dc.creator |
MATTA, Cláudia Eliane da |
|
dc.date.issued |
2021-12-16 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2791 |
|
dc.description.abstract |
Many engineering problems involve the optimization of the unknown objective function.
Recently, active search has emerged as a powerful tool to solve problems of this nature, whose
objective function involves high evaluation costs, whether computational or experimental. This
thesis proposal seeks to find an object (x) with an optimal value for a given property (y).
However, direct determination of this property of interest across all available objects may not
be a viable option given the resources, workload and/or time required. Thus, this proposes an
active machine learning approach, called active search, to find an optimal solution, using the
design of experiments for the initial search. To apply this method, two regression techniques
were used, called k-nearest-neighbours and Gaussian processes. Furthermore, a stopping
criterion was defined for the Gaussian regression technique to reduce the algorithm processing
time. The originality of the theme lies in the proposed methodology, in the use of experimental
design, no active search algorithm using regression techniques that quickly converge to a
global optimum, and in the use of a stopping criterion for the algorithm based on statistical
criteria. The studies were carried out with simulated data and with real data for the production
of medicines, agrochemicals and application in electrical microgrids. In all cases, active search
reduced the number of experiments and simulations to obtain the property of interest, compared
to traditional algorithms such as Optimal Experiment Design and Kennard-Stone. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Busca ativa |
pt_BR |
dc.subject |
K-vizinhos-mais-próximos |
pt_BR |
dc.subject |
Processos Gaussianos |
pt_BR |
dc.subject |
Planejamento de experimentos |
pt_BR |
dc.subject |
Otimização |
pt_BR |
dc.title |
Metodologia de planejamento e redução do número de experimentos em problemas de busca ativa |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2021-12-20 |
|
dc.date.available |
2021-12-20T11:40:58Z |
|
dc.date.accessioned |
2021-12-20T11:40:58Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/1839800190588286 |
pt_BR |
dc.contributor.advisor1 |
BALESTRASSI, Pedro Paulo |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/8999535447828760 |
pt_BR |
dc.contributor.advisor-co1 |
DE LORENCI, Eliane Valença Nascimento |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/6445725475979187 |
pt_BR |
dc.description.resumo |
Existem muitos problemas de engenharia que envolvem a otimização da função objetivo
desconhecida. Recentemente, a busca ativa surgiu como uma ferramenta poderosa para resolver
problemas dessa natureza, cujas funções objetivo envolvem alto custo de avaliação, seja este
computacional ou experimental. Nesta proposta de doutorado busca-se encontrar um objeto (x)
com valor ótimo para uma determinada propriedade (y). No entanto, a determinação direta desta
propriedade de interesse em todos os objetos disponíveis pode não ser uma opção viável, tendo
em vista os recursos, a carga de trabalho e/ou o tempo necessários. Dessa forma, este estudo
propõe uma abordagem de aprendizado ativo de máquina, chamada busca ativa, destinado a
encontrar uma solução ótima, utilizando delineamento de experimentos para busca inicial. Para
aplicação do método foram utilizadas duas técnicas de regressão, chamadas de k-vizinhos-mais próximos e processos Gaussianos. Além disso, um critério de parada foi definido para a técnica
de regressão Gaussiana, com o objetivo de reduzir o tempo de processamento do algoritmo. A
originalidade do tema encontra-se na metodologia proposta, na utilização de delineamento de
experimentos, no algoritmo de busca ativa usando técnicas de regressão que convergem
rapidamente para um ótimo global e na utilização de um critério de parada para o algoritmo
baseado em critérios estatísticos. Os estudos foram realizados com dados simulados e com
dados reais para produção de medicamentos, agroquímicos e aplicação em microrredes
elétricas. Em todos esses casos, a busca ativa reduziu o número de experimentos e simulações
para obter a propriedade de interesse, em comparação com os algoritmos tradicionais, como o
planejamento ótimo de experimentos e o Kennard-Stone. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |