Uma abordagem neuro-evolucionária multiperspectiva para suporte a decisões multi-objetivo (MO-HIS++) Candidato: Marcelo Luís Burégio Viana, BSc Orientador:

Apresentação em tema: "Uma abordagem neuro-evolucionária multiperspectiva para suporte a decisões multi-objetivo (MO-HIS++) Candidato: Marcelo Luís Burégio Viana, BSc Orientador:"— Transcrição da apresentação:

1 Uma abordagem neuro-evolucionária multiperspectiva para suporte a decisões multi-objetivo (MO-HIS++) Candidato: Marcelo Luís Burégio Viana, BSc Orientador: Prof. Fernando Buarque de Lima Neto, DIC PhD 1 ESCOLA POLITÉCNICA DE PERNAMBUCO

2 Caracterização do Problema  Problemas enfrentados pelos gerentes  IC e Sistemas de Apoio a Decisão (SAD)  Contribuição da abordagem híbrida  Avaliação dos cenários em diferentes perspectivas 2

3 Motivação  Necessidade do Mercado  SAD = Caminho Promissor  Benefícios da IC híbrida em SAD – Facilidade de uso – Previsão de cenários futuros – Quantidade e qualidade de cenários propostos – Cenários nunca explorados – Maior rapidez que métodos convencionais 3

4 Motivação  Hipótese: – Avaliar o uso de sistemas híbridos permitindo formas diferenciadas de avaliação dos cenários. 4

5 Objetivos e Metas  Avaliar o uso de solução hibrida  Apresentar os resultados de formas variadas 5 Exemplo de exibição no módulo multi-objetivo e no classificador Pareto front Deb (2000)

6 Objetivos e Metas  Metas (objetivos intermediários): – Sistema Híbrido composto por técnicas de IC – Avaliar a ferramenta com gestores reais – Avaliar os parâmetros do treinamento e os diferentes algoritmos multi-objetivos – Tornar a solução menos dependente do usuário – Desenvolver um teste de conceito – Incluir mecanismos de múltiplas escolhas ao gestor 6

7 Estado da Arte  Alguns estudos já utilizaram técnicas de IC em Sistemas de Apoio a Decisão  Problemas de decisão envolvem – Predição dos valores para simular possíveis cenários; – Busca dentre os valores dos quais são aceitáveis, e – Seleção dos cenários aceitáveis para a decisão  Hibridização de técnicas torna o problema mais fácil de ser resolvido – Teorema de WOLPERT: “Não existe um único algoritmo capaz de solucionar todos os problemas” 7

8 Estado da Arte  Algoritmos multi-objetivos: SPEA, PAES, PESA-II e NSGA-II  Mapas Auto-Organizáveis para o agrupamento das decisões num mapa 8 Direitos da imagem para SDL Component Suite

9 Resumo da Proposta  A solução conterá quatro módulos: 9

10 Resumo da Proposta  Módulo Preditivo: – Aproxima os valores das variáveis com base nos dados históricos – Utiliza uma Rede Neural Artificial do tipo MLP – Topologia e parâmetros de treinamento serão buscados pelo módulo de treinamento – Métrica: Avaliação do Erro Médio Quadrático (EMQ)  Módulo de Treinamento: – Responsável por buscar topologia e parâmetros da MLP – Utiliza os Algoritmos Genéticos (AG) – Métrica: Avaliação do desvio padrão das soluções – Fitness: minimizar o MSE da Rede Neural 10

11 Resumo da Proposta  Módulo de Multi-Objetivo: – Busca utilizando a MLP já treinada – Algoritmos avaliados: PAES, SPEA2, PESA-II e NSGA-II – Métricas (box-plot): Set Coverage, Hypervolume, Spacing e Maximum Spread  Módulo Classificador – Agrupar (clusterizar) soluções objetivas próximas – Utiliza um Mapa Auto-Organizável (SOM) – Métricas: Erro de Quantização (diferença da entrada x pesos) e Erro Topográfico (aderência da entrada ao mapa) 11

12 Metodologia e Estratégia  O projeto será dividido em quatro etapas: – 1) Pré-processamento dos dados reais cedidos por uma empresa voluntária do setor de comunicação impressa 12

13 Metodologia e Estratégia – 2) Desenvolvimento do módulo preditivo e de treinamento  RNA (preditivo) e AG (treinamento)  Base de dados: 50% treinamento, 25% validação e 25% testes  Treinamento supervisionado  Métrica: minimização do Erro Médio Quadrático (MSE)  Critério de parada: Máximo de ciclos da RNA ou MSE de validação maior que o menor MSE obtido em 5%  Parâmetros e parada do AG: definidos experimentalmente 13

14 Metodologia e Estratégia MSE de treinamento e validação – critério de parada GL5, adaptado de PACHECO (2008) 14

15 Metodologia e Estratégia – 3) Desenvolvimento do módulo multi-objetivo  Utilização dos algoritmos PAES, SPEA2, PESA-II e NSGA-II contidos no framework jMetal  Métricas: – Set Coverage (compara a eficácia dos algoritmos) – Hypervolume (área do espaço de busca explorado) – Spacing (espalhamento das soluções) – Maximum Spread (quão bem estão espalhadas as soluções  Comparação com gráficos box-plot  Parâmetros e parada: definidos experimentalmente 15

16 Metodologia e Estratégia – 4) Desenvolvimento do módulo classificador  Rede de Kohonen (Mapa Auto-Organizável)  Agrupar as soluções similares que estão dispostas no pareto  Métricas para avaliação: – Erro de Quantização (avalia a convergência) – Erro Topográfico (avalia a precisão) 16

17 Metodologia e Estratégia  Estudos de caso: – 1) Reduzir a quantidade de clientes na carteira não contactados x Reduzir o número de vendedores – 2) Aumentar o volume de vendas x Diminuir o volume de inadimplentes – 3) Aumentar o volume de vendas x Diminuir o volume de reclamações 17

18 Andamento da pesquisa 18  Dados: – Base de dados já obtida e pré-analisada  Desenvolvimento dos módulos: – Todos já estão implementados e testados – Módulos integrados: preditivo e de treinamento.  Em andamento: – Integração com o jMetal – Interface gráfica do mapa

19 Resultados e Impactos Esperados  Criação de solução conceitual híbrida  Implementação de protótipo funcional  Avaliar o uso dos Mapas Auto-Organizáveis no processo de decisão  Avaliação do modelo proposto com três estudos de caso com objetivos conflitantes  Espera-se uma boa convergência dos algoritmos 19

20 Referências  LIMA NETO, F.B.; OLIVEIRA, F.R. e PACHECO, D.F. “Hybrid Intelligent Suite for Decision Support”, Seventh International Conference on Intelligent Systems Design and Applications (ISDA 2007). 2007;55(0):94-99.  PACHECO, D.F. “Uma Abordagem Evolucionária Multi-Objetiva para Suporte à Decisão de Colheitas de Cana-de-Açúcar”, Dissertação de Mestrado, Departamento de Sistemas e Computação, Universidade de Pernambuco, Recife, Brasil, 2008:152.  FAGUO, Z.; BINGRU Y.; LINNA L.; ZHUO C. “Overview of the New Types of Intelligent Decision Support System”, Innovative Computing Information and Control, 2008. ICICIC '08. 3rd International Conference on. 2008:267-267.  PACHECO, D.F.; OLIVEIRA, F.R.; LIMA NETO, F.B. “Including Multi-Objective Abilities in the Hybrid Intelligent Suite for Decision Support”, International Joint Conference on Neural Networks (IJCNN2008). 2008:4036-4043.  MOREAU E. “The impact of intelligent decision support systems on intellectual task success: An empirical investigation”, Decision Support Systems. 2006;42(2):593-607.  LIMA NETO, F. B.; LUDERMIR, T. B. “Neural decision support for the harvesting of sugar-cane”, IV Simpósio Brasileiro de Redes Neurais, 1997, Goiania. Anais do IV Simpósio Brasileiro de Redes Neurais, 1997.  LIMA NETO, F. B. “Suporte à decisão gerencial baseado em redes neurais artificiais – nDSS”, Dissertação de Mestrado, Departamento de Informática, Universidade Federal de Pernambuco, Recife, Brasil, 1998. 20

21 Referências  WOLPERT, D.H.; MACREADY, W.G. “No free lunch theorems for optimization”, IEEE Transactions on Evolutionary Computation. 1997;1(1):67-82.  ZITZLER, E. “Evolutionary algorithms for multiobjective optimization: Methods and applications”, PhD thesis, Swiss Federal Institute of Technology (ETH), Zurich, Switzerland, 1999:132.  OLIVEIRA, F.R. “Novas Abordagens para Diálogos Flexíveis em Sistemas de Apoio à Decisão Inteligentes”, Dissertação de Mestrado, Departamento de Sistemas e Computação, Universidade de Pernambuco, Recife, Brasil, 2009:95.  GOLDBERG D. “Genetic Algorithms in Search, Optimization, and Machine Learning”, 1 ed. Addison- Wesley; 1989:412.  WAKASA, H.; OKUDA, M.; TAZAKI, E. “Interactive support system for fuzzy structural modeling (FSM) in group decision making”, IEEE; 1997:3472-3477.  WANG, A.; ZHAMG, R. “The Coordinated Decision Research Based on Fuzzy and Intelligent Decision Support System”, IEEE; 2008:241-246.  PACHECO, D.F.; PONTES, T.D. e LIMA NETO, F.B. “How to Obtain Fair Managerial Decisions in Sugar Cane Harvest Using NSGA-II”, 7th International Conference on Hybrid Intelligent Systems (HIS 2007). 2007:186-191.  XUE, F.; SANDERSON, A.C.; GRAVES, R.J. “Multiobjective Evolutionary Decision Support for Design– Supplier–Manufacturing Planning”, IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans. 2009;39(2):309-320. 21

22 Referências  PODGORELEC,V.; KOKOL, P. “Self-adapting evolutionary decision support model”, IEEE; :1484-1489.  KOHONEN, T. “The self-organizing map”, Proceedings of the IEEE. 1990;78(9):1464–1480.  KNOWLES, J. e CORNE D., “Approximating the Nondominated Front Using the Pareto Archived Evolution Strategy”, Evolutionary Computation 8(2): 149-172.  ZITZLER E.; LAUMANNS M.; THIELE L. “SPEA2: Improving the strength Pareto evolutionary algorithm”, EUROGEN. Citeseer; 2001:95–100.  CORNE, D.W., JERRAM, N.R., KNOWLES, J. D., OATES, M. J., “PESA-II: Regionbased Selection in Evolutionary Multiobjective Optimization.” Proceedings of the Genetic and Evolutionary Computation Conference, São Francisco, 2001.  DEB, K.; AGRAWAL S.; PRATAP A.; MEYARIVAN T. “A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II”, Parallel Problem Solving from Nature PPSN VI. 2000;1917/2000:849-858.  DEB, K. “Multi-objective optimization using evolutionary algorithms”, John Wiley and Sons; 2001:497.  DURILLO J.; NEBRO A.; ALBA E. “The jMetal Framework for Multi-Objective Optimization: Design and Architecture”, Springer Berlin / Heidelberg, 2010;5467:4138-4325.  SILVA L, MORENO R, DEL-MORAL-HERNANDEZ E, FURUIE S. “Mapa de Características Auto- Organizável para Sistemas de Recuperação de Imagens por Conteúdo.” XX CBEB. 2006;d:254-257. 22