Abordagem neuro-genética para mapeamento de problemas de conexão em otimização combinatória

Página do item simplificado
dc.contributorSilva, Ivan Nunes da
dc.creatorPires, Matheus Giovanni
dc.date2009-05-21
dc.date2009-06-26
dc.date.accessioned2017-11-15T11:18:59Z
dc.date.available2017-11-15T11:18:59Z
dc.date.issued2017-11-15
dc.descriptionDevido a restrições de aplicabilidade presentes nos algoritmos para a solução de problemas de otimização combinatória, os sistemas baseados em redes neurais artificiais e algoritmos genéticos oferecem um método alternativo para solucionar tais problemas eficientemente. Os algoritmos genéticos devem a sua popularidade à possibilidade de percorrer espaços de busca não-lineares e extensos. Já as redes neurais artificiais possuem altas taxas de processamento por utilizarem um número elevado de elementos processadores simples com alta conectividade entre si. Complementarmente, redes neurais com conexões realimentadas fornecem um modelo computacional capaz de resolver vários tipos de problemas de otimização, os quais consistem, geralmente, da otimização de uma função objetivo que pode estar sujeita ou não a um conjunto de restrições. Esta tese apresenta uma abordagem inovadora para resolver problemas de conexão em otimização combinatória utilizando uma arquitetura neuro-genética. Mais especificamente, uma rede neural de Hopfield modificada é associada a um algoritmo genético visando garantir a convergência da rede em direção aos pontos de equilíbrio factíveis que representam as soluções para os problemas de otimização combinatória.
dc.descriptionDue to applicability constraints involved with the algorithms for solving combinatorial optimization problems, systems based on artificial neural networks and genetic algorithms are alternative methods for solving these problems in an efficient way. The genetic algorithms must its popularity to make possible cover nonlinear and extensive search spaces. On the other hand, artificial neural networks have high processing rates due to the use of a massive number of simple processing elements and the high degree of connectivity between these elements. Additionally, neural networks with feedback connections provide a computing model capable of solving a large class of optimization problems, which refer to optimization of an objective function that can be subject to constraints. This thesis presents a novel approach for solving connection problems in combinatorial optimization using a neurogenetic approach. More specifically, a modified Hopfield neural network is associated with a genetic algorithm in order to guarantee the convergence of the network to the equilibrium points, which represent feasible solutions for the combinatorial optimization problems.
dc.formatapplication/pdf
dc.identifierhttp://www.teses.usp.br/teses/disponiveis/18/18153/tde-12062009-150911/
dc.identifierdoi:10.11606/T.18.2009.tde-12062009-150911
dc.identifier.urihttp://repositorio.eesc.usp.br/handle/RIEESC/2431
dc.languagept
dc.publisherBiblioteca Digital de Teses e Dissertações da USP
dc.publisherUniversidade de São Paulo
dc.publisherEscola de Engenharia de São Carlos
dc.rightsLiberar o conteúdo para acesso público.
dc.subjectAlgoritmos genéticos
dc.subjectRedes neurais artificiais
dc.subjectProblema do emparelhamento bipartido
dc.subjectProblema do caminho mínimo
dc.subjectProblema das N-Rainhas
dc.subjectOtimização combinatória
dc.subjectN-Queens problem
dc.subjectGenetic algorithms
dc.subjectCombinatorial optimization
dc.subjectBipartite graph optimization
dc.subjectArtificial neural networks
dc.subjectShortest path problem
dc.titleAbordagem neuro-genética para mapeamento de problemas de conexão em otimização combinatória
dc.titleNeurogenetic approach for mapping connection problems in combinatorial optimization
dc.typeTese de Doutorado
Arquivos
Coleções
Teses e Dissertações (BDTD USP)