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

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Marcelino, Carolina Gil	-
dc.contributor.author	Câmara, Pedro Jorge Oliveira	-
dc.date.accessioned	2025-09-05T18:01:28Z	-
dc.date.available	2025-09-07T03:00:10Z	-
dc.date.issued	2025-08-29	-
dc.identifier.uri	http://hdl.handle.net/11422/27012	-
dc.language	eng	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Inteligência artificial	pt_BR
dc.subject	Redes neurais	pt_BR
dc.subject	Algoritmo evolutivo	pt_BR
dc.subject	Artificial intelligence	pt_BR
dc.subject	Neural networks	pt_BR
dc.subject	Evolutionary algorithm	pt_BR
dc.title	Neural network hyperparameter optimization using evolutionary algorithms	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.referee1	Marques Júnior, Paulo Roberto Mann	-
dc.contributor.referee2	Bertolino, João Luiz Lagôas de Almeida	-
dc.contributor.referee3	Lima Filho, Silas Pereira	-
dc.contributor.referee4	Delgado, Carla Amor Divino Moreira	-
dc.description.resumo	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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

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

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository