| Processo: | 19/22067-6 |
| Modalidade de apoio: | Bolsas no Exterior - Pesquisa |
| Data de Início da vigência: | 05 de março de 2020 |
| Data de Término da vigência: | 04 de outubro de 2020 |
| Área de conhecimento: | Engenharias - Engenharia de Produção - Pesquisa Operacional |
| Pesquisador responsável: | Mariá Cristina Vasconcelos Nascimento Rosset |
| Beneficiário: | Mariá Cristina Vasconcelos Nascimento Rosset |
| Pesquisador Anfitrião: | Jean-François Cordeau |
| 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: | École des Hautes Études Commerciales (HEC Montréal), Canadá |
| Vinculado ao auxílio: | 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID |
| Assunto(s): | Otimização combinatória Aprendizagem profunda Meta-heurística Modelagem computacional Heurística |
| Palavra(s)-Chave do Pesquisador: | Deep Learning | graph problems | Ils | routing problems | metaheurísticas |
Resumo O aprendizado profundo (AP) tem sido aplicado com sucesso a uma variedade de tarefas de processamento de sinais e de informações, com excelentes resultados. Consistindo de modelos computacionais compostos por várias camadas de processamento, o objetivo do aprendizado profundo é aprender a representação de dados considerando vários níveis de abstração. Várias abordagens recentes por redes profundas podem ser observadas na literatura no tratamento de problemas de otimização combinatória. Apesar dos esforços, desenvolver modelos competitivos com os métodos heurísticos estado da arte continua sendo um desafio. Um dos principais problemas ainda não superados por ferramentas baseadas em AP, principalmente nas soluções fim-a-fim, é a escalabilidade. Dessa forma, este projeto propõe a incorporação de aprendizado profundo em uma metaheurística baseada em busca local. Para tanto, será investigada uma estratégia de aprendizado profundo em tempo linear, baseada na vizinhança dos vértices em grafos. O objetivo é alcançar a escalabilidade e obter resultados competitivos na solução de problemas de roteamento. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |