ESCOLA POLITÉCNICA
DE PERNAMBUCO
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
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
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
Motivação
 Hipótese:
– Avaliar o uso de sistemas híbridos permitindo formas
diferenciadas de avaliação dos cenários.
4
Objetivos e Metas
 Avaliar o uso de solução hibrida
 Apresentar os resultados de formas variadas
Exemplo de exibição no módulo multi-objetivo e no classificador
Pareto front Deb (2000)
5
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
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
Estado da Arte
 Algoritmos multi-objetivos: SPEA, PAES, PESA-II e
NSGA-II
 Mapas Auto-Organizáveis para o agrupamento das
decisões num mapa
Direitos da imagem para SDL Component Suite
8
Resumo da Proposta
 A solução conterá quatro módulos:
9
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
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
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
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
Metodologia e Estratégia
MSE de treinamento e validação – critério de parada GL5, adaptado de PACHECO (2008)
14
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
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
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
Andamento da pesquisa
 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
18
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
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
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. AddisonWesley; 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
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 AutoOrganizável para Sistemas de Recuperação de Imagens por Conteúdo.” XX CBEB. 2006;d:254-257.
22