Linha de Pesquisa: Inteligência Artificial

Resumo do trabalho:

O Problema de Escalonamento de Computação Heterogênea (HCSP), também conhecido como Escalonamento de Tarefas Independentes, tem sido amplamente estudado devido à sua natureza de heterogeneidade entre máquinas e tarefas, que é semelhante aos sistemas distribuídos atuais e possui uma alta aplicabilidade em situações reais. Sabe-se que o volume de dados trafegados, consumidos e processados tem aumentado exponencialmente ao longo dos anos, e, por essa razão, estudar problemas do gênero torna-se importante tendo em vista que sempre haverão mais dados, complexidade e necessidade de processamento dessas informações em tempo hábil. Algoritmos de Estimação de Distribuição (EDA) são técnicas evolutivas que mantêm e transferem as boas características dos melhores indivíduos por meio de um modelo probabilístico. O EDA demonstrou a capacidade de lidar com problemas combinatórios complexos em diversos estudos. No entanto, sozinho e para este problema, o modelo probabilístico pode permanecer sem modificações ao longo das gerações devido à ausência de diversidade. Assim, este estudo apresenta um EDA Híbrido para o HCSP que garante uma certa diversidade no modelo probabilístico através de um operador de mutação, de inserção de indivíduos vindos de heurísticas na população inicial, de busca local na primeira população e uso do Variable Neighborhood Search (VNS). Assim, esta abordagem pode garantir diversidade ao mesmo tempo em que aponta e aprimora soluções adequadas. Experimentos com um benchmarks bem conhecido provaram que o algoritmo proposto é capaz de superar heurísticas clássicas, atuais e que o VNS consegue potencializar seus resultados.

Link da transmissão da defesa:

https://conferenciaweb.rnp.br/webconf/marcia-aparecida-fernandes