| dc.description.abstract | Otimização estocástica é uma área de pesquisa fértil e entusiástica. Seus métodos buscam
soluções ótimas ou quase ótimas de problemas em que a incerteza não pode ser negligenciada. A otimização estocástica pode ser utilizada para modelar uma vasta gama de
problemas, como sistemas de energia, manutenção, indústria química, suporte a tomada
de decisão, geociências, saúde, cadeias de suprimentos, gestão de risco e gestão de filas.
A despeito de sua abrangente aplicabilidade, a literatura atual indica uma demanda clara
por t´ecnicas mais eficientes que possam lidar com problemas mais complexos e de larga
escala. N´os abordamos (i) a questão da dependência dos modelos em escolhas de usuários
sobre parâmetros de entrada, que podem levar a modelagens ruins; (ii) exploramos o potencial de técnicas de redução de variância para aumentar a eficiência da simulação de
Monte Carlo embutida nos algoritmos; (iii) e investigamos problemas de otimização em
grandes dimensões. Para posicionar esta pesquisa na literatura atual, oferecemos uma
revisão abrangente sobre métodos de otimização estocástica. Em particular, introduzimos
as principais características de cada método, suas técnicas mais utilizadas, seus benefícios
e limitações, as tendências atuais de pesquisa, e discutimos algumas lacunas ainda a serem
investigadas. Em seguida, oferecemos três contribuições inter-relacionadas. Primeiro, um
novo modelo de Metamodeling baseado em control variates é apresentado. A principal
contribuição ´e propor uma formulação de metamodelo que ´e, ao mesmo tempo, computacionalmente eficiente e flexível o suficiente para possibilitar aplicação a uma ampla classe
de problemas, com diferentes formatos da função objetivo e de comportamentos de incerteza (variância). A formulação proposta ´e menos dependente de parâmetros de entrada
que os atuais metamodelos disponíveis. Nossa segunda contribuição ´e propor um procedimento via control variates para melhorar a eficiência de um método de busca aleatória. A
novidade deste nosso procedimento híbrido ´e usar as saídas de pontos já amostrados para
guiar a redução de variância em pontos a serem amostrados. O procedimento proposto ´e
genérico no sentido de que pode ser aplicado a um conjunto mais amplo de métodos de
otimização estocástica. Finalmente, mergulhamos em espaços de grandes dimensões para
possibilitar o desenvolvimento de métodos de otimização estocástica mais sofisticados que
possam lidar eficientemente com o aumento dimensional que caracteriza aplicações reais. | |
