Combining heuristics and data mining for continuous optimization problems

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Alexandre Plastino de-
Autor(es): dc.contributorMartins, Simone de Lima-
Autor(es): dc.contributorFrota, Yuri Abitbol de Menezes-
Autor(es): dc.contributorOliveira, Alexandre César Muniz de-
Autor(es): dc.contributorCortes, Omar Andres Carmona-
Autor(es): dc.creatorSantos, Raphael Gomes-
Data de aceite: dc.date.accessioned2025-08-21T20:12:58Z-
Data de disponibilização: dc.date.available2025-08-21T20:12:58Z-
Data de envio: dc.date.issued2025-08-15-
Data de envio: dc.date.issued2025-08-15-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/39830-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1056827-
Descrição: dc.descriptionA hibridização de metaheurísticas com técnicas de mineração de dados tem sido aplicada com sucesso em problemas de otimização combinatória. Entre os exemplos desse tipo de estratégia estão DM-GRASP e MDM-GRASP, versões híbridas da metaheurística Greedy Randomized Adaptive Search Procedure (GRASP), que incorporam técnicas de mineração de dados. Esses métodos híbridos são chamados de Metaheurísticas orientadas a Dados e visam extrair conhecimento útil dos dados gerados pelas metaheurísticas em seu processo de busca e usar esse conhecimento para melhorar o seu desempenho. Apesar do sucesso em problemas combinatórios, como o problema de empacotamento de conjuntos e o problema da diversidade máxima, propostas desse tipo para resolver problemas de otimização contínua ainda são raras na literatura. Esta tese investiga a hibridização de metaheurísticas contínuas com Mineração de Dados. Seguindo esta ideia, propomos algoritmos de otimização híbridos baseados no conceito de metaheurística orientada a dados para resolver os problemas de otimização contínua global. Apresentamos uma versão híbrida com mineração de dados da metaheurística baseada em trajetórias C-GRASP, que é uma adaptação do GRASP para problemas com variáveis contínuas. Chamamos essa nova versão de DM-C-GRASP, que identifica padrões em soluções de alta qualidade e gera novas soluções guiadas por esses padrões. Realizamos experimentos computacionais com o DM-C-GRASP em um conjunto de funções matemáticas de benchmark bem conhecidas. Os resultados mostraram que metaheurísticas para otimização contínua também podem se beneficiar do uso de padrões para orientar a busca por melhores soluções. Também propomos a hibridização de metódos de mineração de dados com um algoritmo evolucionário estado-da-arte, chamado L-SHADE. Com base nessa proposta, apresentamos dois novos algoritmos híbridos, DM-L-SHADE e FIM-L-SHADE. A análise experimental do DM-L-SHADE e do FIM-L-SHADE mostra que eles são competitivos em comparação a heurísticas de última geração para otimização contínua.-
Descrição: dc.descriptionThe hybridization of metaheuristics with data mining techniques has been successfully applied to combinatorial optimization problems. This strategy includes DM-GRASP and MDM-GRASP, hybrid versions of the Greedy Randomized Adaptive Search Procedure (GRASP) metaheuristic incorporating data mining techniques. These hybrid methods are called Data-Driven Metaheuristics and aim to extract valuable knowledge from the data generated by the metaheuristics in their search process and improve its performance. Despite their success in combinatorial problems, such as the set packing problem and the maximum diversity problem, proposals of this type to solve continuous optimization problems are still scarce in the literature. This thesis investigates the hybridization of continuous metaheuristics with Data Mining. Following this idea, we propose hybrid optimization algorithms based on data-driven metaheuristics to solve global continuous optimization problems. We present a hybrid data mining version of the trajectory-based metaheuristic C-GRASP, which adapts GRASP for problems with continuous variables. We call this new version DM-C-GRASP, which identifies patterns in high-quality solutions and generates new solutions guided by these patterns. We perform computational experiments with DM-C-GRASP on well-known mathematical benchmark functions. The results show that metaheuristics for continuous optimization can also benefit from using patterns to guide the search for better solutions. We also propose hybridizing data mining methods with a state-of-the-art evolutionary algorithm called L-SHADE. Based on this proposal, we present two new hybrid algorithms, DM-L-SHADE and FIM-L-SHADE. The experimental analysis of DM-L-SHADE and FIM-L-SHADE shows that they are competitive when compared to state-of-the-art heuristics for continuous optimization.-
Descrição: dc.description101 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectMetaheurísticas-
Palavras-chave: dc.subjectMineração de dados-
Palavras-chave: dc.subjectOtimização contínua-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectOtimização (Computação)-
Palavras-chave: dc.subjectMetaheurística-
Palavras-chave: dc.subjectMetaheuristics-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectContinuous optimization-
Título: dc.titleCombining heuristics and data mining for continuous optimization problems-
Tipo de arquivo: dc.typeTese-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.