Título: AutoML e transferência de aprendizado por reforço entre problemas de otimização combinatória
Autores: Gleice Kelly Barbosa Souza, Andre Luiz Carvalho Ottoni
Resumo: O Aprendizado por Reforço (AR) e uma das linhas do Aprendizado de Máquina e que pode ser aplicado as mais diversas situações. A Otimização Combinatória, por exemplo, e uma relevante área de aplicação do AR. Destaca-se que, na literatura recente, tem ocorrido uma alta movimentação para realizar o desenvolvimento de sistemas de AR para resolução de problemas conheci- dos de Otimização Combinatória, como o Problema do Caixeiro Viajante (PCV) e o Sequential Ordering Problem (SOP). No entanto, um desafio em aberto nessa área é a automatização da transferência de aprendizado entre o PCV e o SOP. Neste sentido, o objetivo deste trabalho foi propor um sistema de transferência de aprendizado com AutoML para otimização do SOP a partir de bases de conhecimento geradas com instancias assim etricas do PCV. Essa abordagem foi denominada de Auto TL RL. Os resultados obtidos pelo Auto TL RL mostram que, para a maioria das instancias analisadas (aproximadamente 78%), o sistema proposto alcançou os melhores resultados em comparação aos resultados obtidos sem transfer encia aprendizado.
Palavras-chave: Aprendizado por Reforço, AutoML, Sequential Ordering Problem, Problema do Caixeiro Viajante, Transferência de Aprendizado
Páginas: 8
Código DOI: 10.21528/CBIC2023-042
Artigo em pdf: CBIC_2023_paper042.pdf
Arquivo BibTeX: CBIC_2023_042.bib