Projeto de algoritmos evolutivos gray-box e aplicações

• Processo: 21/09720-2
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de janeiro de 2022
• Data de Término da vigência: 31 de dezembro de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Renato Tinós
• Beneficiário: Renato Tinós
• Instituição Sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional Algoritmos genéticos Algoritmos evolutivos Meta-heurística
• Palavra(s)-Chave do Pesquisador: Algoritmos Geneticos | Aprendizado de Máquina | Inteligência Artificial | Metaheurísticas | Algoritmos Evolutivos

Resumo

Informações sobre a estrutura do problema estão disponíveis em muitas aplicações relacionadas à otimização. No entanto, essas informações são negligenciadas pela vasta maioria dos Algoritmos Evolutivos (AEs), tornando a otimização um processo black-box (caixa-preta). Em contraste, otimização gray-box (caixa-cinza) tira proveito do conhecimento da interação entre variáveis de decisão para orientar a busca. Recentemente, novos operadores e estratégias do tipo gray-box têm sido desenvolvidas, permitindo melhorar significativamente o desempenho de AEs. Este projeto visa o desenvolvimento de pesquisas envolvendo AEs eficientes em duas áreas principais. Do ponto de vista de projeto de novos algoritmos, o objetivo principal é o desenvolvimento de operadores de recombinação e perturbação que utilizem o grafo de interações entre as variáveis de decisão para gerar novas soluções. Do ponto de vista de aplicações, AEs eficientes serão aplicados em problemas envolvendo Aprendizado de Máquina na área de Medicina. (AU)

Publicações científicas

(6)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DEL LAMA, RAFAEL SILVA; CANDIDO, RAQUEL MARIANA; CHIARI-CORREIA, NATALIA SANTANA; NOGUEIRA-BARBOSA, MARCELLO HENRIQUE; DE AZEVEDO-MARQUES, PAULO MAZZONCINI; TINOS, RENATO. Computer-Aided Diagnosis of Vertebral Compression Fractures Using Convolutional Neural Networks and Radiomics. JOURNAL OF DIGITAL IMAGING, v. 35, n. 3, p. 13-pg., 2022-02-07. (19/07665-4, 19/01219-2, 21/09720-2)

PRZEWOZNICZEK, MICHAL W.; TINOS, RENATO; KOMARNICKI, MARCIN M.; PAQUETE, L. First Improvement Hill Climber with Linkage Learning - on Introducing Dark Gray-Box Optimization into Statistical Linkage Learning Genetic Algorithms. PROCEEDINGS OF THE 2023 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE, GECCO 2023, v. N/A, p. 9-pg., 2023-01-01. (19/07665-4, 21/09720-2)

BALDO JUNIOR, SERGIO; CARNEIRO, MURILLO G.; DESTRO-FILHO, JOAO-BATISTA; ZHAO, LIANG; TINOS, RENATO; IEEE. Classification of coma etiology using convolutional neural networks and long-short term memory networks. 2023 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, IJCNN, v. N/A, p. 8-pg., 2023-01-01. (19/07665-4, 21/09720-2)

CHICANO, FRANCISCO; OCHOA, GABRIELA; WHITLEY, L. DARRELL; TINOS, RENATO. Dynastic Potential Crossover Operator. EVOLUTIONARY COMPUTATION, v. 30, n. 3, p. 38-pg., 2022-09-01. (21/09720-2, 19/07665-4)

TINOS, RENATO; PRZEWOZNICZEK, MICHAL W.; WHITLEY, DARRELL; CHICANO, FRANCISCO; PAQUETE, L. Genetic Algorithm with Linkage Learning. PROCEEDINGS OF THE 2023 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE, GECCO 2023, v. N/A, p. 9-pg., 2023-01-01. (19/07665-4, 21/09720-2)

PRZEWOZNICZEK, MICHAL W.; TINOS, RENATO; FREJ, BARTOSZ; KOMARNICKI, MARCIN M.; FIELDSEND, JE. On turning Black- into Dark Gray-optimization with the Direct Empirical Linkage Discovery and Partition Crossover. PROCEEDINGS OF THE 2022 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE (GECCO'22), v. N/A, p. 9-pg., 2022-01-01. (21/09720-2, 19/07665-4)