Busca avançada
Ano de início
Entree

Recombinação por decomposição em computação evolutiva

Processo: 15/06462-1
Linha de fomento:Auxílio à Pesquisa - Regular
Vigência: 01 de julho de 2015 - 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
Pesq. associados:Evandro Eduardo Seron Ruiz ; Zhao Liang
Assunto(s):Computação evolutiva  Inteligência artificial  Algoritmos genéticos  Problemas de otimização 

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
(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; YANG, SHENGXIANG. A framework for inducing artificial changes in optimization problems. INFORMATION SCIENCES, v. 485, p. 486-504, JUN 2019. Citações Web of Science: 0.
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. Citações Web of Science: 2.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.