Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Ramirez Pozo, Aurora Trinidad, 1959- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Métodos Numéricos em Engenharia | - |
Autor(es): dc.creator | Emmendorfer, Leonardo Ramos | - |
Data de aceite: dc.date.accessioned | 2025-09-01T12:37:44Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T12:37:44Z | - |
Data de envio: dc.date.issued | 2025-05-08 | - |
Data de envio: dc.date.issued | 2025-05-08 | - |
Data de envio: dc.date.issued | 2007 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/13442 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/13442 | - |
Descrição: dc.description | Orientadora: Profª Drª Aurora Trinidad Ramirez Pozo | - |
Descrição: dc.description | Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas e Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 2007 | - |
Descrição: dc.description | Bibliografia: f. 91-97 | - |
Descrição: dc.description | Área de concentração: Programação matemática | - |
Descrição: dc.description | Resumo: Este trabalho propõe um novo algoritmo de computação evolutiva, baseado na aquisição de informação a partir das similaridades entre os indivíduos da população e no usodesta informação para guiar a busca. O teorema do esquema, que é uma fundamentaçãoteórica importante da 'área, já aponta que a existˆencia de similaridades entre os indivíduos está relacionada com a detecção de soluções parciais. Os indivíduos que possuem uma certa sub-estrutura comum podem ser considerados similares, e este grupode indivíduos é chamado de esquema.A inferência de modelos estatísticos para representar os melhores indivíduos encontrados é, atualmente, uma abordagem efetiva para computação evolutiva. Modelos cada vez mais complexos vem sendo usados pelos algoritmos de estimação dedistribuição (EDAs), o que frequentemente resulta em uma melhor eficácia. Os EDAsmais efetivos adotam redes Bayesianas, pois estes modelos capturam interações de altaordem entre as varáveis do problema. O aprendizado da estrutura destes modelos é,entretanto, uma tarefa computacionalmente cara. EDAs baseados em estatísticas deprimeira ordem, por sua vez, são computacionalmente mais simples mas não têm semostrado efetivos em muitos problemas benchmark. Isto é devido à incapacidade dosEDAs de baixa ordem em aprender sobre as ligações entre os genes, que são resultantesda estrutura de interações presentes nestes problemas.O algoritmo proposto é um EDA de baixa ordem que mantém a população agrupada por similaridade e procura explorar o espaço de busca combinando a informaçãoadquirida em grupos diferentes. Uma avaliação empírica é conduzida, a qual adotaum escopo abrangente de problemas que representam as principais difuculdades encontradas em EDAs. Os resultados mostram que a nova proposta é efetiva e eficienteem diversos problemas benchmark. | - |
Descrição: dc.description | Abstract: This work proposes a new evolutionary computation algorithm, which is based on acquiring information from the similarities among the individuals of the population andusing this information to guide the search. The schemata theorem, which is an important theoretical foundation for evolutionary computation, already pointed out that thesimilarities among the individuals is related to the detection of partial solutions. Allindividuals possessing a certain substructure can be considered similar, and this groupof individuals is called schemata.Inferring statistical models from the best individuals found so far is currently aneffective approach for evolutionary computation. Increasingly more complex modelshave been used by estimation of distribution algorithms (EDAs), which often resultbetter effectiveness. The most effective EDAs adopt Bayesian networks, since thosemodels are able to capture interactions of high order among the variables of a problem.Learning the structure of those models is, however, a computationally expensive task.Simpler EDAs based on single order statistics, on the other hand, are computationallysimpler approaches, but have not been shown to be effective on many benchmark problems. This is due to inability of simpler EDAs to learn and respect the linkage amongthe genes, which is a result of the structure of interactions present in those problems.The algorithm proposed is a low-order EDA which keeps the population clusteredand attempts to explore the space by combining information from different clusters.Empirical evaluation is performed, which adopts a comprehensive range of benchmarkproblems, which illustrate most of the difficulties found by EDAs. Results show thatthe new approach is effective and efficient on several benchmark problems. | - |
Formato: dc.format | 97 f. : il. ; c 30 cm. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Relação: dc.relation | Disponível em formato digital | - |
Palavras-chave: dc.subject | Programação genética (Computação) | - |
Palavras-chave: dc.subject | Algorítmos genéticos | - |
Palavras-chave: dc.subject | Algorítmos computacionais | - |
Palavras-chave: dc.subject | Análise numérica | - |
Título: dc.title | Aprendizado da ligação entre genes em computação evolutiva : uma nova abordagem baseada em estatísticas de baixa ordem | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: