Algoritmos metaheurísticos inspirados na natureza vêm sendo utilizados com sucesso para encontrar boas soluções em problemas complexos de otimização. Dentre estes algoritmos, destacam-se os Algoritmos Evolutivos e os Algoritmos de Inteligência de Enxames. Um exemplo bastante popular dos Algoritmos Evolutivos são os algoritmos genéticos baseados na teoria da seleção natural de Charles Darwin. Entre a abordagem de Inteligência de Enxames, algoritmos baseados em população que imitam o comportamento da inteligência coletiva de animais, destacam-se algoritmos como Otimização por Enxames de Partículas, Weight Based Fish School Search (wFSS). Nos últimos anos, pesquisadores se voltaram ao estudo da hibridização de metaheurísticas, ou seja, implementação de modelos que não seguem puramente um paradigma de metaheurísticas, combinando vários componentes de uma metaheurística em outra. Nesse contexto, este trabalho propôs a criação de um modelo multimodal híbrido que aproveita tanto o potencial dos algoritmos de inteligência de enxames quanto o potencial dos algoritmos genéticos. O modelo proposto foi aplicado a uma tarefa em que haja explosão combinatorial tal como a de seleção de atributos, uma das abordagens de redução de dimensionalidade, para aumentar a precisão da tarefa de classificação em mineração de dados e reduzir sua complexidade computacional.
A sepse é uma condição grave de saúde causada pela resposta exagerada do organismo a uma infecção que influencia na falência de órgãos e na morte de indivíduos, sendo responsável por cerca de um quinto da mortalidade global. A detecção precoce da sepse continua sendo um desafio médico devido à heterogeneidade na fonte de infecção. A falta de um específico diagnóstico e previsões precoces inviabilizam o tratamento clínico adequado e, assim, levam a uma taxa de mortalidade. O diagnóstico de Sepse ainda é bastante difícil por causa de um amplo e complexo conjunto de fatores como taquicardia, falta de ar, febre, confusão mental, além dos que estabelecem uma infecção, alterações fisiológicas, sexo do paciente, comorbidades pré-existentes, entre outros. A previsão de sepse diante de condições tão dinâmicas por meio de modelos de aprendizado de máquina ganhou atenção especial devido à abundância de dados disponíveis. Tais condições eventualmente criam uma quantidade muito grande de atributos e tentar encontrar padrões, realizando cálculos probabilísticos entre cada um deles, costuma ser um importante desafio. Nesse contexto, a presente pesquisa propõe para identificar possíveis algoritmos evolucionários para determinar relevância estatística entre esses atributos e, com base nisso, diminuir a dimensionalidade da Base de Dados.
Algoritmos metaheurísticos inspirados na natureza vêm sendo utilizados com sucesso para encontrar boas soluções em problemas complexos de otimização. Dentre estes algoritmos, destacam-se os Algoritmos Evolutivos e os Algoritmos de Inteligência de Enxames. Um exemplo bastante popular dos Algoritmos Evolutivos são os algoritmos genéticos baseados na teoria da seleção natural de Charles Darwin. Entre a abordagem de Inteligência de Enxames, algoritmos baseados em população que imitam o comportamento da inteligência coletiva de animais, destacam-se algoritmos como Otimização por Enxames de Partículas, Weight Based Fish School Search (wFSS). Nos últimos anos, pesquisadores se voltaram ao estudo da hibridização de metaheurísticas, ou seja, implementação de modelos que não seguem puramente um paradigma de metaheurísticas, combinando vários componentes de uma metaheurística em outra. Nesse contexto, este trabalho propôs a criação de um modelo multimodal híbrido que aproveita tanto o potencial dos algoritmos de inteligência de enxames quanto o potencial dos algoritmos genéticos. O modelo proposto foi aplicado a uma tarefa em que haja explosão combinatorial tal como a de seleção de atributos, uma das abordagens de redução de dimensionalidade, para aumentar a precisão da tarefa de classificação em mineração de dados e reduzir sua complexidade computacional.