FRAMEWORK PARA OTIMIZAÇÃO VIA SIMULAÇÃO INTEGRANDO METAMODELAGEM, DOE E OTIMIZAÇÃO DE HIPER-PARÂMETROS

Vol 53, 2021 - 139376
Trabalho completo (oral)
Favorite this paper
How to cite this paper?
Abstract

Com os desenvolvimentos na área de machine learning surgiram algoritmos com alta capacidade de aprendizado, tornando o uso das técnicas de otimização via simulação por metamodelagem (OvSM) para a solução de problemas complexos um campo de estudo promissor. Neste sentido, o presente estudo propõe um framework para OvSM que incorpora: algoritmos de machine learning, otimização de hiper-parâmetros via Algoritmo Genético e Design of Experiments. A fim de validar o framework proposto, este artigo testou seis algoritmos de machine learning, com e sem a etapa de otimização de seus hiper-parâmetros, além de considerar dois arranjos experimentais para geração de dados para metamodelagem. O framework proposto foi aplicado a problemas de alocação de recursos em três casos reais da indústria. A aplicação do framework obteve soluções que atingiram, respectivamente, 100%, 96,17%, e 100% do ótimo local benchmark, demandando, em média, 35,22% menos tempo. Além disso, a incorporação da etapa de otimização de hiper-parâmetros permitiu uma redução de 31,28% no erro dos metamodelos.

Share your ideas or questions with the authors!

Did you know that the greatest stimulus in scientific and cultural development is curiosity? Leave your questions or suggestions to the author!

Sign in to interact

Have a question or suggestion? Share your feedback with the authors!

Institutions
  • 1 Universidade Federal de Itajubá
Track
  • 18 - SIM - Simulation
Keywords
otimização
Metamodelagem
Simulação a Eventos Discretos