Tamanho da fonte: 

Este trabalho experimentou versões do algoritmo Robust Parameter Searcher (RPS) implementadas Python. O RPS é um algoritmo para otimização robusta baseado no Nelder Mead. Ele consiste em manipular um Simplex que encontra, para uma função-objetivo ruidosa, uma solução que seja um bom mínimo local ou quiçá o ótimo global. O diferencial do RPS é o operador de comparação de soluções baseado em confiança estatística e reavaliação dinâmica de soluções do simplex. Pretendeu-se, neste contexto, comparar quantitativamente a performance de versões do RPS ao otimizar objetivos que sejam influenciados por ruído nas avaliações em um cenário com baixo orçamento computacional. Buscou-se analisar a influência da inserção de operadores do RPS que pudessem contribuir com a eficácia do processo de otimização. Para isso, foram implementadas 16 funções-objetivo influenciadas por ruído Gaussiano, além de 5 versões distintas do RPS que variam no processo de comparação de soluções e nas taxas de crescimento do número de reavaliações por solução única. O planejamento experimental considerou executar diversas vezes todos os métodos RPS e o Nelder Mead, para cada função-objetivo, visando analisar a qualidade das soluções retornadas. Após a experimentação computacional, verificou-se usando os testes estatísticos não paramétricos de Friedman e de Nemenyi, que há uma diferença significativa entre pares métodos. As amostras experimentais também foram compiladas em um gráfico boxplot, ao qual é possível visualizar que, em geral, as soluções retornadas das execuções do RPS com reavaliação dinâmica com crescimento gradual e comparação baseada em confiança são melhores. Também é perceptível que há diferença relevante dependendo do grau do polinômio no qual a quantidade de reavaliações está relacionada. O algoritmo não apenas apresentou uma convergência mais rápida para ótimos locais, mas também revelou sua capacidade de explorar regiões mais amplas do espaço de busca.

Otimização ruidosa. Otimização custosa. Heurísticas.