dc.creator |
MARTINS, Anderson Lino de Paula |
|
dc.date.issued |
2022-05-10 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3317 |
|
dc.description.abstract |
Industrial competitiveness has been increasing more and more in recent years and one of the
alternatives to face this competitiveness is the use of Industry 4.0 technologies, and among them
are Simulation and Big Data. Big Data involves a large generation of data that needs interpretation,
which can be interpreted using machine learning algorithms from reinforcement learning, which
can be in conjunction with simulation. Computer simulation is the incorporation of the real world
into a virtual system, absorbing the fundamental characteristics, and one of the simulation methods
is Agent-Based Simulation, in which the agent is the focus of the system. In this context, this work
proposes to explain how it is possible to integrate machine learning to an agent-based simulation
system. Being a tool to aid the modeler, showing two ways to carry out this implementation in
AnyLogic® software. The first way will be using an external tool, the Pathmind, for that, a system
will be created that generates boxes of three different colors (red, green and blue), represented by
vectors, at random. The system must be able to identify the color of the box, focusing on the
description of the steps to be followed to carry out the implementation using this tool. The tool
efficiency test was given based on the number of adjustments that the machine is capable of
performing, and the result found showed a high efficiency by this tool. Since before the
implementation of machine learning, the system acted randomly, matching the colors following the
statistical probability of randomness predicted for this problem, which was 12.5%, and after the
implementation, the system reached a rate 100% hit. The second way will be directly in the
AnyLogic® software, using Java programming language through the Q-learning reinforcement
learning algorithm, which was developed in this research. For this, the same basis as the previous
computational model will be used, however, for this application, boxes of five different colors will
be created (red, green, blue, white and black), and will be represented through strings, in which the
system seeks to hit the right box color from machine learning using the Q-learning algorithm and
using the Q result matrix. And as with the form using the external tool, the emphasis will be on
demonstrating all the steps to be followed to complete this implementation. The system again
proved to be efficient, being able to correctly identify in all attempts. So this work was able to show
two efficient ways to implement reinforcement learning in AnyLogic® software, using an external
tool and in a direct way, in which the first one needs a lower level of knowledge of machine learning
and programming, proving to be simpler, however, it is black box, while the second way is the
opposite, requiring a high level of knowledge of machine learning and programming, but with open
source. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Simulação computacional |
pt_BR |
dc.subject |
Simulação baseada em agentes |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Aprendizado por reforço |
pt_BR |
dc.subject |
Algoritmo Q-learning |
pt_BR |
dc.title |
Integrando o Machine Learning a um sistema de simulação baseada em agentes |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2022-06-22 |
|
dc.date.available |
2022-06-22T11:22:23Z |
|
dc.date.accessioned |
2022-06-22T11:22:23Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/7994170909653429 |
pt_BR |
dc.contributor.advisor1 |
PINHO, Alexandre Ferreira de |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/2049450957233052 |
pt_BR |
dc.description.resumo |
A competitividade industrial vem aumentando cada vez mais nos últimos anos e uma das
alternativas para enfrentar essa competitividade é a utilização das tecnologias da Indústria 4.0,
e entre elas, se encontram a Simulação e o Big Data. O Big Data envolve uma grande geração
de dados que necessitam interpretação, no qual pode ser interpretado utilizando algoritmos de
aprendizado de máquina a partir do aprendizado por reforço, que pode ser em conjunto com a
simulação. A simulação computacional é a incorporação do mundo real em um sistema virtual,
absorvendo as características fundamentais, e um dos métodos de simulação é a Simulação
Baseada em Agentes, no qual o agente é o foco do sistema. Nesse contexto, esse trabalho propõe
explicar como é possível integrar o aprendizado de máquina a um sistema de simulação baseada
em agentes. Sendo assim, será utilizada uma ferramenta de auxílio ao modelador, mostrando
duas formas para realizar essa implementação no software AnyLogic®. A primeira forma será
utilizando uma ferramenta externa, o Pathmind, e para isso será criado um sistema que gera
caixas de três cores diferentes (vermelho, verde e azul), representado por vetores de forma
aleatória. O sistema deverá ser capaz de identificar qual a cor da caixa, sendo o foco na
descrição das etapas a serem seguidas para realizar a implementação utilizando essa ferramenta.
O teste de eficiência da ferramenta foi dado a partir do número de acertos que a máquina é
capaz de realizar, e o resultado encontrado mostrou uma alta eficiência por parte dessa
ferramenta. Uma vez que antes da implementação do aprendizado de máquina, o sistema agia
de forma aleatória, acertando as cores seguindo a probabilidade estatística de aleatoriedade
prevista para esse problema, que era de 12,5%, e após a implementação, o sistema alcançou
uma taxa de acerto de 100%, fica evidente a eficiência da ferramenta. A segunda forma será de
forma direta no software AnyLogic®, utilizando linguagem de programação Java por meio do
algoritmo de aprendizagem por reforço Q-learning, que foi desenvolvido nessa pesquisa. Para
isso será utilizado a mesma base do modelo computacional anterior, porém, para essa aplicação
serão criadas caixas de cinco cores diferentes (vermelho, verde, azul, branco e preto), e serão
representadas por meios de strings, no qual o sistema busca acertar a cor da caixa a partir do
aprendizado de máquina utilizando o algoritmo Q-learning e utilizando a matriz de resultado
Q. E assim como na forma utilizando a ferramenta externa, a ênfase será na demonstração de
todas as etapas a serem seguidas para concluir essa implementação. O sistema novamente se
mostrou eficiente sendo capaz de identificar de forma correta em todas as tentativas. Então esse
trabalho conseguiu mostrar duas formas eficientes de implementar o aprendizado por reforço
no software AnyLogic®, utilizando uma ferramenta externa e de forma direta, no qual a
primeira necessita um nível inferior de conhecimento de aprendizado de máquina e
programação, se mostrando mais simples, porém, é black box, enquanto da segunda forma é o
contrário, exigindo um nível alto de conhecimento de aprendizado de máquina e programação,
porém com código aberto. |
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: Mestrado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |
dc.relation.references |
MARTINS, Anderson Lino de Paula. Integrando o Machine Learning a um sistema de simulação baseada em agentes. 2022. 86 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2022. |
pt_BR |