Neural network hyperparameter optimization using evolutionary algorithms
| dc.contributor.advisor | Marcelino, Carolina Gil | |
| 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.creator | Câmara, Pedro Jorge Oliveira | |
| dc.date.accessioned | 2025-09-05T18:01:28Z | |
| dc.date.available | 2026-05-16T03:08:35Z | |
| dc.date.issued | 2025-08-29 | |
| 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.embargo.terms | aberto | pt_BR |
| 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.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 | 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.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
| dc.title | Neural network hyperparameter optimization using evolutionary algorithms | pt_BR |
| dc.type | Trabalho de conclusão de graduação | pt_BR |