Desenvolvimento de um algoritmo de programação genética linear usando algoritmos de estimação de distribuição aplicado a aprendizado de máquina supervisionado

• Processo: 18/13202-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Data de Início da vigência: 03 de setembro de 2018
• Data de Término da vigência: 02 de setembro de 2019
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Márcio Porto Basgalupp
• Beneficiário: Léo Françoso Dal Piccol Sotto
• Supervisor: Franz Rothlauf
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Instituição Anfitriã: Johannes Gutenberg University Mainz (JGU), Alemanha
• Vinculado à bolsa: 16/07095-5 - Desenvolvimento da técnica programação genética linear probabilística e aplicação em programação Kaizen para aprendizado de máquina supervisionado, BP.DD
• Assunto(s): Aprendizado computacional Algoritmos evolutivos Programação genética
• Palavra(s)-Chave do Pesquisador: Algoritmos de Estimação de Distribuição | Aprendizado de Máquina | Programação Genética Linear | Programação Evolutiva

Resumo

Programação Genética Linear (PGL) é um tipo de algoritmo capaz de evoluir códigos de linguagens de programação que tem sido aplicado com sucesso em diversos problemas, como Aprendizado de Máquina (AM), navegação e roteamento. Assim como em outros Algoritmos Evolutivos (AEs), seu processo de busca estocástica não tem conhecimento para produzir boas soluções nem é capaz de evitar soluções ruins, o que reduz sua eficácia. Além disso, seus operadores de recombinação geralmente ignoram a correlação entre diferentes posições em um genótipo. Com o objetivo de reduzir esse problema dos AEs, foi proposto o Algoritmo de Estimação de Distribuição (AED), que usa um modelo de probabilidade, construído a partir de soluções aptas, para amostrar soluções promissoras, que por sua vez são usadas para atualizar o modelo. De maneira a mitigar o problema dos operadores de combinação disruptivos, modelos bivariados e multivariados exploram também a correlação entre as diferentes posições no genótipo. O projeto de doutorado associado a esta proposta tem o objetivo de estudar e propor diferentes modelos de probabilidade para a PGL: univariado, bivariado e multivariado. As técnicas resultantes de Programação Genética Linear Probabilística (PGLP) serão aplicadas em problemas de AM supervisionado, como regressão e classificação. Durante o período de estágio no exterior, o estudante irá desenvolver um modelo multivariado para a PGL. O aspecto original deste trabalho é a adaptação de um modelo multivariado existente para a PGL ou a implementação de novos modelos compatíveis com sua estrutura linear, enquanto sua principal relevância é a aplicação em problemas de AM supervisionado. (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)

DAL PICCOL SOTTO, LEO FRANCOSO; ROTHLAUF, FRANZ; LOPEZIBANEZ, M. On the Role of Non-effective Code in Linear Genetic Programming. PROCEEDINGS OF THE 2019 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE (GECCO'19), v. N/A, p. 9-pg., 2019-01-01. (18/13202-4)

DE MELO, VINICIUS V.; SOTTO, LEO F. D. P.; LEONARDO, MATHEUS M.; FARIA, FABIO A.. Automatic Meta-Feature Engineering for CNN Fusion in Aerial Scene Classification Task. IEEE Geoscience and Remote Sensing Letters, v. 17, n. 9, p. 1652-1656, SEPT 2020. (18/13202-4, 16/07095-5)

SOTTO, LEO FRANCOSO DAL PICCOL; ROTHLAUF, FRANZ; DE MELO, VINICIUS VELOSO; BASGALUPP, MARCIO P.. An Analysis of the Influence of Noneffective Instructions in Linear Genetic Programming. EVOLUTIONARY COMPUTATION, v. 30, n. 1, p. 24-pg., 2022-03-01. (18/13202-4, 16/07095-5)