Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/48504 |
Resumo: | Algoritmos híbridos combinam as melhores características de meta-heurísticas individuais. Eles têm se mostrado eficazes em encontrar soluções de boa qualidade para problemas de otimização multiobjetivo. Arquiteturas fornecem funcionalidades e recursos genéricos para a implementação de novos algoritmos híbridos capazes de resolver problemas arbitrários de otimização. Arquiteturas baseadas em conceitos de inteligência de agentes e sistemas multiagente, como aprendizado e cooperação, oferecem vários benefícios para a hibridização de meta-heurísticas. No entanto, a literatura carece de estudos sobre arquiteturas que exploram totalmente tais conceitos para hibridização multiobjetivo. Esta tese estuda uma arquitetura multiagente, chamada MO-MAHM, inspirada nos conceitos de Otimização por Nuvem de Partículas. Na MO-MAHM, partículas são agentes inteligentes que aprendem com suas experiências passadas e se movem no espaço de busca procurando por soluções de alta qualidade. A principal contribuição desta tese é estudar o potencial da MO-MAHM em hibridizar meta-heurísticas para resolver problemas de otimização combinatória com dois ou mais objetivos. Este trabalho investiga os benefícios de métodos de aprendizagem de máquina para suporte ao aprendizado dos agentes e propõe um novo operador de velocidade para mover os agentes no espaço de busca. O operador de velocidade proposto usa uma técnica de path-relinking e decompõe o espaço objetivo sem utilizar funções de agregação. Outra contribuição desta tese é uma extensa revisão das técnicas existentes de path-relinking multiobjetivo. Devido a uma carência com respeito a técnicas de path- relinking para múltiplos objetivos, esta tese apresenta um novo path-relinking baseado em decomposição, chamado MOPR/D. Experimentos abrangem três problemas de otimização combinatória de formulações distintas com até cinco funções objetivo: mochila binária multi-dimensional, alocação quadrática e árvore geradora. MO-MAHM é comparada com abordagens híbridas existentes, tais como algoritmos meméticos e hyper-heurísticas. Testes estatísticos mostram que a arquitetura apresenta resultados competitivos com respeito à qualidade dos conjuntos aproximativos e diversidade de soluções. |
id |
UFRN_376d7fec45b5a227ad3144e8397711aa |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/48504 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Fernandes, Islame Felipe da Costahttps://orcid.org/0000-0003-3534-8042http://lattes.cnpq.br/0058216016593116http://lattes.cnpq.br/2888641121265608Goldbarg, Marco Césarhttp://lattes.cnpq.br/1371199678541174Delgado, Myriam Regattieri de Biase da SilvaMaia, Silvia Maria Diniz Monteirohttp://lattes.cnpq.br/1498104590221901Souza, Thatiana Cunha Navarro deGoldbarg, Elizabeth Ferreira Gouvea2022-07-14T22:59:21Z2022-07-14T22:59:21Z2022-06-15FERNANDES, Islame Felipe da Costa. Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture. 2022. 181f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/48504Algoritmos híbridos combinam as melhores características de meta-heurísticas individuais. Eles têm se mostrado eficazes em encontrar soluções de boa qualidade para problemas de otimização multiobjetivo. Arquiteturas fornecem funcionalidades e recursos genéricos para a implementação de novos algoritmos híbridos capazes de resolver problemas arbitrários de otimização. Arquiteturas baseadas em conceitos de inteligência de agentes e sistemas multiagente, como aprendizado e cooperação, oferecem vários benefícios para a hibridização de meta-heurísticas. No entanto, a literatura carece de estudos sobre arquiteturas que exploram totalmente tais conceitos para hibridização multiobjetivo. Esta tese estuda uma arquitetura multiagente, chamada MO-MAHM, inspirada nos conceitos de Otimização por Nuvem de Partículas. Na MO-MAHM, partículas são agentes inteligentes que aprendem com suas experiências passadas e se movem no espaço de busca procurando por soluções de alta qualidade. A principal contribuição desta tese é estudar o potencial da MO-MAHM em hibridizar meta-heurísticas para resolver problemas de otimização combinatória com dois ou mais objetivos. Este trabalho investiga os benefícios de métodos de aprendizagem de máquina para suporte ao aprendizado dos agentes e propõe um novo operador de velocidade para mover os agentes no espaço de busca. O operador de velocidade proposto usa uma técnica de path-relinking e decompõe o espaço objetivo sem utilizar funções de agregação. Outra contribuição desta tese é uma extensa revisão das técnicas existentes de path-relinking multiobjetivo. Devido a uma carência com respeito a técnicas de path- relinking para múltiplos objetivos, esta tese apresenta um novo path-relinking baseado em decomposição, chamado MOPR/D. Experimentos abrangem três problemas de otimização combinatória de formulações distintas com até cinco funções objetivo: mochila binária multi-dimensional, alocação quadrática e árvore geradora. MO-MAHM é comparada com abordagens híbridas existentes, tais como algoritmos meméticos e hyper-heurísticas. Testes estatísticos mostram que a arquitetura apresenta resultados competitivos com respeito à qualidade dos conjuntos aproximativos e diversidade de soluções.Hybrid algorithms combine the best features of individual metaheuristics. They have proven to find high-quality solutions for multi-objective optimization problems. Architec- tures provide generic functionalities and features for implementing new hybrid algorithms to solve arbitrary optimization problems. Architectures based on agent intelligence and multi-agent concepts, such as learning and cooperation, give several benefits for hybridiz- ing metaheuristics. Nevertheless, there is a lack of studies on architectures that fully explore these concepts for multi-objective hybridization. This thesis studies a multi-agent architecture named MO-MAHM, inspired by Particle Swarm Optimization concepts. In the MO-MAHM, particles are intelligent agents that learn from past experiences and move in the search space, looking for high-quality solutions. The main contribution of this work is to study the MO-MAHM potential to hybridize metaheuristics for solving combinatorial optimization problems with two or more objectives. We investigate the benefits of machine learning methods for agents’ learning support and propose a novel velocity operator for moving the agents in the search space. The proposed velocity operator uses a path-relinking technique and decomposes the objective space without requiring aggregation functions. Another contribution of this thesis is an extensive survey of existing multi-objective path-relinking techniques. Due to a lack in the literature of effective multi- and many-objective path-relinking techniques, we present a novel decomposition-based one, referred to as MOPR/D. Experiments comprise three differently structured combi- natorial optimization problems with up to five objective functions: 0/1 multidimensional knapsack, quadratic assignment, and spanning tree. We compared the MO-MAHM with existing hybrid approaches, such as memetic algorithms and hyper-heuristics. Statistical tests show that the architecture presents competitive results regarding the quality of the approximation sets and solution diversity.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃOUFRNBrasilHibridização de meta-heurísticasOtimização multiobjetivoInteligência de agentesSistemas multiagentesDecomposiçãoHybridizing metaheuristics for multi-and many-objective problems in a multi-agent architectureinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALHybridizingmetaheuristicsmultiand_Fernandes_2022.pdfapplication/pdf4040093https://repositorio.ufrn.br/bitstream/123456789/48504/1/Hybridizingmetaheuristicsmultiand_Fernandes_2022.pdf9443a67b94f9496f1e3a1bb81ff41bddMD51123456789/485042022-07-14 20:00:02.442oai:https://repositorio.ufrn.br:123456789/48504Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-07-14T23:00:02Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
title |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
spellingShingle |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture Fernandes, Islame Felipe da Costa Hibridização de meta-heurísticas Otimização multiobjetivo Inteligência de agentes Sistemas multiagentes Decomposição |
title_short |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
title_full |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
title_fullStr |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
title_full_unstemmed |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
title_sort |
Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture |
author |
Fernandes, Islame Felipe da Costa |
author_facet |
Fernandes, Islame Felipe da Costa |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
https://orcid.org/0000-0003-3534-8042 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0058216016593116 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2888641121265608 |
dc.contributor.referees1.none.fl_str_mv |
Goldbarg, Marco César |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1371199678541174 |
dc.contributor.referees2.none.fl_str_mv |
Delgado, Myriam Regattieri de Biase da Silva |
dc.contributor.referees3.none.fl_str_mv |
Maia, Silvia Maria Diniz Monteiro |
dc.contributor.referees3Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1498104590221901 |
dc.contributor.referees4.none.fl_str_mv |
Souza, Thatiana Cunha Navarro de |
dc.contributor.author.fl_str_mv |
Fernandes, Islame Felipe da Costa |
dc.contributor.advisor1.fl_str_mv |
Goldbarg, Elizabeth Ferreira Gouvea |
contributor_str_mv |
Goldbarg, Elizabeth Ferreira Gouvea |
dc.subject.por.fl_str_mv |
Hibridização de meta-heurísticas Otimização multiobjetivo Inteligência de agentes Sistemas multiagentes Decomposição |
topic |
Hibridização de meta-heurísticas Otimização multiobjetivo Inteligência de agentes Sistemas multiagentes Decomposição |
description |
Algoritmos híbridos combinam as melhores características de meta-heurísticas individuais. Eles têm se mostrado eficazes em encontrar soluções de boa qualidade para problemas de otimização multiobjetivo. Arquiteturas fornecem funcionalidades e recursos genéricos para a implementação de novos algoritmos híbridos capazes de resolver problemas arbitrários de otimização. Arquiteturas baseadas em conceitos de inteligência de agentes e sistemas multiagente, como aprendizado e cooperação, oferecem vários benefícios para a hibridização de meta-heurísticas. No entanto, a literatura carece de estudos sobre arquiteturas que exploram totalmente tais conceitos para hibridização multiobjetivo. Esta tese estuda uma arquitetura multiagente, chamada MO-MAHM, inspirada nos conceitos de Otimização por Nuvem de Partículas. Na MO-MAHM, partículas são agentes inteligentes que aprendem com suas experiências passadas e se movem no espaço de busca procurando por soluções de alta qualidade. A principal contribuição desta tese é estudar o potencial da MO-MAHM em hibridizar meta-heurísticas para resolver problemas de otimização combinatória com dois ou mais objetivos. Este trabalho investiga os benefícios de métodos de aprendizagem de máquina para suporte ao aprendizado dos agentes e propõe um novo operador de velocidade para mover os agentes no espaço de busca. O operador de velocidade proposto usa uma técnica de path-relinking e decompõe o espaço objetivo sem utilizar funções de agregação. Outra contribuição desta tese é uma extensa revisão das técnicas existentes de path-relinking multiobjetivo. Devido a uma carência com respeito a técnicas de path- relinking para múltiplos objetivos, esta tese apresenta um novo path-relinking baseado em decomposição, chamado MOPR/D. Experimentos abrangem três problemas de otimização combinatória de formulações distintas com até cinco funções objetivo: mochila binária multi-dimensional, alocação quadrática e árvore geradora. MO-MAHM é comparada com abordagens híbridas existentes, tais como algoritmos meméticos e hyper-heurísticas. Testes estatísticos mostram que a arquitetura apresenta resultados competitivos com respeito à qualidade dos conjuntos aproximativos e diversidade de soluções. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-07-14T22:59:21Z |
dc.date.available.fl_str_mv |
2022-07-14T22:59:21Z |
dc.date.issued.fl_str_mv |
2022-06-15 |
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.citation.fl_str_mv |
FERNANDES, Islame Felipe da Costa. Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture. 2022. 181f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/48504 |
identifier_str_mv |
FERNANDES, Islame Felipe da Costa. Hybridizing metaheuristics for multi-and many-objective problems in a multi-agent architecture. 2022. 181f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/48504 |
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.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/48504/1/Hybridizingmetaheuristicsmultiand_Fernandes_2022.pdf |
bitstream.checksum.fl_str_mv |
9443a67b94f9496f1e3a1bb81ff41bdd |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117661050535936 |