Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/75838| Tipo: | TCC |
| Título: | Aplicação de aprendizagem não supervisionada no problema da diversidade máxima em grafos |
| Autor(es): | Silva, Davi Maia Andrade da |
| Orientador: | Soares, Pablo Luiz Braga |
| Palavras-chave em português: | Problema da diversidade máxima;Aprendizado de máquina;Modelos não supervisionados;Otimização combinatória |
| Palavras-chave em inglês: | Maximum diversity problem;Machine learning;Unsupervised models;Combinatorial optimization |
| Data do documento: | 2023 |
| Citação: | SILVA, Davi Maia Andrade da. Aplicação de aprendizagem não supervisionada no problema da diversidade máxima em grafos. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia de Software) - Campus de Russas, Universidade Federal do Ceará, Russas, 2023. |
| Resumo: | Este trabalho tem como foco à aplicação de modelos de aprendizado de máquina (Machine Learning) ao Problema da Diversidade Máxima (PDM) em grafos. O PDM na área de otimização combinatória, consiste em selecionar um subconjunto de q elementos de um conjunto de n elementos, de tal forma que a diversidade entre os seus elementos selecionados seja máxima. O modelo de aprendizagem de máquina utilizados neste trabalho é baseado em aprendizado não supervisionado, que tem como característica aprender por si só, encontrado significado ou padrões aos dados apresentados. Os resultados do modelo foram comparados com uma heurística e meta heurística da literatura que possua os melhores resultados para os grafos utilizados. |
| Abstract: | This study focuses on the application of machine learning models to the PDM in graphs. The PDM, in the field of combinatorial optimization, involves selecting a subset of q elements from a set of n elements in a way that maximizes diversity among the chosen elements. The machine learning model employed in this research is based on unsupervised learning, characterized by its ability to autonomously discover meaning or patterns within presented data. Comparative analysis was conducted between the model’s outcomes and a heuristic as well as a meta-heuristic from the literature, known for delivering optimal results on the employed graphs. |
| URI: | http://repositorio.ufc.br/handle/riufc/75838 |
| Tipo de Acesso: | Acesso Aberto |
| Aparece nas coleções: | ENGENHARIA DE SOFTWARE - RUSSAS - Monografias |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2023_tcc_dmasilva.pdf | 4,96 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.