Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2021-131433
Se você NUNCA registrou um DOI no seu Lattes, veja nosso 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.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo