteem diversos problemas benchmark.Abstract: This work proposes a new evolutionary computation algorithm, which is based on acquiring information from the similarities among the individuals of the population andusing this information to guide the search. The schemata theorem, which is an important theoretical foundation for evolutionary computation, already pointed out that thesimilarities among the individuals is related to the detection of partial solutions. Allindividuals possessing a certain substructure can be considered similar, and this groupof individuals is called schemata.Inferring statistical models from the best individuals found so far is currently aneffective approach for evolutionary computation. Increasingly more complex modelshave been used by estimation of distribution algorithms (EDAs), which often resultbetter effectiveness. The most effective EDAs adopt Bayesian networks, since thosemodels are able to capture interactions of high order among the variables of a problem.Learning the structure of those models is, however, a computationally expensive task.Simpler EDAs based on single order statistics, on the other hand, are computationallysimpler approaches, but have not been shown to be effective on many benchmark problems. This is due to inability of simpler EDAs to learn and respect the linkage amongthe genes, which is a result of the structure of interactions present in those problems.The algorithm proposed is a low-order EDA which keeps the population clusteredand attempts to explore the space by combining information from different clusters.Empirical evaluation is performed, which adopts a comprehensive range of benchmarkproblems, which illustrate most of the difficulties found by EDAs. Results show thatthe new approach is effective and efficient on several benchmark problems.97 f. : il. ; c 30 cm.application/pdfDisponível em formato digitalProgramação genética (Computação)Algorítmos genéticosAlgorítmos de computadorAnálise numéricaAprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordeminfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALdoc.pdfapplication/pdf782575https://acervodigital.ufpr.br/bitstream/1884/13442/1/doc.pdf934529c576dfaaf300346d14c8cdf9d5MD51open accessTEXTdoc.pdf.txtExtracted Texttext/plain192093https://acervodigital.ufpr.br/bitstream/1884/13442/2/doc.pdf.txt27ee560a819bacedc3045e86498d76d7MD52open accessTHUMBNAILdoc.pdf.jpgGenerated Thumbnailimage/jpeg1380https://acervodigital.ufpr.br/bitstream/1884/13442/3/doc.pdf.jpga09bb16a29731b8615096bbd0f489b1aMD53open access1884/134422024-05-13 09:27:06.188open accessoai:acervodigital.ufpr.br:1884/13442Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-05-13T12:27:06Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
title Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
spellingShingle Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
Emmendorfer, Leonardo Ramos
Programação genética (Computação)
Algorítmos genéticos
Algorítmos de computador
Análise numérica
title_short Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
title_full Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
title_fullStr Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
title_full_unstemmed Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
title_sort Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem
author Emmendorfer, Leonardo Ramos
author_facet Emmendorfer, Leonardo Ramos
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.contributor.author.fl_str_mv Emmendorfer, Leonardo Ramos
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Programação genética (Computação)
Algorítmos genéticos
Algorítmos de computador
Análise numérica
topic Programação genética (Computação)
Algorítmos genéticos
Algorítmos de computador
Análise numérica
description Orientadora: Profª Drª Aurora Trinidad Ramirez Pozo
publishDate 2007
dc.date.issued.fl_str_mv 2007
dc.date.accessioned.fl_str_mv 2024-05-13T12:27:06Z
dc.date.available.fl_str_mv 2024-05-13T12:27:06Z
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 https://hdl.handle.net/1884/13442
url https://hdl.handle.net/1884/13442
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 97 f. : il. ; c 30 cm.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/13442/1/doc.pdf
https://acervodigital.ufpr.br/bitstream/1884/13442/2/doc.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/13442/3/doc.pdf.jpg
bitstream.checksum.fl_str_mv 934529c576dfaaf300346d14c8cdf9d5
27ee560a819bacedc3045e86498d76d7
a09bb16a29731b8615096bbd0f489b1a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860191668404224

Registros relacionados