Neural network hyperparameter optimization using evolutionary algorithms

Câmara, Pedro Jorge Oliveira

Please use this identifier to cite or link to this item:


			http://hdl.handle.net/11422/27012

Type:	Trabalho de conclusão de graduação
Title:	Neural network hyperparameter optimization using evolutionary algorithms
Author(s)/Inventor(s):	Câmara, Pedro Jorge Oliveira
Advisor:	Marcelino, Carolina Gil
Abstract:	Questões envolvendo a geração e o consumo de energia são de interesse internacional. A energia elétrica, em particular, é um dos temas dos Objetivos de Desenvolvimento Sustentável da Organização das Nações Unidas, buscando, até 2030, estabelecer acesso confiável, sustentável e economicamente viável para todos. Atualmente, prever o consumo total ou parcial da eletricidade em um país pode ser de interesse para o planejamento estratégico. Há uma perspectiva de transição do atual sistema de fornecimento para malhas elétricas inteligentes, o que possibilitará práticas da distribuição mais sustentáveis, mas a flutuação do preço da malha depende da estabilidade do sistema físico em que ela se encontra. Uma possível abordagem para esses problemas é utilizar modelos de inteligência artificial para determinar o consumo de energia elétrica no atual sistema, como um problema de regressão, e a estabilidade econômica em uma malha inteligente, como um problema de classificação. As redes neurais artificiais são modelos consolidados na literatura, que apresentam desempenho satisfatório para uma ampla variedade de aplicações. No entanto, uma das etapas do seu desenvolvimento é a determinação, a priori, de hiperparâmetros, valores que determinam as características de sua arquitetura e seu funcionamento. Este trabalho de conclusão de curso se propõe a utilizar algoritmos evolutivos para encontrar os hiperparâmetros que constroem os melhores modelos possíveis para essas duas tarefas e compara o desempenho dessa abordagem com o Optuna, framework voltado para esse objetivo. Os resultados demonstram que, para a tarefa de regressão, os algoritmos evolutivos encontram valores robustos frente ao Optuna, enquanto que, para a classificação, ambas as formas são estatisticamente equivalentes.
Keywords:	Inteligência artificial Redes neurais Algoritmo evolutivo Artificial intelligence Neural networks Evolutionary algorithm
Subject CNPq:	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Production unit:	Instituto de Computação
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	29-Aug-2025
Publisher country:	Brasil
Language:	eng
Right access:	Acesso Aberto
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
PJOCâmara.pdf		623.2 kB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository