Recombinação por decomposição em computação evolutiva

• Processo: 15/06462-1
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de julho de 2015
• Data de Término da vigência: 30 de junho de 2017
• 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
• Pesquisadores associados: Evandro Eduardo Seron Ruiz ; Zhao Liang
• Assunto(s): Computação evolutiva Inteligência artificial Algoritmos genéticos Problemas de otimização
• Palavra(s)-Chave do Pesquisador: Algoritmos Geneticos | grafos | Inteligência Artificial | otimização | Recombinação de Soluções | Computação Evolutiva

Resumo

A recombinação de soluções assume papel importante em diversos algoritmos da computação evolutiva. Recombinação é também interessante em outros paradigmas usados em otimização, quer para recombinar soluções encontradas em diferentes execuções de um algoritmo, quer para recombinar soluções produzidas por diferentes algoritmos. O objetivo principal deste projeto é o desenvolvimento de novos operadores de recombinação por decomposição para problemas em que a função de avaliação pode ser escrita como uma soma de termos. Operadores de recombinação por decomposição particionam as variáveis de decisão do problema de modo a permitir a decomposição da função de avaliação. Assim, encontra-se, com custo computacional proporcional ao custo de se avaliar uma solução do problema, a melhor solução de um conjunto de soluções descendentes que cresce exponencialmente com o número de partições encontradas. Neste projeto, serão pesquisados operadores de recombinação por decomposição para problemas de otimização pseudo-Booleana k-restritos e problemas de otimização combinatória envolvendo grafos. (AU)

Publicações científicas

(8)

(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)

TINOS, RENATO; ZHAO, LIANG; CHICANO, FRANCISCO; WHITLEY, DARRELL. NK Hybrid Genetic Algorithm for Clustering. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, v. 22, n. 5, p. 748-761, OCT 2018. (13/07375-0, 15/50122-0, 15/06462-1)

SANCHES, DANILO; WHITLEY, DARRELL; TINOS, RENATO; ACM. Improving an Exact Solver for the Traveling Salesman Problem using Partition Crossover. PROCEEDINGS OF THE 2017 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE (GECCO'17), v. N/A, p. 8-pg., 2017-01-01. (15/06462-1)

SANCHES, DANILO; WHITLEY, DARRELL; TINOS, RENATO; ACM. Building a Better Heuristic for the Traveling Salesman Problem: Combining Edge Assembly Crossover and Partition Crossover. PROCEEDINGS OF THE 2017 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE (GECCO'17), v. N/A, p. 8-pg., 2017-01-01. (15/06462-1)

TINOS, RENATO; WHITLEY, DARRELL; OCHOA, GABRIELA. A New Generalized Partition Crossover for the Traveling Salesman Problem: Tunneling between Local Optima. EVOLUTIONARY COMPUTATION, v. 28, n. 2, p. 255-288, JUN 2020. (16/18615-0, 15/06462-1, 13/07375-0)

CHICANO, FRANCISCO; OCHOA, GABRIELA; WHITLEY, DARRELL; TINOS, RENATO; AGUIRRE, H. Enhancing Partition Crossover with Articulation Points Analysis. GECCO'18: PROCEEDINGS OF THE 2018 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE, v. N/A, p. 8-pg., 2018-01-01. (15/06462-1)

TINOS, RENATO; WHITLEY, DARRELL; IEEE. A Fusion Mechanism for the Generalized Asymmetric Partition Crossover. 2018 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2018-01-01. (15/06462-1)

CHICANO, FRANCISCO; WHITLEY, DARRELL; OCHOA, GABRIELA; TINOS, RENATO; ACM. Optimizing One Million Variable NK Landscapes by Hybridizing Deterministic Recombination and Local Search. PROCEEDINGS OF THE 2017 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE (GECCO'17), v. N/A, p. 8-pg., 2017-01-01. (15/06462-1)

TINOS, RENATO; YANG, SHENGXIANG. A framework for inducing artificial changes in optimization problems. INFORMATION SCIENCES, v. 485, p. 486-504, JUN 2019. (16/18615-0, 15/06462-1, 13/07375-0)