Use este identificador para citar o ir al link de este elemento: http://hdl.handle.net/1843/32403
Tipo: Tese
Título: A new SMBO-Based parameter tuning framework to optimization algorithms
Autor(es): Áthila Rocha Trindade
primer Tutor: Felipe Campelo França Pinto
primer miembro del tribunal : Lucas de Souza Batista
Segundo miembro del tribunal: Cristiano Leite de Castro
Tercer miembro del tribunal: Eduardo Gontijo Carrano
Cuarto miembro del tribunal: Elizabeth F. Wanner
Quinto miembro del tribunal: Rodrigo Tomás N. Cardoso
Resumen: Uma variedade de algoritmos tem sido propostos pela área de otimização para resolução dos mais diferentes problemas. Heurísticas e Metaheurísticas são duas classes de algoritmos que tem sido largamente utilizados para a resolução de problemas práticos de otimização, devido à sua capacidade de alcançar soluções satisfatórias em um tempo computacional razoável, mesmo tratando-se de problemas com alta complexidade computacional (com relação à, por exemplo: problemas não modais, não diferenciáveis ou NP-completos). Estes algoritmos podem ter o balanço entre o nível de exploração global e busca local no espaço de variáveis ajustado através da escolha de adequados valores de parâmetros (os quais podem ser numéricos ou categóricos) que controlam seu com- portamento. Desta forma, para que Heurísticas e Metaheurísticas sejam utilizadas com seu máximo potencial, é necessária a utilização de estratégias apropriadas de escolha dos valores de seus parâmetros, ou seja, devem ser escolhidos valores de parâmetros que balanceiem os níveis de buscas global e local. Estratégias pioneiras baseadas na escolha de parâmetros por tentativa e erro não alcançaram resultados satisfatórios. Por outro lado, métodos baseados em modelagem e inferência estatística sobre os dados de desempenho do algoritmo; isto é, que determinam valores de parâmetros para um algoritmo resolver determinada classe de problemas baseando-se em estatísticas obtidas à partir das amostras de problemas desta classe, tem sido propostos nas últimas duas décadas. Ademais, as configurações (valores de parâmetros) dos algoritmos obtidas por estes métodos podem também auxiliar pesquisadores da área em experimentalmente investigar aspectos do comportamento do algoritmo. Com base na questão descrita anteriormente, este trabalho investiga a proposição de um novo framework de ajuste de parâmetros baseado na melhoria iterativa de modelos estatísticos sobre o desempenho do algoritmo, os quais representam modelos de predição do comportamento do algoritmo. Os resultados experimentais mostraram que o framework é capaz e retornar resultados similares à outros métodos de ajuste de parâmetros difundidos na literatura; com a vantagem de informar também ao usuário modelos de predição do comportamento do algoritmo que descrevem as diferenças de relevância entre os parâmetros. Este framework está disponível para uso dos pesquisadores da área de otimização e metaheurísticas, na forma de um pacote de código aberto da linguagem R.
Abstract: A variety of algorithms have been proposed by optimization researchers, for solving several different problems. Heuristics and Metaheuristics are two class of algorithms which have been widely used for practical optimization problems, due to their capability to achieve good solutions in a feasible runtime when solving a problem, even in problems with high computational complexity (in terms e.g., of modality, non-differentiability, or NP-hardness). These algorithms can have their level of balance of global search and local improvement in the search space tuned by choosing suitable values of a number of user-defined parameters, which can be numerical or categorical. To take full advantage of the potential of Heuristics and Metaheuristics when solving hard optimization problems, it is necessary to think about appropriate strategies for choose adequate parameter values, that is, parameters values which provide a balance between global search and local improvement in the search space. Former strategies based on choosing parameters values by trial and error did not achieve satisfactory results. In contrast, methods based on statistical modeling and inference regarding algorithm performance, i.e., which recommend parameter values based on generalizations of given statistics observed in samples of problem instances to whole problem classes, have arisen in the past two decades. Algorithm configurations yielded by these methods not only result in better performance for the algorithms, but can also help researchers and practitioners to experimentally investigate certain aspects of algorithmic behavior. Based on this observation, this work investigates a parameter-tuning framework based on iteratively improving statistical modeling about the algorithm peformance, which represent the algorithm behavior prediction model. The experimental results showed that the current framework is capable to return competitive results of best parameter values when compared to those of some classical parameter tuning methods of the literature, with the advantage of providing prediction models which can reveal the algorithm parameters relevance. This framework is available for using by researchers in the field of general optimization and metaheuristics. It was implemented using the R Language, and is available for using by the scientific community in a form of an open source R package.
Asunto: Engenharia elétrica
Otimização combinatória
Programação heuristica
R (Linguagem de programação de computador)
Idioma: eng
País: Brasil
Editor: Universidade Federal de Minas Gerais
Sigla da Institución: UFMG
Departamento: ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA
Curso: Programa de Pós-Graduação em Engenharia Elétrica
Tipo de acceso: Acesso Aberto
URI: http://hdl.handle.net/1843/32403
Fecha del documento: 20-nov-2019
Aparece en las colecciones:Teses de Doutorado

archivos asociados a este elemento:
archivo Descripción TamañoFormato 
A new SMBO-Based Parameter Tuning Framework to Optimization Algorithms.pdf2.46 MBAdobe PDFVisualizar/Abrir


Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.