Matheus Carvalho de Oliveira

Formação complementar

Idiomas

Áreas de atuação

Participação em eventos

Produções bibliográficas

• CARVALHO, A. B. ; OLIVEIRA, M. C. . Reference-Point Based Approach Algorithm for Many-Objective Problems. JOURNAL OF THE BRAZILIAN COMPUTER SOCIETY (ONLINE) , 2018.

• OLIVEIRA, M. C. ; CARVALHO, A. B. . Um estudo sobre a influência dos pontos de referência na otimização com muitos objetivos. 2017. (Apresentação de Trabalho/Congresso).

• OLIVEIRA, M. C. ; CARVALHO, A. B. . Novos Algoritmos Bioinspirados Para a Otimização com Muitos Objetivos. 2017. (Apresentação de Trabalho/Congresso).

• OLIVEIRA, M. C. ; CARVALHO, A. B. . Explorando a Otimização por Nuvem de Partículas em Problemas com Muitos Objetivos. 2016. (Apresentação de Trabalho/Congresso).

Projetos de pesquisa

• 2017 - 2018

  Uso de Pontos de Referência em Algoritmos Evolucionários na Otimização com Muitos Objetivos, Descrição: Os Problemas de Otimização Multiobjetivo, (MOP, do inglês Multi-Objective Optimization Problems) possuem mais de uma função objetivo. Nestes problemas, as funções objetivo que são otimizadas são conflitantes, logo não há somente uma melhor solução, mas um conjunto com as melhores soluções. Para obter esse conjunto de soluções é utilizada a Teoria da Otimalidade de Pareto. Esses problemas têm sido resolvidos através de diversos de Algoritmos Evolucionários Multiobjetivo (MOEAs, do inglês Multi-Objective Evolutionary Algorithms). MOEAs incorporam um mecanismo de seleção, geralmente baseado nos conceitos da Otimalidade de Pareto, com o objetivo de preservar as melhores soluções encontradas durante a busca e continuar um progresso em direção às soluções ótimas do problema. Nessa área, diferentes meta-heurísticas são utilizadas com sucesso, como as Abordagens Evolucionárias, Otimização por Nuvem de Partículas (PSO, do inglês Particle Swarm Optimization), Sistemas Imunológicos Artificiais (AIS, do inglês Artificial Immune Systems). No entanto, a maioria dos MOEAs propostos é restrita a problemas com duas ou três funções objetivo. Recentemente, cresceu o interesse na pesquisa em trabalhos que lidam com um número grande de objetivos (maior do que três) devido à limitação dos MOEAs tradicionais quando utilizados neste contexto. A área que visa estudar novas técnicas para problemas com muitos objetivos é chamada de Otimização com Muitos Objetivos ou Many-Objective Optimization. Problemas com mais de três funções objetivo são chamados de Problemas de Otimização com Muitos Objetivos, ou Many-Objetive Optimization Problems (MaOPs). Este plano de trabalho tem como objetivo investigar novas estratégias para reduzir as limitações de MOAEs em problemas com muitos objetivos. Este plano de trabalho é a extensão de um projeto PIBIC desenvolvido no ano 2016. O trabalho anterior focou no estudo inicial de novos métodos baseados em pontos de referência aplicados à problemas com muitos objetivos. Este trabalho busca estender o projeto anterior através do desenvolvimento de novas técnicas que exploram pontos de referência. O objetivo é desenvolver métodos que busquem combinar diferentes conjuntos de pontos de referência numa mesma execução do algoritmo. Algoritmos do estado-da-arte usam somente um conjunto de pontos de referência fixo. A hipótese deste plano é que combinar diferentes conjuntos de pontos, cada um com uma determinada característica (e.g, pontos num formato côncavo, conexo, desconexos, senoidais, etc.) irá melhorar o desempenho de algoritmos tradicionais como o NSGA-III e o MOPSO.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: Matheus Carvalho de Oliveira - Coordenador / ANDRÉ BRITTO DE CARVALHO - Integrante., Financiador(es): Universidade Federal de Sergipe - Bolsa.

• 2016 - 2017

  Novos Algoritmos Bioinspirados para a Otimização com Muitos Objetivos, Descrição: Os Problemas de Otimização Multiobjetivo, (MOP, do inglês Multi-Objective Optimization Problems) possuem mais de uma função objetivo. Nestes problemas, as funções objetivo que são otimizadas são conflitantes, logo não há somente uma melhor solução, mas um conjunto com as melhores soluções. Para obter esse conjunto de soluções é utilizada a Teoria da Otimalidade de Pareto. Esses problemas têm sido resolvidos através de diversos de Algoritmos Evolucionários Multiobjetivo (MOEAs, do inglês Multi-Objective Evolutionary Algorithms). MOEAs incorporam um mecanismo de seleção, geralmente baseado nos conceitos da Otimalidade de Pareto, com o objetivo de preservar as melhores soluções encontradas durante a busca e continuar um progresso em direção às soluções ótimas do problema. Nessa área, diferentes meta-heurísticas são utilizadas com sucesso, como as Abordagens Evolucionárias, Otimização por Nuvem de Partículas (PSO, do inglês Particle Swarm Optimization), Sistemas Imunológicos Artificiais (AIS, do inglês Artificial Immune Systems). No entanto, a maioria dos MOEAs propostos é restrita a problemas com duas ou três funções objetivo. Recentemente, cresceu o interesse na pesquisa em trabalhos que lidam com um número grande de objetivos (maior do que três) devido à limitação dos MOEAs tradicionais quando utilizados neste contexto. A área que visa estudar novas técnicas para problemas com muitos objetivos é chamada de Otimização com Muitos Objetivos ou Many-Objective Optimization. Problemas com mais de três funções objetivo são chamados de Problemas de Otimização com Muitos Objetivos, ou Many-Objetive Optimization Problems (MaOPs). Este plano de trabalho tem como objetivo investigar novas estratégias para reduzir as limitações de MOAEs em problemas com muitos objetivos. Este plano de trabalho é a extensão de um projeto PIBIC desenvolvido no ano 2015. No primeiro ano o projeto focou na desenvolvimento de novos métodos aplicados à metaheurística PSO, com foco na geração de um novo método de escolha de líder. Este projeto busca a exploração de novos algoritmos bioinspirados propostos na área como Algoritmos Genéticos, Estimation of distribution algorithm, Algoritmos Evolucionários Baseados em decomposição, entre outros. O algoritmo desenvolvido neste projeto serao avaliados em problemas de bechmark disponíveis na área, bem como através da aplicação em problemas reais, como por exemplo, problemas da área de Sistemas de Transporte Inteligente.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) . , Integrantes: Matheus Carvalho de Oliveira - Integrante / ANDRÉ BRITTO DE CARVALHO - Coordenador., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.

• 2015 - 2016

  Explorando a Otimização por Nuvem de Partículas em Problemas com Muitos Objetivos, Descrição: Os Problemas de Otimização Multiobjetivo, (MOP, do inglês Multi-Objective Optimization Problems) possuem mais de uma função objetivo. Nestes problemas, as funções objetivo que são otimizadas são conflitantes, logo não há somente uma melhor solução, mas um conjunto com as melhores soluções. Para obter esse conjunto de soluções é utilizada a Teoria da Otimalidade de Pareto. Esses problemas têm sido resolvidos através de diversos de Algoritmos Evolucionários Multiobjetivo (MOEAs, do inglês Multi-Objective Evolutionary Algorithms). MOEAs incorporam um mecanismo de seleção, geralmente baseado nos conceitos da Otimalidade de Pareto, com o objetivo de preservar as melhores soluções encontradas durante a busca e continuar um progresso em direção às soluções ótimas do problema. Nessa área, diferentes meta-heurísticas são utilizadas com sucesso, como as Abordagens Evolucionárias, Otimização por Nuvem de Partículas (PSO, do inglês Particle Swarm Optimization), Sistemas Imunológicos Artificiais (AIS, do inglês Artificial Immune Systems). No entanto, a maioria dos MOEAs propostos é restrita a problemas com duas ou três funções objetivo. Recentemente, cresceu o interesse na pesquisa em trabalhos que lidam com um número grande de objetivos (maior do que três) devido à limitação dos MOEAs tradicionais quando utilizados neste contexto. A área que visa estudar novas técnicas para problemas com muitos objetivos é chamada de Otimização com Muitos Objetivos ou Many-Objective Optimization. Problemas com mais de três funções objetivo são chamados de Problemas de Otimização com Muitos Objetivos, ou Many-Objetive Optimization Problems (MaOPs). Este plano de trabalho tem como objetivo investigar novas estratégias para reduzir as limitações de MOAEs em problemas com muitos objetivos. O projeto possui foco na exploração da Otimização por Nuvem de Partículas Multiobjetivo, em especial na exploração de técnicas de Múltiplos Enxames. O projeto irá focar em características específicas da Otimização por Nuvem de Partículas, como arquivamento e Múltiplos Enxames. O projeto será desenvolvido em conjunto com um aluno de mestrado.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) . , Integrantes: Matheus Carvalho de Oliveira - Integrante / ANDRÉ BRITTO DE CARVALHO - Coordenador., Número de produções C, T & A: 1

Prêmios