Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos

Detalhes bibliográficos
Autor(a) principal: Fraga, Larissa Maiara
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFU
Texto Completo: https://repositorio.ufu.br/handle/123456789/36370
http://doi.org/10.14393/ufu.di.2022.5042
Resumo: Reliable models allow the simulation of critical processes that can serve as a basis for planning and defining public policies. Dynamic systems modeling is an important research tool that can predict and assess the impact of decisions taken by organizations and governments. Cellular automata have been used as an alternative for these types of modeling, as they are dynamic, discrete systems capable of describing complex phenomena from a set of simple rules and local iterations. Once the basic representation of the system is defined, one of the main difficulties in modeling is the adjustment of the various parameters that compose it. Since the evolutionary algorithms have been shown to be a powerful adaptive search technique, in this work we investigate two strategies based on genetic algorithms (GAs) to adjust parameters of a model, aiming to approximate the simulations results to the behavior found in the data to be modeled. The first strategy consists of applying a typical genetic algorithm to solve the problem, while the second adopts multiple stages of evolution, where each stage is responsible for adjusting a subset of the parameters. Both strategies adopt as a case study a model that describes the evolution of a population of insect vectors responsible for Chagas disease (SLIMI et al., 2009). This model is based on probabilistic cellular automata and was originally proposed to reproduce real data collected in a village in Mexico. Here, it is used to generate the dataset used as reference by the genetic algorithm. Experimental results show that the parameters defined in both evolutionary strategies reproduce a behavior similar to the reference model with respect of the number of insects and their spatial distribution.
id UFU_5f4d802585e5b8238c20dc249af508b7
oai_identifier_str oai:repositorio.ufu.br:123456789/36370
network_acronym_str UFU
network_name_str Repositório Institucional da UFU
repository_id_str
spelling Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticosEvolutionary strategies for the adjustment of parameters of an epidemiological model based on probabilistic cellular automataAlgoritmos GenéticosAutômatos CelularesEvolução Multi-estágioComputação EvolutivaModelagem de sistemas dinâmicosAjuste de ParâmetrosDoença de ChagasGenetic AlgorithmsCellular AutomataMulti-stage evaluationEvolutionary ComputingDynamic systems modelingParameter adjustmentChagas DiseaseComputaçãoCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAOComputaçãoAlgorítmos genéticosAutomato celularComputação evolutivaChagas, Doença deReliable models allow the simulation of critical processes that can serve as a basis for planning and defining public policies. Dynamic systems modeling is an important research tool that can predict and assess the impact of decisions taken by organizations and governments. Cellular automata have been used as an alternative for these types of modeling, as they are dynamic, discrete systems capable of describing complex phenomena from a set of simple rules and local iterations. Once the basic representation of the system is defined, one of the main difficulties in modeling is the adjustment of the various parameters that compose it. Since the evolutionary algorithms have been shown to be a powerful adaptive search technique, in this work we investigate two strategies based on genetic algorithms (GAs) to adjust parameters of a model, aiming to approximate the simulations results to the behavior found in the data to be modeled. The first strategy consists of applying a typical genetic algorithm to solve the problem, while the second adopts multiple stages of evolution, where each stage is responsible for adjusting a subset of the parameters. Both strategies adopt as a case study a model that describes the evolution of a population of insect vectors responsible for Chagas disease (SLIMI et al., 2009). This model is based on probabilistic cellular automata and was originally proposed to reproduce real data collected in a village in Mexico. Here, it is used to generate the dataset used as reference by the genetic algorithm. Experimental results show that the parameters defined in both evolutionary strategies reproduce a behavior similar to the reference model with respect of the number of insects and their spatial distribution.FAPEMIG - Fundação de Amparo a Pesquisa do Estado de Minas GeraisDissertação (Mestrado)Modelos confiáveis permitem a simulação de processos críticos que podem servir de base para o planejamento e definição de políticas públicas. A modelagem de sistemas dinâmicos é um importante instrumento de pesquisa que pode prever e avaliar o impacto de decisões tomadas por organizações e governos. Autômatos celulares têm sido usados como alternativa para esses tipos de modelagem, pois são sistemas dinâmicos, discretos e capazes de descrever fenômenos complexos a partir de um conjunto de regras simples e iterações locais. Uma vez definida a representação básica do sistema, uma das principais dificuldades na modelagem é o ajuste dos diversos parâmetros que o compõem. Considerando que os algoritmos evolutivos têm se mostrado uma poderosa técnica de busca adaptativa, neste trabalho investigamos duas estratégias baseadas em algoritmos genéticos (AGs) para ajustar parâmetros de um modelo, visando aproximar o resultado das simulações ao comportamento dos dados a serem modelados. A primeira estratégia consiste na aplicação de um algoritmo genético típico para resolver o problema, enquanto a segunda adota múltiplos estágios de evolução, no qual cada estágio é responsável por ajustar um subconjunto dos parâmetros. Ambas as estratégias adotam como estudo de caso um modelo que descreve a evolução de uma população de insetos vetores responsáveis pela doença de Chagas (SLIMI et al., 2009). Esse modelo é baseado em autômatos celulares probabilísticos e foi originalmente proposto para reproduzir dados reais coletados em uma aldeia no México. Aqui, ele é usado para gerar o conjunto de dados usada como referência pelo algoritmo genético. Resultados experimentais mostram que os parâmetros definidos em ambas as estratégias evolutivas reproduzem um comportamento semelhante ao modelo de referência tanto na quantidade de insetos quanto na sua distribuição espacial.Universidade Federal de UberlândiaBrasilPrograma de Pós-graduação em Ciência da ComputaçãoOliveira, Gina Maira Barbosa dehttp://lattes.cnpq.br/7119433066704111Martins, Luiz Gustavo Almeidahttp://lattes.cnpq.br/2546751023256424Carneiro, Murillo Guimarãeshttp://lattes.cnpq.br/8158868389973535Monteiro, Luiz Henrique Alveshttp://lattes.cnpq.br/1820487447148268Fraga, Larissa Maiara2022-11-10T11:28:14Z2022-11-10T11:28:14Z2021-07-05info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfFRAGA, Larissa Maiara. Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos. 2021. 129 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2022.5042.https://repositorio.ufu.br/handle/123456789/36370http://doi.org/10.14393/ufu.di.2022.5042porAn error occurred getting the license - uri.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFU2022-11-11T06:16:28Zoai:repositorio.ufu.br:123456789/36370Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2022-11-11T06:16:28Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false
dc.title.none.fl_str_mv Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
Evolutionary strategies for the adjustment of parameters of an epidemiological model based on probabilistic cellular automata
title Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
spellingShingle Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
Fraga, Larissa Maiara
Algoritmos Genéticos
Autômatos Celulares
Evolução Multi-estágio
Computação Evolutiva
Modelagem de sistemas dinâmicos
Ajuste de Parâmetros
Doença de Chagas
Genetic Algorithms
Cellular Automata
Multi-stage evaluation
Evolutionary Computing
Dynamic systems modeling
Parameter adjustment
Chagas Disease
Computação
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO
Computação
Algorítmos genéticos
Automato celular
Computação evolutiva
Chagas, Doença de
title_short Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
title_full Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
title_fullStr Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
title_full_unstemmed Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
title_sort Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos
author Fraga, Larissa Maiara
author_facet Fraga, Larissa Maiara
author_role author
dc.contributor.none.fl_str_mv Oliveira, Gina Maira Barbosa de
http://lattes.cnpq.br/7119433066704111
Martins, Luiz Gustavo Almeida
http://lattes.cnpq.br/2546751023256424
Carneiro, Murillo Guimarães
http://lattes.cnpq.br/8158868389973535
Monteiro, Luiz Henrique Alves
http://lattes.cnpq.br/1820487447148268
dc.contributor.author.fl_str_mv Fraga, Larissa Maiara
dc.subject.por.fl_str_mv Algoritmos Genéticos
Autômatos Celulares
Evolução Multi-estágio
Computação Evolutiva
Modelagem de sistemas dinâmicos
Ajuste de Parâmetros
Doença de Chagas
Genetic Algorithms
Cellular Automata
Multi-stage evaluation
Evolutionary Computing
Dynamic systems modeling
Parameter adjustment
Chagas Disease
Computação
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO
Computação
Algorítmos genéticos
Automato celular
Computação evolutiva
Chagas, Doença de
topic Algoritmos Genéticos
Autômatos Celulares
Evolução Multi-estágio
Computação Evolutiva
Modelagem de sistemas dinâmicos
Ajuste de Parâmetros
Doença de Chagas
Genetic Algorithms
Cellular Automata
Multi-stage evaluation
Evolutionary Computing
Dynamic systems modeling
Parameter adjustment
Chagas Disease
Computação
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO
Computação
Algorítmos genéticos
Automato celular
Computação evolutiva
Chagas, Doença de
description Reliable models allow the simulation of critical processes that can serve as a basis for planning and defining public policies. Dynamic systems modeling is an important research tool that can predict and assess the impact of decisions taken by organizations and governments. Cellular automata have been used as an alternative for these types of modeling, as they are dynamic, discrete systems capable of describing complex phenomena from a set of simple rules and local iterations. Once the basic representation of the system is defined, one of the main difficulties in modeling is the adjustment of the various parameters that compose it. Since the evolutionary algorithms have been shown to be a powerful adaptive search technique, in this work we investigate two strategies based on genetic algorithms (GAs) to adjust parameters of a model, aiming to approximate the simulations results to the behavior found in the data to be modeled. The first strategy consists of applying a typical genetic algorithm to solve the problem, while the second adopts multiple stages of evolution, where each stage is responsible for adjusting a subset of the parameters. Both strategies adopt as a case study a model that describes the evolution of a population of insect vectors responsible for Chagas disease (SLIMI et al., 2009). This model is based on probabilistic cellular automata and was originally proposed to reproduce real data collected in a village in Mexico. Here, it is used to generate the dataset used as reference by the genetic algorithm. Experimental results show that the parameters defined in both evolutionary strategies reproduce a behavior similar to the reference model with respect of the number of insects and their spatial distribution.
publishDate 2021
dc.date.none.fl_str_mv 2021-07-05
2022-11-10T11:28:14Z
2022-11-10T11:28:14Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv FRAGA, Larissa Maiara. Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos. 2021. 129 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2022.5042.
https://repositorio.ufu.br/handle/123456789/36370
http://doi.org/10.14393/ufu.di.2022.5042
identifier_str_mv FRAGA, Larissa Maiara. Estratégias evolutivas para o ajuste de parâmetros de um modelo epidemiológico baseado em autômatos celulares probabilísticos. 2021. 129 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2022.5042.
url https://repositorio.ufu.br/handle/123456789/36370
http://doi.org/10.14393/ufu.di.2022.5042
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv An error occurred getting the license - uri.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv An error occurred getting the license - uri.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Uberlândia
Brasil
Programa de Pós-graduação em Ciência da Computação
publisher.none.fl_str_mv Universidade Federal de Uberlândia
Brasil
Programa de Pós-graduação em Ciência da Computação
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFU
instname:Universidade Federal de Uberlândia (UFU)
instacron:UFU
instname_str Universidade Federal de Uberlândia (UFU)
instacron_str UFU
institution UFU
reponame_str Repositório Institucional da UFU
collection Repositório Institucional da UFU
repository.name.fl_str_mv Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)
repository.mail.fl_str_mv diinf@dirbi.ufu.br
_version_ 1813711585936408576