Algoritmo portfólio aplicado a visão computacional e processamento de imagem
Carregando...
Data
Autores
Supervisor
Papa, João Paulo 
Coorientador
Pós-graduação
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Relatório de pós-doc
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho apresenta uma investigação abrangente sobre a aplicação de algoritmos de otimização multiobjetiva e hiperheurísticas na neuroevolução de arquiteturas de redes neurais convolucionais modulares. O estudo integra três algoritmos evolutivos multiobjetivo consagrados (MOEA/D, NSGA-II e SPEA2) com estratégias hiperheurísticas baseadas em Choice Function e Multi-Armed Bandit, aplicando-os tanto em problemas de neuroevolução quanto em funções benchmark ZDT (Zitzler-Deb-Thiele). A abordagem proposta utiliza representação baseada em grafos direcionados acíclicos (DAGs) para modelar arquiteturas convolucionais, permitindo operadores evolutivos especializados e garantia de validade estrutural. Os experimentos foram conduzidos em três datasets de classificação de imagens (MNIST, Fashion-MNIST e CIFAR-10), além de cinco funções benchmark ZDT (ZDT1, ZDT2, ZDT3, ZDT4, ZDT6), avaliando simultaneamente acurácia, complexidade computacional e modularidade estrutural. Os resultados demonstram a superioridade do Multi-Armed Bandit sobre a Choice Function em problemas complexos, com hipervolume médio de 0.473417 versus 0.409792, respectivamente. A análise revela que estratégias adaptativas são cruciais para problemas de neuroevolução, com o Multi-Armed Bandit apresentando melhor balanceamento entre exploração e exploração. O trabalho contribui significativamente para o avanço da área, oferecendo tanto insights teóricos quanto ferramentas práticas para a comunidade científica.
Resumo (inglês)
This work presents a comprehensive investigation on the application of multi-objective optimization algorithms and hyperheuristics in the neuroevolution of modular convolutional neural network architectures. The study integrates three established multi-objective evolutionary algorithms (MOEA/D, NSGA-II, and SPEA2) with hyperheuristic strategies based on Choice Function and Multi-Armed Bandit, applying them to both neuroevolution problems and ZDT (Zitzler-Deb-Thiele) benchmark functions. The proposed approach uses a representation based on directed acyclic graphs (DAGs) to model convolutional architectures, allowing specialized evolutionary operators and ensuring structural validity. The experiments were conducted on three image classification datasets (MNIST, Fashion-MNIST, and CIFAR-10), as well as five ZDT benchmark functions (ZDT1, ZDT2, ZDT3, ZDT4, ZDT6), simultaneously evaluating accuracy, computational complexity, and structural modularity. The results demonstrate the superiority of the Multi-Armed Bandit over the Choice Function in complex problems, with average hypervolumes of 0.473417 versus 0.409792, respectively. The analysis reveals that adaptive strategies are crucial for neuroevolution problems, with the Multi-Armed Bandit demonstrating a better balance between exploration and exploitation. This work contributes significantly to the advancement of the field, offering both theoretical insights and practical tools for the scientific community.
Descrição
Palavras-chave
Processamento de imagem, Visão computacional, Otimização, Metaheurística, Algoritmos bio-inspirados, Hiperheurística
Idioma
Português
