Autor(es):
Pereira, Ivo 
Data: 2009
Identificador Persistente: http://hdl.handle.net/10400.22/2615
Origem: Repositório Científico do Instituto Politécnico do Porto
Assunto(s): Aprendizagem; Optimização; Escalonamento; Meta-heurísticas; Sistemas Multi- Agente; Raciocínio baseado em casos; Computação autónoma; Learning; Optimization; Scheduling; Meta-heuristics; Multi-Agent Systems; Casebased reasoning; Autonomic computing
Descrição
A optimização e a aprendizagem em Sistemas Multi-Agente são consideradas duas áreas
promissoras mas relativamente pouco exploradas. A optimização nestes ambientes deve ser capaz
de lidar com o dinamismo. Os agentes podem alterar o seu comportamento baseando-se em
aprendizagem recente ou em objectivos de optimização. As estratégias de aprendizagem podem
melhorar o desempenho do sistema, dotando os agentes da capacidade de aprender, por exemplo,
qual a técnica de optimização é mais adequada para a resolução de uma classe particular de
problemas, ou qual a parametrização é mais adequada em determinado cenário.
Nesta dissertação são estudadas algumas técnicas de resolução de problemas de Optimização
Combinatória, sobretudo as Meta-heurísticas, e é efectuada uma revisão do estado da arte de
Aprendizagem em Sistemas Multi-Agente. É também proposto um módulo de aprendizagem para a
resolução de novos problemas de escalonamento, com base em experiência anterior.
O módulo de Auto-Optimização desenvolvido, inspirado na Computação Autónoma, permite ao
sistema a selecção automática da Meta-heurística a usar no processo de optimização, assim como a
respectiva parametrização. Para tal, recorreu-se à utilização de Raciocínio baseado em Casos de
modo que o sistema resultante seja capaz de aprender com a experiência adquirida na resolução de
problemas similares.
Dos resultados obtidos é possível concluir da vantagem da sua utilização e respectiva
capacidade de adaptação a novos e eventuais cenários. Optimization and learning in Multi-Agent Systems are considered two promising areas but
relatively unexplored, and optimization in these environments should be capable of dealing with
dynamism. Agents can change their behaviours based on recent learning or based on optimization
objectives. Learning strategies can improve the system’s performance, endowing agents with the
ability to learn, for example, which optimization technique is more appropriate for the resolution of a
particular class of problems, or which parameterization is more suitable to a given scenario.
In this dissertation are studied some Combinatorial Optimization problems’ resolution techniques,
especially Meta-heuristics, and it is made a revision of Multi-Agent Systems’ Learning state-of-art. It is
also proposed a learning module for the resolution of new scheduling problems, based on past
experience.
The developed Self-Optimizing module, inspired on Autonomic Computing, allows the system to
automatically select the Meta-heuristic to use in the optimization process, so as its parameterization.
For that, Case-based Reasoning was used so the resulting system can be capable of learning about
the acquired experience, in the resolution of similar problems.
From the obtained results it is possible to conclude about the benefit of its use and its capacity of
adapting to new and potential scenarios.
