Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/jspui/handle/123456789/19393 |
Resumo: | Técnicas de otimização conhecidas como as metaheurísticas tem conseguido resolversatisfatoriamente problemas conhecidos, mas desenvolvimento das metaheurísticas écaracterizado por escolha de parâmetros para sua execução, na qual a opção apropriadadestes parâmetros (valores). Onde o ajuste de parâmetro é essencial testa-se os parâmetrosaté que resultados viáveis sejam obtidos, normalmente feita pelo desenvolvedor que estaimplementando a metaheuristica. A qualidade dos resultados de uma instância1 de testenão será transferida para outras instâncias a serem testadas e seu feedback pode requererum processo lento de “tentativa e erro” onde o algoritmo têm que ser ajustado para umaaplicação especifica. Diante deste contexto das metaheurísticas surgiu a Busca Reativaque defende a integração entre o aprendizado de máquina dentro de buscas heurísticaspara solucionar problemas de otimização complexos. A partir da integração que a BuscaReativa propõe entre o aprendizado de máquina e as metaheurísticas, surgiu a ideia dese colocar a Aprendizagem por Reforço mais especificamente o algoritmo Q-learning deforma reativa, para selecionar qual busca local é a mais indicada em determinado instanteda busca, para suceder uma outra busca local que não pode mais melhorar a soluçãocorrente na metaheurística VNS. Assim, neste trabalho propomos uma implementação reativa,utilizando aprendizado por reforço para o auto-tuning do algoritmo implementado,aplicado ao problema do caixeiro viajante simétrico e ao problema escalonamento sondaspara manutenção de poços. |
id |
UFRN_7f21763bb42a753eac9ecadb33336b5a |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/19393 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Santos, João Paulo Queiroz doshttp://lattes.cnpq.br/2413250851590746http://lattes.cnpq.br/7325007451912598Dória Neto, Adrião Duartehttp://lattes.cnpq.br/1987295209521433Aloise, Danielhttp://lattes.cnpq.br/5093210888872414Aloise, Dario Joséhttp://lattes.cnpq.br/7266011798625538Lima Júnior, Francisco Chagas dehttp://lattes.cnpq.br/9342041276186254Cavalcanti, George Darmiton da Cunhahttp://lattes.cnpq.br/8577312109146354Melo, Jorge Dantas de2015-11-27T14:58:26Z2015-11-27T14:58:26Z2014-09-12SANTOS, João Paulo Queiroz dos. Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local. 2014. 111f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2014.https://repositorio.ufrn.br/jspui/handle/123456789/19393porUniversidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAAprendizagem por reforçoBusca reativaOtimização combinatóriaBusca localBusca em vizinhança variávelEstratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca localinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisTécnicas de otimização conhecidas como as metaheurísticas tem conseguido resolversatisfatoriamente problemas conhecidos, mas desenvolvimento das metaheurísticas écaracterizado por escolha de parâmetros para sua execução, na qual a opção apropriadadestes parâmetros (valores). Onde o ajuste de parâmetro é essencial testa-se os parâmetrosaté que resultados viáveis sejam obtidos, normalmente feita pelo desenvolvedor que estaimplementando a metaheuristica. A qualidade dos resultados de uma instância1 de testenão será transferida para outras instâncias a serem testadas e seu feedback pode requererum processo lento de “tentativa e erro” onde o algoritmo têm que ser ajustado para umaaplicação especifica. Diante deste contexto das metaheurísticas surgiu a Busca Reativaque defende a integração entre o aprendizado de máquina dentro de buscas heurísticaspara solucionar problemas de otimização complexos. A partir da integração que a BuscaReativa propõe entre o aprendizado de máquina e as metaheurísticas, surgiu a ideia dese colocar a Aprendizagem por Reforço mais especificamente o algoritmo Q-learning deforma reativa, para selecionar qual busca local é a mais indicada em determinado instanteda busca, para suceder uma outra busca local que não pode mais melhorar a soluçãocorrente na metaheurística VNS. Assim, neste trabalho propomos uma implementação reativa,utilizando aprendizado por reforço para o auto-tuning do algoritmo implementado,aplicado ao problema do caixeiro viajante simétrico e ao problema escalonamento sondaspara manutenção de poços.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALJoaoPauloQueirozDosSantos_TESE.pdfJoaoPauloQueirozDosSantos_TESE.pdfapplication/pdf2805341https://repositorio.ufrn.br/bitstream/123456789/19393/1/JoaoPauloQueirozDosSantos_TESE.pdf3662ede234255c7bb4c15e938ea3640eMD51TEXTJoaoPauloQueirozDosSantos_TESE.pdf.txtJoaoPauloQueirozDosSantos_TESE.pdf.txtExtracted texttext/plain220560https://repositorio.ufrn.br/bitstream/123456789/19393/6/JoaoPauloQueirozDosSantos_TESE.pdf.txt368554866d25cfff3be19582a58fd54aMD56THUMBNAILJoaoPauloQueirozDosSantos_TESE.pdf.jpgJoaoPauloQueirozDosSantos_TESE.pdf.jpgIM Thumbnailimage/jpeg4076https://repositorio.ufrn.br/bitstream/123456789/19393/7/JoaoPauloQueirozDosSantos_TESE.pdf.jpg94352dc9ff04627a1306e5a4779cb6f9MD57123456789/193932017-11-03 14:33:08.155oai:https://repositorio.ufrn.br:123456789/19393Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2017-11-03T17:33:08Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
title |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
spellingShingle |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local Santos, João Paulo Queiroz dos CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizagem por reforço Busca reativa Otimização combinatória Busca local Busca em vizinhança variável |
title_short |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
title_full |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
title_fullStr |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
title_full_unstemmed |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
title_sort |
Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local |
author |
Santos, João Paulo Queiroz dos |
author_facet |
Santos, João Paulo Queiroz dos |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
|
dc.contributor.authorLattes.none.fl_str_mv |
http://lattes.cnpq.br/2413250851590746 |
dc.contributor.advisorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorLattes.none.fl_str_mv |
http://lattes.cnpq.br/7325007451912598 |
dc.contributor.referees1.none.fl_str_mv |
Dória Neto, Adrião Duarte |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees1Lattes.none.fl_str_mv |
http://lattes.cnpq.br/1987295209521433 |
dc.contributor.referees2.none.fl_str_mv |
Aloise, Daniel |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
|
dc.contributor.referees2Lattes.none.fl_str_mv |
http://lattes.cnpq.br/5093210888872414 |
dc.contributor.referees3.none.fl_str_mv |
Aloise, Dario José |
dc.contributor.referees3ID.pt_BR.fl_str_mv |
|
dc.contributor.referees3Lattes.none.fl_str_mv |
http://lattes.cnpq.br/7266011798625538 |
dc.contributor.referees4.none.fl_str_mv |
Lima Júnior, Francisco Chagas de |
dc.contributor.referees4ID.pt_BR.fl_str_mv |
|
dc.contributor.referees4Lattes.none.fl_str_mv |
http://lattes.cnpq.br/9342041276186254 |
dc.contributor.referees5.none.fl_str_mv |
Cavalcanti, George Darmiton da Cunha |
dc.contributor.referees5ID.pt_BR.fl_str_mv |
|
dc.contributor.referees5Lattes.none.fl_str_mv |
http://lattes.cnpq.br/8577312109146354 |
dc.contributor.author.fl_str_mv |
Santos, João Paulo Queiroz dos |
dc.contributor.advisor1.fl_str_mv |
Melo, Jorge Dantas de |
contributor_str_mv |
Melo, Jorge Dantas de |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizagem por reforço Busca reativa Otimização combinatória Busca local Busca em vizinhança variável |
dc.subject.por.fl_str_mv |
Aprendizagem por reforço Busca reativa Otimização combinatória Busca local Busca em vizinhança variável |
description |
Técnicas de otimização conhecidas como as metaheurísticas tem conseguido resolversatisfatoriamente problemas conhecidos, mas desenvolvimento das metaheurísticas écaracterizado por escolha de parâmetros para sua execução, na qual a opção apropriadadestes parâmetros (valores). Onde o ajuste de parâmetro é essencial testa-se os parâmetrosaté que resultados viáveis sejam obtidos, normalmente feita pelo desenvolvedor que estaimplementando a metaheuristica. A qualidade dos resultados de uma instância1 de testenão será transferida para outras instâncias a serem testadas e seu feedback pode requererum processo lento de “tentativa e erro” onde o algoritmo têm que ser ajustado para umaaplicação especifica. Diante deste contexto das metaheurísticas surgiu a Busca Reativaque defende a integração entre o aprendizado de máquina dentro de buscas heurísticaspara solucionar problemas de otimização complexos. A partir da integração que a BuscaReativa propõe entre o aprendizado de máquina e as metaheurísticas, surgiu a ideia dese colocar a Aprendizagem por Reforço mais especificamente o algoritmo Q-learning deforma reativa, para selecionar qual busca local é a mais indicada em determinado instanteda busca, para suceder uma outra busca local que não pode mais melhorar a soluçãocorrente na metaheurística VNS. Assim, neste trabalho propomos uma implementação reativa,utilizando aprendizado por reforço para o auto-tuning do algoritmo implementado,aplicado ao problema do caixeiro viajante simétrico e ao problema escalonamento sondaspara manutenção de poços. |
publishDate |
2014 |
dc.date.issued.fl_str_mv |
2014-09-12 |
dc.date.accessioned.fl_str_mv |
2015-11-27T14:58:26Z |
dc.date.available.fl_str_mv |
2015-11-27T14:58:26Z |
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 |
SANTOS, João Paulo Queiroz dos. Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local. 2014. 111f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2014. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/19393 |
identifier_str_mv |
SANTOS, João Paulo Queiroz dos. Estratégias de busca reativa utilizando aprendizagem por reforço e algoritmos de busca local. 2014. 111f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2014. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/19393 |
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 ENGENHARIA ELÉTRICA E DE 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/123456789/19393/1/JoaoPauloQueirozDosSantos_TESE.pdf https://repositorio.ufrn.br/bitstream/123456789/19393/6/JoaoPauloQueirozDosSantos_TESE.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/19393/7/JoaoPauloQueirozDosSantos_TESE.pdf.jpg |
bitstream.checksum.fl_str_mv |
3662ede234255c7bb4c15e938ea3640e 368554866d25cfff3be19582a58fd54a 94352dc9ff04627a1306e5a4779cb6f9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117784920915968 |