Banca de DEFESA: Renan Santos Mendes

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Renan Santos Mendes
DATA : 28/03/2022
HORA: 09:00
LOCAL: Videoconferência
TÍTULO:

Redução de Dimensionalidade Online para Problema de Roteamento de Veículos com Transporte Reativo a Demanda

PALAVRAS-CHAVES:

Problema de Roteamento de Veículos com Transporte Reativo a Demanda. Otimização com Muitos Objetivos. Técnicas de Redução de Dimensionalidade. Análise de Cluster. Seleção de Atributos. Correlação de Pearson. τ de Kendall. Máxima Variância. Taxa de Dispersão. Diagrama de Cordas.

PÁGINAS: 110
RESUMO:

Neste trabalho é abordada uma formulação com muitos objetivos para o Problema de Roteamento de Veículos com Transporte Reativo a Demanda (PRVTRD). O problema pode ser considerado como um modo de transporte semelhante ao dos serviços de transporte sob demanda com compartilhamento de corridas nos quais os passageiros são transportados da sua origem para o seu destino, compartilhando o mesmo veículo. O objetivo desse tipo de transporte é reduzir os custos de operação/deslocamento, atendendo às necessidades dos passageiros e oferecendo serviços de alta qualidade. Este trabalho propõe o uso da análise de cluster online baseada nos coeficientes de correlação de Pearson e τ de Kendall para realizar a redução de dimensionalidade a cada geração do algoritmo MOEA/D, denominado OnCL_τ-MOEA/D e OnCL_ρ-MOEA/D. A primeira sequência de experimentos comparou as seguintes abordagens: (i) offline usando o coeficiente de correlação de Pearson; (ii) offline usando a correlação τ de Kendall; (iii) online usando o coeficiente de correlação de Pearson; (iv) online usando o coeficiente de correlação τ de Kendall; e (v) uma versão de baseline, o MOEA/D na versão original. Os algoritmos foram testados usando um conjunto de dados reais contendo distâncias e tempos de viagem para Belo Horizonte. Para avaliar a dispersão das soluções obtidas pelos algoritmos, foi aplicado o indicador de hipervolume. Os resultados destes experimentos mostraram que (i) não há diferença na formulação obtida para as abordagens offline; (ii) os algoritmos baseados em Cluster online são estatisticamente melhores do que o algoritmo baseado em Cluster offline; (iii) não é possível afirmar que há diferença estatística entre os algoritmos com redução de dimensionalidade online e o MOEA/D quando o indicador de hipervolume é usado para avaliar as soluções obtidas. Os diagramas de cordas foram aplicados sobre as soluções obtidas e indicaram que a diversidade das soluções encontradas pelo OnCL_ρ-MOEA/D e OnCL_τ-MOEA/D também são ligeiramente distintas. A segunda sequência de experimentos realizados compara as abordagens de redução de dimensionalidade baseada em agregação online e outra baseada em seleção de atributos. A abordagem utilizando a seleção de atributos elimina os objetivos usando duas técnicas não supervisionadas de seleção de atributos: Taxa de Dispersão (DR) e Máxima Variância (MV). A seleção de atributos é usada para selecionar o representante do cluster. A frequência do impacto da redução da dimensionalidade no desempenho do algoritmo também foi analisada. As abordagens usando seleção de atributos foram acopladas ao algoritmo MOEA/D. Três algoritmos foram testados (i) cluster online usando o coeficiente de correlação Pearson juntamente com MOEA/D (OnCLρ_g-MOEA/D); (ii) cluster online usando o coeficiente de correlação de Pearson e a taxa de dispersão juntamente com MOEA/D (OnDRρ_g-MOEA/D); (iii) cluster online usando coeficiente de Pearson e Variância Máxima juntamente com MOEA/D (OnMVρ_g-MOEA/D), sendo g = 1,25,50,100. Os resultados destes novos testes mostraram que, independentemente da frequência da abordagem de redução de dimensionalidade e das instâncias, os algoritmos MOEA/D e OnCLρ_g-MOEA/D são estatisticamente superiores aos OnDRρ_g-MOEA/D e OnMVρ_gMOEA/D. Não é possível afirmar que haja diferença estatística entre os resultados dos algoritmos baseados na seleção de atributos online em termos do indicador de hipervolume. Os diagramas de cordas mostraram que há uma maior diversidade das soluções obtidas quando todas as funções objetivo são utilizadas na forma reduzida do problema e também quando os algoritmos permanecem por mais gerações em uma determinada formulação reduzida.

MEMBROS DA BANCA:
Interno - ALISSON MARQUES DA SILVA
Externa à Instituição - CAROLINA GIL MARCELINO - UFRJ
Presidente - ELIZABETH FIALHO WANNER
Interno - FLAVIO VINICIUS CRUZEIRO MARTINS
Interno - GUSTAVO CAMPOS MENEZES
Externo à Instituição - IVAN REINALDO MENEGHINI - IFMG
Externo ao Programa - JOAO FERNANDO MACHRY SARUBBI