This paper was published through Galoá and has a deposited DOI. To cite this paper, use one of the standards below:
In case you are one of the co-authors and want to register this paper in your Lattes, use the following code: doi > 10.59254/sbpo-2021-131433
If you've NEVER registered a DOI in your Lattes, check our tutorial!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.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper