Aluna: Mariana Gomes da Motta Macedo

Título: “Multi-Objective Binary Fish School Search (MOBFSS) - Otimizador Multi-Objetivo baseado em Cardumes Artificiais para Variáveis Binárias.”

Orientador: Prof. Carmelo Jose Albanez Bastos Filho

Data-hora: 24/novembro/2017 (9:00h)

Local: Escola Politécnica de Pernambuco – SALA I-4

Resumo:

"O algoritmo proposto Multi-Objective Binary Fish School Search (MOBFSS) procura resolver problemas multi-objetivos (duas ou três funções objetivos) em que as variáveis de decisão são binárias. O MOBFSS é inspirado na versão monoobjetiva Fish School Search (FSS) e principalmente nos algoritmos Multi-objective Fish School Search (MOFSS) e Binary Fish School Search (BFSS) juntamente com sua extensão Improved Binary Fish School Search (IBFSS). Todas essas versões utilizam um enxame de peixes como agentes reativos simples que compartilham o mesmo ambiente. Os peixes possuem um peso que quantifica o quanto melhoraram nas iterações e esse peso é atualizado dependendo de sua exploração individual e da influência coletiva. O MOBFSS utiliza o processo binário do BFSS, a ideia de inversão de dimensões em vetores do IBFSS e o cálculo de dominância e operador de ordenamento e truncamento Crowding Distance do MOFSS. Os movimentos coletivos do MOBFSS foram criados pela análise das suas características de diversidade, expansão, convergência e contração. Portanto, o movimento coletivo instintivo inverte dimensões a favor do que está acontecendo pela maioria dos peixes bem sucedidos na iteração. O movimento coletivo volitivo é guiado por um líder escolhido aleatoriamente do arquivo externo em que o peixe se aproximará ou se afastará do mesmo. Novas versões do MOBFSS foram criadas com o intuito de diminuir o custo computacional da primeira versão bem como melhorar a sua convergência. Essas novas versões testaram diferentes operadores de turbulência (evitar a estagnação em mínimos locais), a necessidade de avaliação da população do movimento individual (diminuir custo computacional) e a ausência do movimento individual (controlar o movimento coletivo volitivo para que permita a diversidade e convergência necessária). Como forma de avaliação da proposta, as versões do MOBFSS foram testadas no problema de seleção de características para classificação através de uma Support Vector Machine (SVM) em 3 bases de dados do UCI (Sonar, Ionosphere, Wine). Além disso, o algoritmo estado-da-arte para comparação foi o BMOPSO-CDR e BMOPSO-CDRLS. Como problema real, foram utilizados três experimentos de uma base de Termografia de Mama que é composta de características retiradas pelo Momento de Haralick e Zernike. A melhora do diagnóstico do câncer de mama utilizando métodos computacionais possibilita que taxa de mortalidade feminina possa ser diminuída no futuro. As métricas de avaliação foram hipervolume, spacing e maximum-spread para analisar respectivamente convergência, diversidade e extensão do Pareto Front. O teste de Wilcoxon com 95% de confiança foi utilizado para comparar estatisticamente os algoritmos. Portanto, para problemas com número de atributos mais elevado, o MOBFSS