| Summary: | Submitted by Alison Vanceto (alison-vanceto@hotmail.com) on 2017-02-14T11:18:13Z
No. of bitstreams: 1
TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) === Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-03-20T13:12:18Z (GMT) No. of bitstreams: 1
TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) === Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-03-20T13:12:31Z (GMT) No. of bitstreams: 1
TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) === Made available in DSpace on 2017-03-20T13:23:55Z (GMT). No. of bitstreams: 1
TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5)
Previous issue date: 2014-12-02 === Não recebi financiamento === The process of building the knowledge base of fuzzy systems has benefited extensively
of methods to automatically extract the necessary knowledge from data sets that represent
examples of the problem. Among the topics investigated in the most recent research is the
matter of balance between accuracy and interpretability, which has been addressed by means
of multi-objective genetiv algorithms, NSGA-II being on of the most popular. In this scope,
we identified the need to control the diversity of solutions found by these algorithms, so that
each solution would balance the Pareto frontier with respect to the goals optimized by the
multi-objective genetic algorithm. In this PhD thesis a multi-objective genetic algorithm,
named NSGA-DO, is proposed. It is able to find non dominated solutions that balance
the Pareto frontier with respect optimization of the objectives. The main characteristicof
NSGA-DO is the distance oriented selection of solutions. Once the Pareto frontier is found,
the algorithm uses the locations of the solutions in the frontier to find the best distribution of
solutions. As for the validation of the proposal, NSGA-DO was applied to a methodology
for the generation of fuzzy knowledge bases. Experiments show the superiority of NSGADO
when compared to NSGA-II in all three issues analyzed: dispersion, accuracy and
interpretability. === A construção da base de conhecimento de sistemas fuzzy tem sido beneficiada intensamente
por métodos automáticos que extraem o conhecimento necessário a partir de conjuntos de
dados que representam exemplos do problema. Entre os tópicos mais investigados nas pesquisas
recentes está a questão do balanceamento entre acuidade e interpretabilidade, que
têm sido abordada por meio dos algoritmos genéticos multiobjetivo, sendo o NSGA-II um
dos mais populares. Neste escopo, identificou-se a necessidade do controle da distribuição
das soluções encontradas por estes algoritmos, a fim de que cada solução possa equilibrar
a fronteira de Pareto com relação aos objetivos otimizados pelo algoritmo genético multiobjetivo.
Neste sentido, desenvolveu-se neste projeto de doutorado um algoritmo genético
multiobjetivo, chamado NSGA-DO, capaz de encontrar soluções não dominadas que equilibram
a fronteira de Pareto nos objetivos a serem otimizados. A principal característica do
NSGA-DO é a seleção de soluções orientada à distância. Uma vez encontrada a fronteira
de Pareto, o algoritmo usa a localização das soluções nesta fronteira para encontrar a melhor
distribuição das soluções. Para a validação da proposta, aplicou-se o NSGA-DO em
uma metodologia para a geração de bases de conhecimento fuzzy. Experimentos realizados
comprovaram a superioridade do NSGA-DO com relação ao NSGA-II nos três quesitos
analisados: dispersão, acurácia e interpretabilidade.
|
|---|
