| Resumo: | A seleção dos parâmetros de (Meta-) Heurísticas é um processo complexo e por vezes trabalhoso, havendo casos em que abordagens baseadas em modelos de Aprendizagem Automática permitem melhorar esse processo por forma a obter combinações de parâmetros adequadas de modo automático, eficaz e eficiente. Neste trabalho é proposta uma abordagem que integra uma heurística, Elitist Particle Swarm Algorithm (EPSA), com uma camada de Clustering e outra de Classificação, com o intuito de prever as combinações de parâmetros mais promissoras para a heurística, tendo em conta a instância do problema que se pretende resolver. A heurística, EPSA, baseada no conceito das Meta-Heurísticas Particle Swarm Optimization (PSO) aplicadas a problemas de otimização discreta, é também apresentada. Esta heurística exibe duas características que, em conjunto, a diferenciam de grande parte das abordagens PSO: a existência de um grupo especial de partículas, Elite, com um comportamento distinto das restantes partículas e uma velocidade que depende apenas da qualidade das soluções. À abordagem integrada da heurística EPSA com as camadas de Clustering e Classi cação foi dado o nome Auto Tuned Elitist Particle Swarm Algorithm (ATEPSA). Esta abordagem baseia-se no uso de histórico de resolução de determinadas instâncias de um problema, com diferentes combinações de parâmetros, para proceder a uma a nação de cariz off-line, servindo-se da experiência anterior de resolução de instâncias semelhantes à que se quer resolver. A abordagem é aplicada ao problema de escalonamento Single Machine Total Weighted Tardiness que é um NP-Difícil bem conhecido. A abordagem ATEPSA apresenta resultados promissores, conseguindo prever boas combinações de parâmetros para uma parte considerável dos casos estudados. A heurística EPSA mostra resultados bastante satisfatórios em tempos de resolução baixos e exibe uma variabilidade baixa numa grande gama de instâncias, o que indica que tende a ter resultados consistentes.
|
|---|