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

Vol 53, 2021 - 139376
Trabalho completo (oral)
Favoritar este trabalho
Como citar esse trabalho?
Resumo

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.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade Federal de Itajubá
Eixo Temático
  • 18 - SIM – Simulação
Palavras-chave
otimização
Metamodelagem
Simulação a Eventos Discretos