Skip navigation
  1. RI UFPE
  2. Teses e Dissertações
  3. Teses e Dissertações defendidas na UFPE
  4. Programa de Pós-Graduação em Ciência da Computação
  5. Dissertações de Mestrado - Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/63937

Compartilhe esta página

Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorARAÚJO, Aluízio Fausto Ribeiro-
dc.contributor.authorMENDES, Cicero Samuel Rodrigues-
dc.date.accessioned2025-06-26T12:54:55Z-
dc.date.available2025-06-26T12:54:55Z-
dc.date.issued2024-10-28-
dc.identifier.citationMENDES, Cicero Samuel Rodrigues. Evolução diferencial bidirecional de ordenamento por não- dominância com predição no espaço objetivo e de decisão. 2024. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2024.pt_BR
dc.identifier.urihttps://repositorio.ufpe.br/handle/123456789/63937-
dc.description.abstractProblemas multiobjetivo com restrições (CMOPs) são amplamente encontrados em diversas aplicações científicas e de engenharia. Algoritmos Evolucionários (EAs) são empregados para resolver estes problemas devido a sua forte habilidade de busca. Du- rante o processo evolucionário, EAs geram um grande número de soluções candidatas que são pouco exploradas. Técnicas de aprendizado de máquina podem ser utiliza- das para analisar e extrair conhecimento útil destas soluções para guiar e melhorar a capacidade de busca, o que implica em um algoritmo inteligente e bem informado. Este trabalho propõe uma nova abordagem para lidar com CMOPs, o P-NSBiDiCo, que emprega predição para identificar tendências evolucionárias e gerar novas soluções em áreas promissoras preditas no espaço de busca. A abordagem proposta introduz novas estratégias para selecionar os parâmetros F e Cr da evolução diferencial (DE), bem como estratégia de predição nos espaços objetivo e de decisão. Resultados experimentais em 46 funções de benchmark e 23 problemas do mundo real sugerem que o P-NSBiDiCo obteve resultados competitivos na resolução de problemas práticos complexos quando comparados a sete algoritmos bem estabelecidos no estado da arte.pt_BR
dc.language.isoporpt_BR
dc.publisherUniversidade Federal de Pernambucopt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/pt_BR
dc.subjectProblemas multiobjetivo com restriçõespt_BR
dc.subjectAlgoritmos evolucionáriospt_BR
dc.subjectEvolução diferencialpt_BR
dc.subjectPredição no espaço de buscapt_BR
dc.subjectOtimização multiobjetivopt_BR
dc.subjectControle de parâmetrospt_BR
dc.titleEvolução diferencial bidirecional de ordenamento por não-dominância com predição no espaço objetivo e de decisãopt_BR
dc.typemasterThesispt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/8890492737689619pt_BR
dc.publisher.initialsUFPEpt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.levelmestradopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/8715023255304328pt_BR
dc.publisher.programPrograma de Pos Graduacao em Ciencia da Computacaopt_BR
dc.description.abstractxConstrained multi-objective problems (CMOPs) are widely found in a number of sci- entific and engineering applications. Evolutionary algorithms (EAs) are used to solve these problems due to their strong search capabilities. During the evolutionary process, EAs generate a large number of candidate solutions that are poorly explored. Machine learning techniques can be used to analyze and extract useful knowledge from these solutions to guide and improve the search capability, which implies in an intelligent and well-informed algorithm. This study proposes a new approach for handling CMOPs, P-NSBiDiCo, which employs prediction to identify evolutionary trends and generate new solutions in predicted promising areas in the search space. The proposed approach introduces new strategies for the selection of the F and Cr parameters of differential evolution (DE), as well as prediction strategies in the objective and decision spaces. Experimental results on 46 benchmark functions and 23 real-world problems suggest that P-NSBiDiCo achieved competitive results in solving complex practical problems when compared to seven well-established state-of-the-art algorithms.pt_BR
Aparece nas coleções:Dissertações de Mestrado - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO Cicero Samuel Rodrigues Mendes.pdf13,39 MBAdobe PDFThumbnail
Visualizar/Abrir


Este arquivo é protegido por direitos autorais

Ver licença
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Este item está licenciada sob uma Licença Creative Commons Creative Commons