Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 687
Aluno: Lucas Rodolfo Celestino de Farias
Orientador: Prof. Aluizio Fausto Ribeiro Araújo
Título: Modelagem Inversa com Preservação Topológica em Otimização
Evolucionária Multiobjetivo
Data: 30/01/2026
Hora/Local: 8h – Sala E-122 – Híbrida
Banca Examinadora:
Prof. Stefan Michael Blawid (UFPE / Centro de Informática)
Prof. Aurora Trinidad Ramirez Pozo (UFPR / Departamento de Informática )
Prof. Francisco Madeiro Bernardino Júnior (UNICAP / Centro de Ciências e Tecnologia)
Prof. Renato Tinós (USP / Departamento de Computação e Matemática)
Prof. Cláudio Fabiano Motta Toledo (USP / Instituto de Ciências Matemáticas e de Computação)
Prof. Frederico Gadelha Guimarães (UFMG / Departamento de Ciência da Computação)
Prof. Hugo Valadares Siqueira (UTFPR/ Departamento Acadêmico de Engenharia Elétrica)
RESUMO:
Problemas de otimização multiobjetivo, caracterizados por alta dimensionalidade, presença de restrições e orçamentos computacionais severamente limitados, impõem desafios relevantes para os algoritmos
evolucionários tradicionais. Nesse contexto, algoritmos evolucionários baseados em modelos (em inglês, Model-Based Evolutionary Algorithms – MBEAs) surgem como alternativa promissora, embora ainda enfrentem limitações relacionadas à escalabilidade, ao custo de modelos multivariados e à instabilidade em frentes de Pareto complexas. Esta tese investiga as três subfamílias de MBEAs: algoritmos estimadores de distribuição, modelagem inversa e algoritmos assistidos por modelos substitutos, com ênfase na modelagem inversa para lidar com problemas de muitos objetivos, alta dimensionalidade e avaliações de função dispendiosas. Inicialmente, conduz-se um estudo comparativo abrangente em benchmarks clássicos, como WFG, DTLZ e LSMOP, analisando a convergência, a diversidade e o custo computacional. A partir dessa análise, são propostos três algoritmos baseados em modelagem inversa: (i) IM-MOEA/D, que integra modelagem inversa baseada em processos gaussianos à seleção por decomposição; (ii) = IM-C-MOEA/D, que estende essa abordagem para problemas multiobjetivo com restrições; e (iii) TP IM-MOEA, que incorpora o princípio de Topology-Preserving Inverse Modeling, promovendo a preservação de relações topológicas locais entre os espaços objetivo e de decisão. Resultados experimentais em problemas sintéticos e do mundo real indicam que as abordagens propostas apresentam desempenho competitivo em relação a algoritmos de estado da arte, especialmente em cenários com muitos objetivos, alta dimensionalidade e restrições severas quanto ao número de avaliações de função.
Palavras-chave: Otimização multiobjetivo; algoritmos evolucionários baseados em modelos; modelagem inversa; decomposição; problemas com restrições; mapas auto-organizáveis; funções caras.
Comentários desativados