https://repositorio.ufjf.br/jspui/handle/ufjf/8287
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
flavioandradeamaralmotta.pdf | 1.15 MB | Adobe PDF | Visualizar/Abrir |
Tipo: | Dissertação |
Título: | Hibridização de Programação Genética Gramatical com estratégia evolutiva e evolução diferencial aplicada a problemas de regressão simbólica e de classificação |
Autor(es): | Motta, Flavio Andrade Amaral |
Primeiro Orientador: | Bernardino, Heder Soares |
Co-orientador: | Oliveira, Itamar Leite de |
Membro da banca: | Borges, Carlos Cristiano Hasenclever |
Membro da banca: | Porto, Luismar Marques |
Membro da banca: | Angelo, Jaqueline da Silva |
Resumo: | A Regressão simbólica consiste na manipulação de expressões matemáticas para encon-trar uma função que melhor representa um conjunto de dados. Já problemas de classifica-ção podem ser entendidos como o efeito de dispor por classes um conjunto de elementos. Técnicas computacionais foram desenvolvidas para resolver esses tipos de problema, a Programação Genética (PG) é uma delas. Uma vantagem dessa técnica é o fato de produ-zir modelos simbólicos que são possíveis de serem interpretados. A Programação Genética Gramatical (PGG) surgiu com o uso de gramáticas formais para auxiliar a busca desses modelos. Um problema da PGG é o ajuste de coeficientes, já que apenas valores gerados pela gramática podem aparecer dentro de um modelo. Diferentes formas de hibridização de PGG são utilizadas neste trabalho para ajuste de coeficientes. Evolução Diferencial (ED) e Estratégia Evolutiva (EE) são técnicas de otimização contínua e o objetivo deste trabalho é de gerar melhores soluções do que uma PGG padrão, ao utilizar essas técnicas para realizar o ajuste dos coeficientes. Foram testados 23 problemas de regressão simbó-lica e 7 de classificação para comparar o desempenho das técnicas propostas com a PGG padrão. Foram encontrados resultados promissores quando comparados a PGG na sua forma padrão. |
Abstract: | Symbolic regression is the manipulation of mathematical expressions to find a function that best represents a dataset. Classification problems can be understood as the effect of arranging by classes a set of elements. Computational techniques were developed to solve these types of problems, Genetic Programming (GP) is one of them. One advantage of this technique is that it produces symbolic models that are easy to interpret. Grammar-based Genetic Programming (GGP) came up with the use of formal grammars to aid in the search for these models. One GGP problem is the coefficient adjustment as only va-lues from the grammar can appear within a model. Different hybridization forms of GGP are used in this work to solve this problem. Differential Evolution (DE) and Evolution Strategy (ES) are continuous optimization techniques, the objective here is to generate better solutions than a standard GGP, by the usage of these techniques to perform the adjustment of the coefficients. We tested 23 symbolic regression and 7 classification pro-blems to compare the performance of the proposed techniques with the standard GGP. Promising results compared to standard GGP were found. |
Palavras-chave: | Programação Genética Gramatical Evolução diferencial Estratégia evolutiva Hibridismo Grammar-based Genetic Programming Differential evolution Evolution strategies Hibrydsm |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Juiz de Fora (UFJF) |
Sigla da Instituição: | UFJF |
Departamento: | ICE – Instituto de Ciências Exatas |
Programa: | Programa de Pós-graduação em Ciência da Computação |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/8287 |
Data do documento: | 5-Jul-2018 |
Aparece nas coleções: | Mestrado em Ciência da Computação (Dissertações) |
Os itens no repositório estão protegidos por licenças Creative Commons, com todos os direitos reservados, salvo quando é indicado o contrário.