Glossário IA
O dicionário completo da Inteligência Artificial
Ponderação Linear
Método de escalarização onde os objetivos são combinados por uma soma ponderada, os pesos representando a importância relativa de cada objetivo de acordo com as preferências do decisor.
Q-Learning Multi-Objetivo
Extensão do Q-learning tradicional onde cada ação possui um vetor de Q-valores em vez de um valor escalar, necessitando de critérios de seleção de ação específicos para os compromissos.
Política Não-Dominada
Estratégia de ação no espaço das políticas cujo desempenho não é superado por nenhuma outra política simultaneamente em todos os objetivos, garantindo a otimalidade no sentido de Pareto.
Hiperplano de Escalarização
Técnica que utiliza um hiperplano no espaço dos objetivos para projetar as soluções numa dimensão escalar, permitindo uma exploração estruturada dos compromissos de acordo com direções predefinidas.
Escalarização de Tchebycheff
Método de escalarização baseado na distância de Tchebycheff ponderada a um ponto de referência, garantindo a obtenção de soluções Pareto-ótimas mesmo para problemas não convexos.
Reward Shaping Multi-Objetivo
Técnica que modifica a função de recompensa vetorial para acelerar a aprendizagem, preservando a otimalidade das políticas multi-objetivo finais.
Trade-off Dinâmico
Método que adapta os pesos ou preferências entre objetivos durante a aprendizagem, permitindo uma exploração flexível do espaço de compromissos de acordo com a evolução do ambiente.
Preferências a Priori
Abordagem onde as preferências do decisor são especificadas antes do processo de otimização, guiando a pesquisa para regiões específicas da fronteira de Pareto.
Preferências a Posteriori
Estratégia que primeiro gera o conjunto completo de soluções Pareto-ótimas, e depois permite ao decisor selecionar a solução preferida após visualização e análise.
Método de Referência
Técnica que utiliza um ponto de referência no espaço dos objetivos para guiar a busca por soluções que atinjam ou superem os níveis de desempenho desejados.
Vetor de Utopia
Ponto teórico no espaço dos objetivos que otimiza simultaneamente cada objetivo individualmente, usado como referência para avaliar os compromissos em métodos de escalarização.
Distância de Chebyshev
Métrica que utiliza o máximo das diferenças absolutas entre componentes, particularmente adequada para medir os desvios em relação aos objetivos na otimização multi-objetivo.
Escalarização Aumentada
Extensão da ponderação linear que adiciona um termo de penalidade baseado nos desvios mínimos em relação aos objetivos, garantindo a obtenção de soluções estritamente Pareto-ótimas.
Função de Agregação
Operação matemática que combina múltiplos valores de objetivos em um único valor escalar, servindo como critério para avaliar e comparar soluções no espaço multi-objetivo.
Política de Compromisso
Estratégia de ação que equilibra explicitamente objetivos contraditórios de acordo com preferências definidas, frequentemente implementada através de pesos adaptativos ou restrições dinâmicas.
Equilíbrio de Nash Multi-Objetivo
Conceito que estende o equilíbrio de Nash para contextos multi-objetivo onde cada agente otimiza seu próprio vetor de objetivos sob restrições de equilíbrio mútuo.