1

Uma abordagem neuro-evolucionária multiperspectiva para suporte a

decisões multi-objetivo (MO-HIS++)

Candidato: Marcelo Luís Burégio Viana, BScOrientador: Prof. Fernando Buarque de Lima Neto, DIC PhD

ESCOLA POLITÉCNICADE 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

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

4

Motivação

Hipótese:– Avaliar o uso de sistemas híbridos permitindo formas

diferenciadas de avaliação dos cenários.

5

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)

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

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”

8

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

9

Resumo da Proposta

A solução conterá quatro módulos:

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

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)

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

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

14

Metodologia e Estratégia

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

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

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)

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

18

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

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

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.

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.

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.