Azure Jay Search (AJS)

Abstract

Uma variedade crescente de algoritmos baseados em Inteligência de Enxames (IE) pode ser encontrada na literatura. Esse aumento constante se deve ao bom desempenho de tais métodos na resolução de problemas complexos de otimização. Entre esses problemas, pode-se considerar desde espaços de busca contínuos até binários. Geralmente, essas metaheurísticas são propostas primeiramente para lidar com variáveis contínuas. Contudo, para lidar com variáveis binárias, alguma técnica de binarização deve ser empregada. Esta dissertação tem como principal objetivo propor uma nova metaheurística de otimização baseada em IE para a tarefa de Seleção de Atributos (SA) em um conjunto de dados de Diagnóstico de Falhas (DF). DF é o processo de determinar a natureza ou causa de uma falha, analisando um conjunto ou histórico de informações para melhorar a qualidade, reduzir custos e facilitar a manutenção preventiva nos processos de produção. A estrutura da pesquisa segue o modelo multipaper, composta por dois artigos desenvolvidos de modo a alcançar o objetivo principal. O primeiro artigo propõe duas versões de um novo Crow Search Algorithm (CSA) modificado baseado em flocking chamado Azure Jay Search (AJS) para resolver problemas de otimização contínua. O desempenho do AJS foi comparado experimentalmente com o clássico Particle Swarm Optimization (PSO) e algumas técnicas de IE também baseadas no comportamento de aves, em termos de acurácia média, desvio padrão e custo computacional quando submetidos a 10 funções de domínio público multimodais de dimensão fixa. Apesar de um custo computacional relativamente maior quando comparado a outras técnicas, ambas as versões do algoritmo AJS tiveram um desempenho relativamente bom em termos de acurácia média. O segundo artigo propõe uma versão binária do AJS (BAJS) para o problema de SA em um modelo baseado em wrapper. O BAJS proposto é aplicado para a tarefa de SA justamente em um conjunto de dados de DF na Indústria Siderúrgica. O desempenho do BAJS é avaliado em termos de acurácia média de treinamento, desvio padrão, custo computacional e número de atributos selecionados quando comparado a outras metaheurísticas de IE também binárias. Apesar da complexidade do conjunto de dados e do BAJS ter apresentado um custo computacional relativamente maior do que as outras técnicas comparadas, ele alcançou uma acurácia média de treinamento relativamente boa (baseada no método de validação k-fold Cross Validation) e subconjuntos com um número relativamente baixo de atributos.

A growing variety of Swarm Intelligence (SI) based algorithms can be found in the literature. This constant increase is due to the good performance of such methods in solving complex optimization problems. Among these problems, continuous to binary search spaces are considered. Generally, these metaheuristics are proposed primarily to deal with continuous variables, however, to deal with binary variables, some binarization technique must be employed. This dissertation has as main objective to propose a new SI based optimization metaheuristic for the Feature Selection (FS) task in a Fault Diagnosis (FD) problem. FD is the process of determining the nature or cause of a failure, analyzing a set or history of information to improve quality, reduce costs, and facilitate preventive maintenance in manufacturing processes. The research structure follows the multipaper model, composed by two papers developed to reach the main objective. The first paper proposes two versions of a new flockingbased modified Crow Search Algorithm (CSA) named Azure Jay Search (AJS) to solve continuous optimization problems. The performance of AJS is experimentally compared with the classical Particle Swarm Optimization (PSO) and some SI techniques also based on the birds behavior, in terms of average accuracy, standard deviation and computational cost when applied to 10 fixed-dimension multimodal and public domain benchmark functions. Despite a relatively higher computational cost when compared to other techniques, both versions of the AJS algorithm performed relatively well in terms of average accuracy. The second paper proposes a binary version of AJS (BAJS) for the FS problem in a wrapper-based model. The proposed BAJS is applied to the FS task precisely in a FD dataset in the Steel Industry. The BAJS performance is evaluated in terms of average training accuracy, standard deviation, computational cost, and number of selected features when compared to other binary SI metaheuristics. Despite the complexity of the dataset and the relatively high computational cost presented by BAJS when compared to other techniques, it achieved relatively good average training accuracy based on ..-fold Cross Validation, and subsets with a relatively low number of features.