Palestra do Prof. Luciano Costa (PPGEPS) na Université Laval, Québec, Canada

O professor Luciano Costa, membro permanente do PPGEPS, ministrará no próximo dia 10 de dezembro de 2024, às 12h, na Université Laval, Québec, Canada, um seminário intitulado “Enhanced column generation algorithm for estimating non-parametric discrete-choice models”.

Sobre o seminário

O seminário faz parte das séries de seminários Webinaire conjoint CIRRELT, MobilOpt et La chaire de recherche du Canada en logistique intégrée, da qual o professor Anand Subramanian, também membro permanente do PPGEPS, também participou recentemente.

Acesso

O seminário ocorrerá em formato online e poderá ser acessado por meio do link: https://ulaval.zoom.us/j/67457884483?pwd=UD81mDG5Swi6UI41p69zWixXuHp16l.1#success

Meeting ID: 674 57884483
Passcode: 745425

Resumo

Discrete choice models (DCMs) provide probabilities for individuals choosing a certain alternative when faced with a set of limited options. DCMs can be parametric or non-parametric. Parametric models are easier to estimate but require assumptions about individuals' preferences, while non-parametric models rely solely on training data without any assumptions. Ranked-list methods are popular non-parametric models and capture individuals’ behavior by associating them with preference lists of options sorted in decreasing order of preference. Individuals are assumed always to choose the option best placed in their preference list when confronted with an alternative. Despite the generality and simplicity of ranked-list methods, a major drawback is the exponential increase in the number of potential lists. Column generation (CG) can be employed to address this issue, with the CG subproblem modeled as a generalized linear ordering problem (GLOP). In this talk, we present a dynamic programming algorithm to solve GLOPs. The proposed method is generic and capable of handling different settings without requiring drastic changes to its implementation. The proposed algorithm outperforms a previously proposed Branch-and-Cut algorithm. Our algorithm efficiently generates preference lists when incorporated into maximum likelihood and minimum L1 estimators. The algorithm performs well when facing instances with numerous observations, which is crucial as non-parametric choice models heavily rely on data volume for accurate estimations. This is joint work with Claudio Contardo (Concordia University), Gerardo Berbeglia (Melbourne Business School, The University of Melbourne), and Jean-François Cordeau (HEC Montréal).

Short Bio

Luciano é Professor Adjunto do Departamento de Engenharia de Produção da Universidade Federal da Paraíba. Ele possui graduação em Engenharia de Produção Mecânica pela Universidade Federal da Paraíba (2013), mestrado em Engenharia de Produção (2015) pela mesma instituição e doutorado em Matemática Aplicada (Pesquisa Operacional) pela Polytechnique Montréal (2020). Tem experiência nas áreas de: Otimização Combinatória, Algoritmos Exatos com ênfase em Técnicas de Geração de Colunas, Meta-heurísticas, Otimização Multiobjetivo, Modelos de Escolha Discreta, Problemas de Roteamento de Veículos e suas variantes, Sequenciamento da Produção, Alocação de Pessoal, Logística Humanitária, Otimização aplicada à Gestão de Atividades Acadêmicas e Otimização ao Gerenciamento de Recursos em Serviços de Saúde.