- O problema de otimização multiobjetivo é um tópico quente no campo da otimização, que se refere à otimização simultânea de vários objetivos conflitantes.
- A abordagem popular para aumentar o processamento de dados é usar o processamento paralelo para distribuir os cálculos em vários processadores.
Os algoritmos evolucionários(AEs) são uma ferramenta de otimização popular há décadas, mostrando desempenho promissor na resolução de vários problemas de otimização de referência. No entanto, o uso de AEs em problemas com mais de 100 variáveis de decisão (problemas de otimização em larga escala) continua desafiador devido à «maldição da dimensionalidade», especialmente para esses LSOPs em aplicações do mundo real.
Apresentação do Dr. Cheng He
O Dr. Cheng He é professor da Universidade de Ciência e Tecnologia de Huazhong, uma das principais universidades chinesas. Sua pesquisa se concentra em inteligência artificial/computacional e suas aplicações, e ele publicou mais de 40 artigos em periódicos SCI. Ele é Senior Fellow do IEEE e editor associado da Complex and Intelligent Systems. É membro do conselho editorial da PloS One e da Electronics, e presidente do grupo de trabalho de inteligência do IEEE CIS. O tema de pesquisa de Cheng He é inteligência competitiva e sua aplicação na rede elétrica.
Leia também:Discussão moral e ética sobre inteligência artificial
Leia também:A inteligência artificial pode alcançar a consciência?
P: No algoritmo, o que é otimização multiobjetivo?
É um problema interessante. O problema de otimização multiobjetivo é um tópico no campo da otimização que significa otimizar vários objetivos conflitantes simultaneamente. Vamos dar um exemplo: para projetar um carro, você quer que ele seja seguro, barato, mas também muito performático. Isso é possível? Nem sempre é impossível, porque você precisa encontrar um equilíbrio entre preço, segurança e desempenho. Assim, a otimização multiobjetivo busca encontrar o melhor compromisso entre esses três objetivos conflitantes.
P: Você também mencionou a otimização em larga escala em sua apresentação. O que é isso?
Otimização em larga escala é um problema difícil no campo da otimização. Vamos dar um exemplo: se queremos projetar um produto, geralmente temos apenas algumas variáveis de decisão, como altura, peso e algumas outras variáveis de design. Mas considere um problema que inclui centenas, milhares ou bilhões de variáveis de decisão. Esse é um enorme espaço de busca. Tentar otimizar esse problema levaria muito tempo e seria quase impossível. Isso é otimização em larga escala. É um problema difícil no campo da otimização.
P: Na otimização em larga escala, de milhares a milhões, até bilhões de escala. O que podemos fazer?
A abordagem popular atual é usar o processamento paralelo para distribuir o cálculo em vários processadores ou máquinas. Além disso, a implementação de frameworks de computação distribuída, como Apache Hadoop ou Apache Spark, pode processar grandes conjuntos de dados distribuindo dados e processamento em clusters de computadores. Técnicas como análise de componentes principais (PCA) podem reduzir o número de variáveis em um conjunto de dados enquanto mantêm a maior parte da variação dos dados. Paralelamente, podemos projetar modelos para reduzir a complexidade podando partes desnecessárias, como neurônios em uma rede neural.
P: Você recomendou o modelo LSMOF em seu relatório. Como ele ajuda a resolver problemas práticos?
O algoritmo LSMOF é projetado para acelerar o processo de otimização do problema de otimização multiobjetivo em larga escala. Na verdade, sua principal contribuição é tentar acelerar o problema de otimização. Como dissemos, se um algoritmo é usado para otimizar um problema, leva, digamos, horas ou dias. Mas se você usar este componente, pode ser acelerado para cerca de alguns minutos. Assim, em aplicações reais, você pode usar meu algoritmo, este componente LSMOF, como um bom método de aproximação local ótima que pode acelerar o processo de design.
P: Outro ponto que realmente me interessa é o TREE. Que esforços você dedicou à sua pesquisa?
Usamos a tecnologia TREE em nossa colaboração online sobre transformadores de tensão na China, onde implantamos este método em 29 províncias para monitorar mais de 20.000 transformadores de tensão, e isso foi documentado como uma das formas mais eficazes de monitorar este equipamento, garantindo a segurança da rede.
Cheng He, professor da Universidade de Ciência e Tecnologia de Huazhong
É uma pergunta interessante. O problema TREE é um problema de aplicação real, que é a estimativa do erro de relação dos transformadores de tensão. Para explicar, o transformador de tensão é um dispositivo fundamental, mas crucial na rede elétrica, ele mede a tensão da rede para fins de controle, segurança e muitas outras coisas muito importantes. Portanto, precisamos monitorar seu estado de saúde, mas tradicionalmente, precisamos de humanos para realizar a calibração manual deste dispositivo, o que requer cortar a energia elétrica, o que é perigoso e caro.
Mas se transformarmos esse problema em um problema de otimização, isso significa que você simplesmente precisa de um computador para fazer alguns cálculos e obter o estado de saúde do dispositivo, o que economiza mão de obra, é mais seguro e garante a segurança da rede elétrica. Foi isso que fizemos.
Importância da pesquisa
A pesquisa sobre algoritmos de otimização é de grande importância para o desenvolvimento futuro das redes. Esses algoritmos tornam o processo de tomada de decisão mais eficiente e são essenciais para gerenciar a complexidade e a escala das redes modernas. Ao acelerar a otimização das variáveis de design e equilibrar objetivos conflitantes, eles abrem caminho para soluções inovadoras em arquitetura de rede, alocação de recursos e otimização de negócios.