Busca avançada
Ano de início
Entree

Estratégias de aprendizado para busca heurística em problemas de otimização combinatória

Processo: 19/22067-6
Linha de fomento:Bolsas no Exterior - Pesquisa
Vigência (Início): 05 de março de 2020
Vigência (Término): 04 de março de 2021
Área do conhecimento:Engenharias - Engenharia de Produção - Pesquisa Operacional
Pesquisador responsável:Mariá Cristina Vasconcelos Nascimento Rosset
Beneficiário:Mariá Cristina Vasconcelos Nascimento Rosset
Anfitrião: Jean-Francois 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
Local de pesquisa : 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):Meta-heurística   Aprendizagem profunda

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.