Divulgação - Defesa Nº 284
Aluno: Gabriel Anunciação Kopte
Título: “Aprendizado por Imitação para Learning to Optimize Baseado em População: impactos em desempenho e transferibilidade"
Orientador: Fernando Buarque de Lima Neto
Corientador: Marcelo Gomes Pereira de Lacerda
Examinadora Externa: Mariana Gomes Da Motta Macedo (Université Paul Sabatier, IRIT (França)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 31 de outubro de 2023 às 10:45h.
Local: Presencial (Mar Hotel, IEEE LA-CCI 2023).
Resumo:
Com o crescimento populacional e a escassez de recursos, é essencial otimizar seus usos para uma vida em sociedade mais sustentável. Em vários aspectos da sociedade moderna esta necessidade se mostra presente, em especial no ambiente industrial e de grandes cadeias de suprimento. Nesse cenário, surge a necessidade de novos métodos de otimização. A abordagem Learning to Optimize (L2O) simplifica o processo de desenvolvimento desses algoritmos e pode ser empregada em Aprendizado de Máquina baseados em população para efetivamente criar novos algoritmos de otimização, de forma autônoma. Os métodos de otimização baseados em população são particularmente eficazes em cenários complexos que apresentam múltiplos mínimos locais. No entanto, métodos L2O enfrentam desafios de transferibilidade e a integração do Aprendizado por Imitação ao Aprendizado por Reforço pode ser benéfica. Por isso, este estudo propõe um novo método L2O populacional que combina Aprendizado por Reforço e Aprendizado por Imitação para abordar o problema da transferibilidade. O método proposto foi comparado com o método L2O populacional utilizado como referência, e também com os já reconhecidos métodos Particle Swarm Optimization (PSO) e Adam. Os experimentos foram realizados em dois grupos: um treinando e testando os métodos na mesma função objetivo e outro treinando em uma função e testando em outra. O primeiro grupo buscou entender se o novo método supera o de referência na mesma função, enquanto o segundo analisou a transferibilidade dos algoritmos. Os resultados mostraram que, quando treinados e testados na mesma função, o método proposto não apenas superou o método de referência, mas também o PSO, demonstrando sua eficácia. O PSO destacou-se em cenários 2D, mas o novo método teve um desempenho superior em cenários 5D, sugerindo sua aptidão para problemas de maior complexidade. Além disso, foi evidenciado que o método proposto tem excelente transferibilidade, mantendo um alto desempenho mesmo quando aplicado a funções diferentes das treinadas. Desta forma, o presente estudo oferece uma contribuição significativa para o campo de Learning to Optimize e otimização em geral, apresentando um método eficaz em contextos de alta dimensionalidade e que necessitam capacidade de transferibilidade.
O Programa
