Usando regressão simbólica através da metaheurística BRKGP para encontrar modelos de aplicação na física com auxílio da análise dimensional
DOI:
https://doi.org/10.5540/03.2025.011.01.0507Keywords:
Otimização, BRKGP, Regressão Simbólica, Meta-heurística, Programação GenéticaAbstract
Este estudo propõe refinamentos na identificação representativa de funções usando o algoritmo BRKGP para fenômenos físicos. A implementação da Biblioteca GiNaC em C++ adiciona uma camada ao algoritmo, permitindo operações e visualização de grandezas físicas nas funções encontradas. O algoritmo BRKGP é empregado para validar os resultados por meio de abordagens diversificadas. Destaca-se a suscetibilidade do domínio das variáveis e parâmetros a erros de arredondamento. Além disso, a análise evidencia a inclinação do algoritmo em selecionar menos variáveis, aderindo ao princípio da navalha de Occam.
Downloads
References
E. K. Burke, M. Hyde, G. Kendall, G. Ochoa, E. Özcan e J. R. Woodward. “A classification of hyper-heuristic approaches”. Em: Handbook of metaheuristics (2010), pp. 449–468. doi: 10.1007/978-1-4419-1665-5_15.
J. F. Gonçalves e M. G. C. Resende. “Biased Random-Key Genetic Algorithms for combinatorial optimization”. Em: Journal of Heuristics 17.5 (2011), pp. 487–525. doi: 10.1007/s10732-010-9143-1.
J. F. Gonçalves e M. G. C. Resende. “Biased Random-Key Genetic Progamming.” Em: Interdisciplinary Topics in Applied Mathematics, Modeling and Computational Science, Springer Proceedings in Mathematics and Statistics. Ed. por R. Martí, P. Panos e M. G. C. Resende. Springer International Publishing, 2019. Cap. 23, pp. 1–16. doi: 10.1007/978-3-319-07153-4_25-2.
A. Grings. “Regressão simbólica via programação genética: um estudo de caso com modelagem geofísica”. Dissertação de mestrado. UFU, 2006.
P. V. Guimaraes, A. S. da S. Junior e I. M. Coelho. “Programacão Genética com Chaves Aleatórias Viciadas em Notação Pos-Fixada para o Problema de Regressão Simbólica”. Em: LII Simpósio Brasileiro de Pesquisa Operacional (2020). doi: 10.59254/sbpo-2020-122767.
F. P. Sousa. “Modelos de Regressão Simbólica Através de Biased Random-Key Genetic Programming em Aplicações na Física”. Dissertação de mestrado. UERJ, 2023.
F. P. Sousa, C. O. de Faria e I. M. Coelho. “Encontrando modelos de regressão simbólica através da metaheurística BRKGP em aplicações na Física”. Em: Anais do Encontro Nacional de Modelagem Computacional e Encontro de Ciência e Tecnologia dos Materiais. 2023. url: https://www.even3.com.br/anais/xxvi-encontro-nacional-de-modelagem-computacional-xiv-encontro-de-ciencia-e-tecnologia-dos-materiais-338941/705122-ENCONTRANDO-MODELOS-DE-REGRESSAO-SIMBOLICA-ATRAVES-DA-METAHEURISTICA-BRKGP-EM-APLICACOES-NA-FISICA.
M. J. F. Souza. Inteligência Computacional para Otimização. Ouro Preto, 2024. url: http://www.decom.ufop.br/prof/marcone/Disciplinas/InteligenciaComputacional/InteligenciaComputacional.pdf.
S.-M. Udrescu, A. Tan, J. Feng, O. Neto, T. Wu e M. Tegmark. “AI Feynman 2.0: Pareto-optimal symbolic regression exploiting graph modularity”. Em: Advances in Neural Information Processing Systems. Ed. por H. Larochelle, M. Ranzato, R. Hadsell, M.F. Balcan e H. Lin. Vol. 33. Curran Associates, Inc., 2020, pp. 4860–4871. url: https://proceedings.neurips.cc/paper_files/paper/2020/file/33a854e247155d590883b93bca53848a-Paper.pdf.
Silviu-Marian Udrescu e M. Tegmark. “AI Feynman: A physics-inspired method for symbolic regression”. Em: Science Advances 6.16 (2020), eaay2631. doi: 10.1126/sciadv.aay2631.
