Análise comparativa entre metaheurística e métodos baseados em gradiente para o treinamento de redes neurais artificiais
| dc.contributor.advisor | Marcelino, Carolina Gil | |
| dc.contributor.referee1 | Jardim, Maria Helena Cautiero Horta | |
| dc.contributor.referee2 | Bertolino, João Luiz Lagôas de Almeida | |
| dc.creator | Almeida, Igor de Andrade Assunção de | |
| dc.date.accessioned | 2026-03-27T16:11:10Z | |
| dc.date.available | 2026-05-16T03:09:00Z | |
| dc.date.issued | 2026-02-10 | |
| dc.description.resumo | O treinamento de Redes Neurais Artificiais (RNAs) constitui um problema de otimização matemática, abordado por métodos baseados em cálculo diferencial, como o Gradiente Descendente. Embora amplamente utilizados, tais métodos apresentam limitações conhecidas. Neste contexto, este trabalho propõe-se a investigar a viabilidade de algoritmos meta-heurísticos como alternativas para o ajuste de pesos em perceptrons de múltiplas camadas. O objetivo principal foi comparar o desempenho do Algoritmo Genético (GA) e da Evolução Diferencial (DE) contra os métodos clássicos de Gradiente Descendente (GD) e Gradiente Descendente Estocástico (SGD). Para assegurar uma comparação justa, os hiperparâmetros de todos os algoritmos foram ajustados automaticamente através da biblioteca Optuna. Os experimentos foram conduzidos em quatro bases de dados com diferentes níveis de complexidade: Iris, Wine, Digits e Smart Grid. Observou-se, através dos resultados, que o SGD manteve a robustez em cenários de classificação padrão, apresentando a melhor relação entre acurácia e custo computacional. No entanto, constatou-se que as meta-heurísticas, quando devidamente otimizadas, alcançaram desempenho estatisticamente equivalente ao Gradiente Descendente clássico nos datasets Iris e Wine. Além disso, o resultado obtido no dataset Smart Grid, onde a Evolução Diferencial superou estatisticamente o Gradiente Descendente, evidenciando a capacidade superior de busca global das meta-heurísticas em superfícies de erro irregulares. Conclui-se, portanto, que embora não substituam os métodos estocásticos de gradiente em todas as aplicações, as abordagens populacionais representam alternativas competitivas, especialmente em cenários onde a topologia da função de custo desafia os métodos determinísticos tradicionais. | pt_BR |
| dc.embargo.terms | aberto | pt_BR |
| dc.identifier.uri | http://hdl.handle.net/11422/28975 | |
| dc.language | por | pt_BR |
| dc.publisher | Universidade Federal do Rio de Janeiro | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.publisher.department | Instituto de Computação | pt_BR |
| dc.publisher.initials | UFRJ | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Inteligência artificial | pt_BR |
| dc.subject | Redes neurais artificiais | pt_BR |
| dc.subject | Metaheuristica | pt_BR |
| dc.subject | Artificial intelligence | pt_BR |
| dc.subject | Artificial neural networks | pt_BR |
| dc.subject | Metaheuristic | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
| dc.title | Análise comparativa entre metaheurística e métodos baseados em gradiente para o treinamento de redes neurais artificiais | pt_BR |
| dc.type | Trabalho de conclusão de graduação | pt_BR |