Modelo hiper-heurístico baseado em redes de autômatos estocásticos com aprendizado

Vivencia-se, na última década, um aumento substancial de trabalhos sobre meta-heurísticas fundamentadas em metáforas. Ainda que estes trabalhos tenham produzido soluções eficazes dentro de suas propostas, a comunidade científica critica a validade dos embasamentos metafóricos, como simples processos de camuflagem. Neste sentido, a pesquisa investigou o processo de movimentação pelo espaço de busca realizado pelos mecanismos heurísticos, livre de abstrações empregadas em técnicas. Ou, nos termos conceituais propostos pela tese, desenvolvemos um modelo hiper-heurístico baseado em redes de autômatos estocásticos de aprendizagem, para seleção e parametrização de heurísticas de baixo nível. Para tanto, a pesquisa partiu de uma revisão epistêmica identificando perspectivas modelares, com um apanhado sobre conceitos e características. Após, avaliou-se oito meta-heurísticas em prol da identificação dos mecanismos heurísticos, ou seja, os processos conducentes da busca. Essa identificação aliada à teoria de Redes de Autômatos Estocásticos com se consolidam na figura do metaespaço, uma parte da arquitetura da hiper-heurística proposta no trabalho, nomeada modelo H2-SLAN. Conseguinte, apresentou-se o processo de experimentação e validação do modelo proposto. A técnica de validação tomou por base a resolução de instâncias do problema do caixeiro viajante, por meio da aplicação dos modelos canônicos das meta-heurísticas. Este processo serviu para a construção de uma base comparativa de resultados, considerando o Grão Computacional como unidade de medida de desempenho quantitativo e qualitativo. Tendo estabelecido os padrões-alvo de execução, a hiper-heurística foi aplicada sobre o mesmo contexto, visando obter melhores desempenhos. Os resultados obtidos pelo modelo H2-SLAN foram 3% melhores do que os obtidos pelos algoritmos canônicos, e realizaram em média 45% menos avaliações de Função Objetivo. Esta experimentação mostrou que a Grão Computacional é uma alternativa para a medição da qualidade da busca heurística. Desta forma, pode-se afirmar que os resultados obtidos pelo modelo atingiram as expectativas, indo ao encontro do objetivo da pesquisa. Como decorrência deste trabalho, obteve-se um sistema capaz de selecionar a parametrizar heurísticas de baixo nível, com capacidade de aprendizado dos movimentos heurísticos empregados pelo modelo.