EVENTO
Meta-heurísticas paralelas para problemas de otimização e equilíbrio
Tipo de evento: Seminário de Avaliação - Série A
O estudo dos problemas de otimização e das técnicas dedicadas a resolvê-los é um tema bem estabelecido na literatura, com aplicações úteis às mais diversas áreas do conhecimento humano. Neste contexto, os problemas multi-nível constituem um caso particular importante, apresentando-se como modelos adequados para representar uma ampla gama de fenômenos de equilíbrio presentes no mundo real. Esta classe de problemas se caracteriza pela reunião de dois ou mais problemas deotimização em uma estrutura hierárquica na qual se busca não apenas a otimização dos problemas que a compõem, mas também o estabelecimento de relações de equilíbrio entre eles. Na prática, um problema em múltiplos níveis é formado por diferentes problemas de otimização dispostos em diferentes níveis hierárquicos e que compartilham variáveis de controle entre si. Desta forma, cada ponto ótimo de uma função deve ser obtido garantindo-se necessariamente a otimalidade das funções do seu nível inferior. Ainda, importa notar que a atuação dos agentes que compõem este sistema pode sercooperativa ou não-cooperativa e que as decisões tomadas no processo de otimização de uma dada função podem ou não influenciar no processo otimizatório das demais funções de mesmo nível (equilíbrio de Nash), mas necessariamente influenciarão no processo otimizatório das funções de nível imediatamente vizinho (equilíbrio de Stackelberg). Aos problemas nos quais se observa conjuntamente influências mútuas entre funções objetivo de mesmo nível e de níveis diferentes nosreferimos como problemas de Stackelberg-Nash. Por sua vez, no que se refere ao tratamento dos problemas de otimização e equilíbrio, os métodos determinísticos clássicostem sua usabilidade dificultada de forma relevante. Em geral, as funções que compõem os problemas de equilíbrio do mundo real não são necessariamente convexas, contínuas ou diferenciáveis. Ainda, quantidades relativamente elevadas de variáveis de controle e de restrições lineares e não-lineares são possíveis. Este cenário, quando associado ao fato de que um mesmo problema multi-nível pode implicar na resolução de diferentes problemas de otimização além de dois tipos diferentes deproblemas de equilíbrio, torna consideravelmente desafiador o uso de métodos determinísticos clássicos para a sua adequada resolução. É neste contexto que as meta-heurísticas estocásticas se revelam como ferramentas notavelmente úteis para o tratamento adequado dos problemas de otimização de múltiplos níveis. Eficientes, robustas e generalizáveis, as abordagens que compreendem esta classe de algoritmos não exigem uma ampla gama de condições a respeito das funções objetivo que sedeseja tratar. Desta forma, é comum encontrar os modelos de otimização e equilíbrio sendo associados a meta-heurísticas estocásticas, sobretudo populacionais, na literatura.Por outro lado, a estrutura hierárquica característica desta classe de problemas pode elevar drasticamente o custo computacional do emprego das meta-heurísticas, que mesmo para a resolução dos casos mais comuns de um único nível já constitui um fator relevante. Na prática, este desafio tende a limitar o escopo de problemas tratáveis. Se a imediata alternativa aos métodos determinísticos clássicos apresenta um aumento notavelmente expressivo na demanda computacional na medida em que cresce a complexidade dos problemas de otimização e equilíbrio, a solução tem sido limitarseà resolução de modelos com um conjunto relativamente menor de dimensões e a problemas compostos por poucos agentes.Por estes motivos, a proposta desta tese é explorar a relação entre os recursos computacionais de alto desempenho disponíveis atualmente e uma importante características das meta-heurísticas estocásticas populacionais: o paralelismo natural. Nesta relação reside uma importante oportunidade para a facilitação do uso de meta-heurísticas no tratamento dos problemas de otimização e equilíbrio, o que ampliaria o escopo de problemas satisfatoriamente tratáveis e possibilitaria o cômputo de soluções ainda melhores para os problemas que já são estudados atualmente. Assim, baseamos o nosso trabalhono esforço da idealização, implementação e estudo de modelos paralelos para a otimização multi-nível. Para diferentes arquiteturas computacionais e paradigmas de memória distribuída e compartilhada, nosso objetivo é prover implementações executáveis de meta-heurísticas paralelas que possibilitem o tratamento de problemas incrementalmente mais complexos de otimização e equilíbrio, agregando à literatura da área e contribuindo para superar os seus desafios mais característicos.Para assistir acesse: https://us02web.zoom.us/j/83606244652?pwd=emFVdmhzb3FXQTVDYXRrMTFMNkR5UT09
Data Início: 30/04/2021 Hora: 14:00 Data Fim: 30/04/2021 Hora: 17:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Webinar
Aluno: Thiago Tavares Magalhães - Laboratório Nacional de Computação Científica - LNCC
Orientador: Eduardo Krempser da Silva - Fundação Oswaldo Cruz - FIOCRUZ Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI
Participante Banca Examinadora: Eduardo Lúcio Mendes Garcia - Laboratório Nacional de Computação Científica - LNCC Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI Laurent Emmanuel Dardenne - Laboratório Nacional de Computação Científica - LNCC
