Otimização Multi-Objetivo Envolvendo Aproximadores de Função via Processos Gaussianos e Algoritmos Híbridos que Empregam Otimização Direta do Hipervolume

• Processo: 15/09199-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de janeiro de 2016
• Data de Término da vigência: 31 de julho de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Matemática
• Pesquisador responsável: Fernando José von Zuben
• Beneficiário: Conrado Silva Miranda
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Palavra(s)-Chave do Pesquisador: Algoritmos Híbridos | Aproximação de função | Otimização Multi-objetivo | Processo Gaussiano | Otimização multi-objetivo

Resumo

Otimização do hipervolume e aproximadores de funções-objetivo vêm ganhando considerável destaque em otimização multi-objetivo (MOO), por promoverem ganhos de desempenho tanto na redução do número de avaliações dos objetivos quanto na qualidade da solução obtida. Esta tese visa contribuir nessas duas frentes, propondo soluções híbridas de maximização do hipervolume, que buscam utilizar abordagens exploratórias e explotatórias de otimização, e definindo aproximadores de função capazes de considerar a natureza multi-objetivo do problema. O hipervolume é uma métrica eficaz para avaliação de desempenho, a ponto da MOO poder ser descrita como uma otimização mono-objetivo (SOO) do hipervolume. Em SOO, métodos de otimização por gradiente podem ser capazes de gerar soluções ótimas locais empregando poucos recursos computacionais, motivando sua pesquisa para MOO, que é dominada por algoritmos evolutivos. Os algoritmos híbridos a serem propostos devem agregar as principais vantagens dos métodos de gradiente e dos algoritmos evolutivos, procurando superar algumas limitações já verificadas na literatura, como a perda de eficiência de soluções inicialmente eficientes em métodos de gradiente de hipervolume. Visando reduzir a quantidade de avaliações dos objetivos necessárias, este projeto se propõe a utilizar aproximadores de função. Predomina na literatura o emprego direto de aproximadores tradicionais no contexto multi-objetivo. Sendo assim, buscar-se-á melhorar o estado da arte no uso de aproximadores em MOO, adaptando ou introduzindo técnicas que levem em conta: (1) As condições necessárias e suficientes que soluções eficientes devem obedecer, cuja formalização também será uma contribuição desta pesquisa; e (2) As possíveis interdependências de objetivos. Processos gaussianos serão tomados para a síntese dos aproximadores, particularmente pela sua capacidade de síntese de funções que consideram formalmente os itens (1) e (2) mencionados.

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)

MIRANDA, CONRADO S.; VON ZUBEN, FERNANDO J.. Necessary and Sufficient Conditions for Surrogate Functions of Pareto Frontiers and Their Synthesis Using Gaussian Processes. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, v. 21, n. 1, p. 1-13, FEB 2017. (15/09199-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

MIRANDA, Conrado Silva. Multi-objective optimization involving function approximation via gaussian processes and hybrid algorithms that employ direct optimization of the hypervolume. 2018. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação Campinas, SP.