Desenvolvimento de novas metodologias para a otimização multiobjetivo com o uso de Redes Bayesianas

• Processo: 24/06402-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2024
• Data de Término da vigência: 31 de maio de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Alexandre Cláudio Botazzo Delbem
• Beneficiário: Kuruvilla Joseph Abraham
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Redes bayesianas Otimização
• Palavra(s)-Chave do Pesquisador: Algoritmos de Estimação de Distribuição | Algoritmos de Estimação de Distribuição Multiobjetivos | Algoritmos Evolutivos com Modelos Probabilísticos | Algoritmos Evolutivos com Modelos Probabilísticos Multiobjetivos | Otimização com Múltiplos Objetivos | Redes Bayesianas | Otimização

Resumo

A otimização multiobjetivo com o uso de Redes Bayesianas para obter algoritmos de estimação de Distribuição tem sido amplamente estudada. Esse processo é iterativo, e uma etapa critica é a inferência de uma nova rede Bayesiana em cada iteração. Ao lidar com dados contínuos é simples inferir uma rede Bayesiana gaussiana, no entanto, com dados não gaussianos, a validade da rede inferida pelos mesmos métodos não é garantida. Esse comportamento não gaussiano é comum em dados socioeconômicas e de engenharia. Essa dificuldade surge também nas investigações na área de Bioinformática e a estratégia adotada para superar essas dificuldades é a discretização dos dados contínuos. Nesse projeto, propomos investigar a estratégia de discretização de dados contínuos para inferir Redes Bayesianas e, subsequentemente algoritmos de estimação de distribuição, em bases de dados sócio econômicos que são contínuos e não Gaussianos. O procedimento iterativo proposto para realizar a otimização multiobjetivo consiste em fases de discretização, inferência de uma Rede Bayesiana a partir de dados discretizados por meio do método Hill Climbing, seguido pela identificação de Fronteira de Pareto e da Crowding Distance para selecionar os melhores candidatos para gerar a próxima geração de soluções. As duas ultimas etapas mencionadas serão realizadas pela uma metodologia de desdiscretização definidos em vários trabalhos em conjunto com o método de Non Dominated Sorting. Após o desenvolvimento do código o método será aplicado ao um banco de dados socioeconômicos que possui vários atributos associados a Fome e Insegurança Alimentar. Além as características mencionadas anteriormente, esses dados são caracterizados por um número baixo de observações em comparação com outros estudos que pretendem inferir uma rede Bayesiana. O método a ser desenvolvido não exige o conhecimento de qualquer forma paramétrica para os dados, e deve ser uma ferramenta útil em Data Driven Optimization.