| Resumo: | Existem muitos problemas de engenharia que envolvem a otimização da função objetivo desconhecida. Recentemente, a busca ativa surgiu como uma ferramenta poderosa para resolver problemas dessa natureza, cujas funções objetivo envolvem alto custo de avaliação, seja este computacional ou experimental. Nesta proposta de doutorado busca-se encontrar um objeto (x) com valor ótimo para uma determinada propriedade (y). No entanto, a determinação direta desta propriedade de interesse em todos os objetos disponíveis pode não ser uma opção viável, tendo em vista os recursos, a carga de trabalho e/ou o tempo necessários. Dessa forma, este estudo propõe uma abordagem de aprendizado ativo de máquina, chamada busca ativa, destinado a encontrar uma solução ótima, utilizando delineamento de experimentos para busca inicial. Para aplicação do método foram utilizadas duas técnicas de regressão, chamadas de k-vizinhos-mais próximos e processos Gaussianos. Além disso, um critério de parada foi definido para a técnica de regressão Gaussiana, com o objetivo de reduzir o tempo de processamento do algoritmo. A originalidade do tema encontra-se na metodologia proposta, na utilização de delineamento de experimentos, no algoritmo de busca ativa usando técnicas de regressão que convergem rapidamente para um ótimo global e na utilização de um critério de parada para o algoritmo baseado em critérios estatísticos. Os estudos foram realizados com dados simulados e com dados reais para produção de medicamentos, agroquímicos e aplicação em microrredes elétricas. Em todos esses casos, a busca ativa reduziu o número de experimentos e simulações para obter a propriedade de interesse, em comparação com os algoritmos tradicionais, como o planejamento ótimo de experimentos e o Kennard-Stone.
|
|---|