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

• Processo: 18/13202-4
• Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Vigência (Início): 03 de setembro de 2018
• Vigência (Término): 02 de setembro de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Márcio Porto Basgalupp
• Beneficiário: Léo Françoso Dal Piccol Sotto
• Supervisor no Exterior: 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
• Local de pesquisa : 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

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)