| Fecha: |
2025 |
| Resumen: |
Aquesta tesi aporta solucions a dos problemes presents en les metaheurístiques: l'absència d'informació sobre la instància del problema i la manca de transparència per entendre els seus resultats. Per abordar el primer problema, es proposa integrar dues tècniques de Machine Learning dins de les metaheurístiques: les Graph Neural Networks i, especialment, els recents Models Massius de Llenguatge. Aquestes tècniques milloren la qualitat de les solucions obtingudes en problemes combinatoris NP-hard, en comparació amb l'ús exclusiu de la metaheurística. Per al segon problema, es proposa una eina de visualització anomenada STNWeb, dissenyada per donar suport als investigadors en l'anàlisi comparativa de metaheurístiques, facilitant la comprensió de com la instància del problema influeix en el comportament d'aquestes tècniques. Així doncs, la tesi es divideix en dues parts: la primera està dedicada a millorar la qualitat de les solucions generades per metaheurístiques mitjançant la incorporació d'informació provinent de tècniques modernes de Machine Learning; la segona se centra en l'ús de la visualització com a mitjà per comprendre el comportament de les metaheurístiques. |
| Resumen: |
Esta tesis aporta soluciones a dos problemas presentes en las metaheurísticas: la ausencia de información sobre la instancia del problema y la falta de transparencia para entender sus resultados. Para abordar el primer problema, se propone integrar dos técnicas de Machine Learning dentro de las metaheurísticas: las Graph Neural Networks y, especialmente, los recientes Modelos Masivos de Lenguaje. Estas técnicas mejoran la calidad de las soluciones obtenidas en problemas combinatorios NP-hard, en comparación con el uso exclusivo de la metaheurística. Para el segundo problema, se propone una herramienta de visualización llamada STNWeb, diseñada para apoyar a los investigadores en el análisis comparativo de metaheurísticas, facilitando la comprensión de cómo la instancia del problema influye en el comportamiento de estas técnicas. Así, la tesis se divide en dos partes: la primera está dedicada a mejorar la calidad de las soluciones generadas por metaheurísticas mediante la incorporación de información proveniente de técnicas modernas de Machine Learning; la segunda se enfoca en el uso de la visualización como medio para comprender el comportamiento de las metaheurísticas. |
| Resumen: |
This thesis addresses two major challenges in metaheuristics: the lack of information about the problem instance and the lack of transparency in understanding their results. To tackle the first issue, I propose integrating two Machine Learning techniques into metaheuristic algorithms: Graph Neural Networks and, more notably, Large Language Models. These techniques enhance the quality of solutions obtained for NP-hard combinatorial problems when compared to using the metaheuristic alone. To address the second issue, the thesis introduces a visualization tool called STNWeb, designed to support researchers in the comparative analysis of metaheuristics by facilitating the understanding of how problem instances influence their behavior. Thus, the thesis is structured in two parts: the first focuses on improving the solution quality of metaheuristics through the incorporation of information extracted via modern Machine Learning techniques; the second explores the use of visualization as a means to better understand the behavior of metaheuristics. |
| Resumen: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Informàtica. |
| Derechos: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Lengua: |
Anglès |
| Colección: |
Programa de Doctorat en Informàtica |
| Documento: |
Tesi doctoral ; Text ; Versió publicada |
| Materia: |
Optimització combinatòria ;
Combinatorial optimization ;
Optimización combinatoria ;
Models extensos de llenguatge ;
Large language models ;
Modelos extensos de lenguaje ;
Eines de visualització ;
Visualization tools ;
Herramientas de visualización ;
Tecnologies |
visitante ::
identificación
