MULTIPLE RESPONSE OPTIMIZATION: COMPARATIVE ANALYSIS BETWEEN MODELS OBTAINED BY ORDINARY LEAST METHOD AND GENETIC PROGRAMMING

Abstract

Finalidade: Este trabalho tem como objetivo analisar e comparar o desempenho entre o método dos mínimos quadrados ordinários (OLS) executado no Minitab (v. 17) e a programação genética realizada no Eureqa Formulize (v. 1.24.0). Referência teórica: Obter um modelo que descreva matematicamente a relação entre a variável independente e a variável de resposta é essencial para otimizar o processo. O modelo pode ser descrito como uma representação aproximada do sistema ou processo real, enquanto o processo de modelagem é um equilíbrio entre simplicidade e precisão (X. Chen et al., 2018; Gomes et al., 2019; Sampaio et al., 2022; A. R. S. Silva et al., 2021). Método: A Avaliação do melhor método para construir modelos matemáticos foi realizada utilizando-se o Coeficiente Ajustado de Determinação (Radj2) e o Critério de Informação de Akaike. Resultados e conclusão: A comparação entre o uso dos métodos mostrou a superioridade da programação genética sobre o OLS na construção de modelos matemáticos. Originalidade/Valor: A Programação Genética produz modelos matemáticos que às vezes são diferenciados quando vários replicados são realizados, mas sempre com poder explicativo semelhante e com características tendenciosas que não afetam de forma alguma a qualidade de predição da variável dependente sendo estudada.

Alternate abstract:

Objetivo: Este trabajo tiene como objetivo analizar y comparar el desempeño entre el método de mínimos cuadrados ordinarios (MCO) ejecutado en Minitab (v. 17) y la programación genética realizada en Eureqa Formulize (v. 1.24.0). Referencia teórica: La obtención de un modelo que describa matemáticamente la relación entre la variable independiente y la variable respuesta es esencial para optimizar el proceso. El modelo puede describirse como una representación aproximada del sistema o proceso real, mientras que el proceso de modelado es un equilibrio entre simplicidad y precisión (X. Chen et al., 2018; Gomes et al., 2019; Sampaio et al., 2022; A. R. S. Silva et al., 2021). Método: Se realizó una evaluación del mejor método para la construcción de modelos matemáticos utilizando el coeficiente de determinación ajustado (Radj2) y el criterio de información de Akaike. Resultados y conclusión: La comparación entre el uso de los métodos mostró la superioridad de la programación genética sobre OLS en la construcción de modelos matemáticos. Originalidad/Valor: La Programación Genética produce modelos matemáticos que a veces se diferencian cuando se realizan varias réplicas, pero siempre con similar poder explicativo y con características sesgadas que no afectan en modo alguno la calidad de predicción de la variable dependiente que se estudia.

Alternate abstract:

Purpose: This work aims to analyze and compare the performance between the Ordinary Least Squares (OLS) method executed in Minitab (v. 17) and the genetic programming performed in Eureqa Formulize (v. 1.24.0). Theoretical reference: Obtaining a model that mathematically describes the relationship between the independent variable and the response variable is essential to optimizing the process. The model can be described as an approximate representation of the real system or process, while the modeling process is a balance between simplicity and accuracy (X. Chen et al., 2018; Gomes et al., 2019; Sampaio et al., 2022; A. R. S. Silva et al., 2021). Method: An Evaluation of the best method for constructing mathematical models was performed using the Adjusted Coefficient of Determination (Radj2) and Akaike's Information Criterion Results and conclusion: The comparison between the use of the methods showed the superiority of genetic programming over OLS in the construction of mathematical models. Originality/Value: Genetic Programming produces mathematical models that are sometimes differentiated when several replicates are performed, but always with similar explanatory power and with biased characteristic that does not affect in any way the quality of prediction of the dependent variable being studied.