Titulo: Aprendizagem por reforço aplicada ao Problema de Cobertura de Conjuntos.
Resumo: Este trabalho explorará a capacidade do Aprendizado de Máquina, focando em sua aplicação a problemas combinatórios complexos, especificamente o “Problema de Cobertura de Conjuntos” (SCP). O SCP propõe cobrir todos os elementos de um conjunto A através de subconjuntos de A, cada um com o seu peso, minimizando o custo total da cobertura. Sendo um problema NP-difícil, o SCP não possui soluções eficientes em tempo polinomial, muitas vezes requerendo abordagens heurísticas. Investigaremos o uso do Aprendizado por Reforço, particularmente o Aprendizado por Reforço Profundo (DRL), que incorpora redes neurais artificiais em agentes para lidar com grandes e complexos espaços de estado e ação. A expectativa é que esta abordagem melhore significativamente as soluções do SCP, aproveitando o poder da IA para resolver problemas de otimização desafiadores. Para alcançar este objetivo, a pesquisa irá propor um framework que integrará algoritmos de DRL com técnicas específicas para abordar o SCP. A metodologia incluirá a definição de um ambiente de simulação onde os agentes de DRL serão treinados para tomar decisões ótimas em relação à seleção de subconjuntos que cobrem o conjunto alvo. Utilizando políticas de aprendizado baseadas em redes neurais profundas, os agentes adaptam suas estratégias iterativamente, melhorando seu desempenho através da experiência adquirida durante o treinamento.
Membros da banca
Pedro Nuno de Souza Moura – UNIRIO (Presidente)
Adriana Cesário de Faria Alvim – UNIRIO
Simone Bacellar – UNIRIO
Maria Claudia Silva Boeres – UFES
Defesa:
Sala de defesas do PPGI
23 de agosto de 2024
