presente trabalho consolida um estudo para o planejamento de trajetória livre de colisão para um robô pneumático com 5 graus de liberdade aplicando três algoritmos metaheurísticos: algoritmos metaheurísticos por vagalumes, algoritmos metaheurísticos por enxames de partículas e algoritmos genéticos. No que se refere à aplicação de algoritmos metaheurísticos ao estudo de planejamento de trajetória de robôs manipuladores na presença de obstáculos, existem diferentes tipos de técnicas para evitar colisões que consideram os efeitos cinemáticos e dinâmicos na obtenção de trajetórias com o menor tempo, torque, etc. Neste estudo, são propostas contribuições à aplicação dessas técnicas especificamente a robôs manipuladores pneumáticos, sobretudo, no que diz respeito às características específicas dos servoposicionadores pneumáticos, como, por exemplo, a modelagem do atrito desses sistemas, o cálculo da massa equivalente, etc. A metodologia utilizada é definida em duas etapas. A primeira delas consiste na obtenção de pontos intermediários, adquiridos considerando a menor distância entre os mesmos e o ponto final, gerados considerando a presença de obstáculos (cilindros, cubos e esferas) Esses obstáculos são mapeados em regiões de colisão, que constituem restrições para o problema de otimização. A segunda etapa baseia-se no estudo do planejamento de trajetórias: aplicam-se b-splines de 5º e 7º grau na interpolação dos pontos intermediários, com vistas à obtenção de trajetórias que considerem, de um lado, a menor força dos atuadores associada à dinâmica do manipulador em estudo e, de outro, restrições cinemáticas e dinâmicas, determinadas por meio das características operacionais dos servoposicionadores pneumáticos. Os resultados mostram que a metodologia proposta é adequada para tarefas de manipulação de peças na presença de obstáculos, uma vez que os pontos intermediários situam-se fora da região de colisão nos três casos aqui apresentados. Além disso, quanto à segunda etapa, observou-se que as trajetórias de 5º e 7º grau apresentaram resultados similares, de maneira que os erros obtidos poderiam ser melhorados analisando aspectos associados ao controlador do robô em estudo. / The thesis presents a study for collision-free trajectory planning for a pneumatic robot with 5 degrees of freedom applying three metaheuristic algorithms: firefly metaheuristic algorithm, particle swarm optimization and genetic algorithms. As regards the application of metaheuristic algorithms to the study of the trajectory planning of manipulating robots in the presence of obstacles, there are different types of techniques to avoid collisions that consider the kinematic and dynamic effects, obtaining trajectories with the optimal time, torque, etc. In this study, contributions are made to the application of these techniques specifically to pneumatic manipulator robots, particularly with regard to the specific characteristics of pneumatic servo-actuators, such as friction modeling of these systems, calculation of equivalent mass, etc. The methodology used is defined in two steps. The first one consists of obtaining intermediate points, acquired considering the smallest distance between the intermediate points and the final point, generated considering the presence of obstacles (cylinders, cubes and spheres) These obstacles are mapped in collision regions, which are constraints to the optimization problem. The second step is based on the study of the trajectory planning: 5th and 7th degree b-splines are applied in the interpolation of the intermediate points, in order to obtain trajectories that consider the smallest actuator force associated to the dynamics of the manipulator and the kinematic and dynamic constraints, determined by the operational characteristics of pneumatic servo-positioners. The results show that the proposed methodology is suitable for tasks of manipulating parts in the presence of obstacles because the intermediate points are outside the collision region in the three cases presented here. In addition, it was observed that the trajectories of 5th and 7th degree presented similar results, so that the errors obtained could be improved by analyzing aspects associated to the controller of the robot.

abstract: Data imbalance and data noise often coexist in real world datasets. Data imbalance affects the learning classifier by degrading the recognition power of the classifier on the minority class, while data noise affects the learning classifier by providing inaccurate information and thus misleads the classifier. Because of these differences, data imbalance and data noise have been treated separately in the data mining field. Yet, such approach ignores the mutual effects and as a result may lead to new problems. A desirable solution is to tackle these two issues jointly. Noting the complementary nature of generative and discriminative models, this research proposes a unified model fusion based framework to handle the imbalanced classification with noisy dataset. The phase I study focuses on the imbalanced classification problem. A generative classifier, Gaussian Mixture Model (GMM) is studied which can learn the distribution of the imbalance data to improve the discrimination power on imbalanced classes. By fusing this knowledge into cost SVM (cSVM), a CSG method is proposed. Experimental results show the effectiveness of CSG in dealing with imbalanced classification problems. The phase II study expands the research scope to include the noisy dataset into the imbalanced classification problem. A model fusion based framework, K Nearest Gaussian (KNG) is proposed. KNG employs a generative modeling method, GMM, to model the training data as Gaussian mixtures and form adjustable confidence regions which are less sensitive to data imbalance and noise. Motivated by the K-nearest neighbor algorithm, the neighboring Gaussians are used to classify the testing instances. Experimental results show KNG method greatly outperforms traditional classification methods in dealing with imbalanced classification problems with noisy dataset. The phase III study addresses the issues of feature selection and parameter tuning of KNG algorithm. To further improve the performance of KNG algorithm, a Particle Swarm Optimization based method (PSO-KNG) is proposed. PSO-KNG formulates model parameters and data features into the same particle vector and thus can search the best feature and parameter combination jointly. The experimental results show that PSO can greatly improve the performance of KNG with better accuracy and much lower computational cost. / Dissertation/Thesis / Doctoral Dissertation Industrial Engineering 2014

presente trabalho consolida um estudo para o planejamento de trajetória livre de colisão para um robô pneumático com 5 graus de liberdade aplicando três algoritmos metaheurísticos: algoritmos metaheurísticos por vagalumes, algoritmos metaheurísticos por enxames de partículas e algoritmos genéticos. No que se refere à aplicação de algoritmos metaheurísticos ao estudo de planejamento de trajetória de robôs manipuladores na presença de obstáculos, existem diferentes tipos de técnicas para evitar colisões que consideram os efeitos cinemáticos e dinâmicos na obtenção de trajetórias com o menor tempo, torque, etc. Neste estudo, são propostas contribuições à aplicação dessas técnicas especificamente a robôs manipuladores pneumáticos, sobretudo, no que diz respeito às características específicas dos servoposicionadores pneumáticos, como, por exemplo, a modelagem do atrito desses sistemas, o cálculo da massa equivalente, etc. A metodologia utilizada é definida em duas etapas. A primeira delas consiste na obtenção de pontos intermediários, adquiridos considerando a menor distância entre os mesmos e o ponto final, gerados considerando a presença de obstáculos (cilindros, cubos e esferas) Esses obstáculos são mapeados em regiões de colisão, que constituem restrições para o problema de otimização. A segunda etapa baseia-se no estudo do planejamento de trajetórias: aplicam-se b-splines de 5º e 7º grau na interpolação dos pontos intermediários, com vistas à obtenção de trajetórias que considerem, de um lado, a menor força dos atuadores associada à dinâmica do manipulador em estudo e, de outro, restrições cinemáticas e dinâmicas, determinadas por meio das características operacionais dos servoposicionadores pneumáticos. Os resultados mostram que a metodologia proposta é adequada para tarefas de manipulação de peças na presença de obstáculos, uma vez que os pontos intermediários situam-se fora da região de colisão nos três casos aqui apresentados. Além disso, quanto à segunda etapa, observou-se que as trajetórias de 5º e 7º grau apresentaram resultados similares, de maneira que os erros obtidos poderiam ser melhorados analisando aspectos associados ao controlador do robô em estudo. / The thesis presents a study for collision-free trajectory planning for a pneumatic robot with 5 degrees of freedom applying three metaheuristic algorithms: firefly metaheuristic algorithm, particle swarm optimization and genetic algorithms. As regards the application of metaheuristic algorithms to the study of the trajectory planning of manipulating robots in the presence of obstacles, there are different types of techniques to avoid collisions that consider the kinematic and dynamic effects, obtaining trajectories with the optimal time, torque, etc. In this study, contributions are made to the application of these techniques specifically to pneumatic manipulator robots, particularly with regard to the specific characteristics of pneumatic servo-actuators, such as friction modeling of these systems, calculation of equivalent mass, etc. The methodology used is defined in two steps. The first one consists of obtaining intermediate points, acquired considering the smallest distance between the intermediate points and the final point, generated considering the presence of obstacles (cylinders, cubes and spheres) These obstacles are mapped in collision regions, which are constraints to the optimization problem. The second step is based on the study of the trajectory planning: 5th and 7th degree b-splines are applied in the interpolation of the intermediate points, in order to obtain trajectories that consider the smallest actuator force associated to the dynamics of the manipulator and the kinematic and dynamic constraints, determined by the operational characteristics of pneumatic servo-positioners. The results show that the proposed methodology is suitable for tasks of manipulating parts in the presence of obstacles because the intermediate points are outside the collision region in the three cases presented here. In addition, it was observed that the trajectories of 5th and 7th degree presented similar results, so that the errors obtained could be improved by analyzing aspects associated to the controller of the robot.

Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / The demand for electricity grows in the same way as the consumers requirement for an uninterrupted supply. Many reliability indices are applied by regulatory agencies, utilities and consumers for measuring the power systems reliability. The improvement of such indices has been required by regulatory agencies and pursued by energy distributors. Therefore, the application of automatic restauration systems has gained relevance as a support tool for control center operators for a quick and secure restauration of faulty electric networks. This work proposes two contributions to the restoration process of radial power system networks. The former is a multiobjective algorithm for effective switch placement in distribution networks. Multiobjective optimization techniques are applied to achieve a set of non-dominated solutions rather than an unique one. Therefore, the decision making for switch placement is eased by the flexibility given from the multiple solutions. The latter contribution is a model for automatic restoration of power distribution networks adaptable to the network topology changes and able to ensure the operational security of the power system network. The proposed model is based on coloured Petri nets as the modelling tool. Reusability and extensibility features have been pursued and implemented on the proposed model. As a result, the needed time to restore faulty power system networks is reduced without compromising its operational security. Case studies are presented demonstrating the benefits to the power system distribution utilities obtained with the deployment of the proposed tools to improve the reliability of the power system networks. / A demanda por energia elÃtrica cresce e de igual modo a exigÃncia dos consumidores pela continuidade do seu fornecimento. Diversos Ãndices de confiabilidade sÃo utilizados por agÃncias reguladoras, concessionÃrias e consumidores para aferir a continuidade dos sistemas elÃtricos de potÃncia. A melhoria de tais Ãndices vem sendo requisitada por agÃncias reguladoras e perseguida pelas concessionÃrias de energia. Para tanto, o uso de sistemas de restauraÃÃo automÃtica vem ganhando destaque como uma ferramenta de apoio a operadores de centros de controle para a restauraÃÃo rÃpida e segura de redes elÃtricas em situaÃÃes de falta. Este trabalho apresenta duas contribuiÃÃes para a restauraÃÃo automÃtica de redes radiais de distribuiÃÃo de energia. A primeira consiste em um algoritmo para o posicionamento eficiente de chaves telecontroladas em redes de distribuiÃÃo. TÃcnicas de otimizaÃÃo multiobjetivo sÃo aplicadas para obter-se como resultado um conjunto de soluÃÃes nÃo-dominadas ao invÃs de uma Ãnica soluÃÃo. Com isso, a tomada de decisÃo para o posicionamento eficiente de chaves na rede elÃtrica à facilitado pela flexibilidade das mÃltiplas soluÃÃes oferecidas pelo algoritmo proposto. A segunda contribuiÃÃo do trabalho consiste em um modelo para restauraÃÃo automÃtica da rede de distribuiÃÃo de energia adaptÃvel Ãs mudanÃas de topologia e que garante a seguranÃa operacional da rede elÃtrica. O modelo proposto fundamentou-se em Redes de Petri Coloridas como ferramenta de modelagem. CaracterÃsticas de reusabilidade e extensibilidade foram buscadas e implementadas no modelo proposto. Como resultado, o tempo necessÃrio para restaurar redes elÃtricas em condiÃÃo de falta à reduzido sem comprometer a seguranÃa do sistema elÃtrico. Estudos de caso sÃo apresentados evidenciando os benefÃcios para concessionÃrias de distribuiÃÃo de energia com a implementaÃÃo das ferramentas propostas para melhoria da confiabilidade da rede elÃtrica.

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-08-24T17:35:05Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertacao-Natalia_Flora_de_Lima.pdf: 2000980 bytes, checksum: 107f0691d21b9d94e253d08f06a4fbdd (MD5) / Made available in DSpace on 2016-08-24T17:35:05Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertacao-Natalia_Flora_de_Lima.pdf: 2000980 bytes, checksum: 107f0691d21b9d94e253d08f06a4fbdd (MD5) Previous issue date: 2011-08-29 / Facepe / Este trabalho apresenta dois novos algoritmos, PSO-FPSO e FPSO-FPSO, para a otimização global de redes neurais MLP (do inglês Multi Layer Perceptron) do tipo feed-forward. O propósito destes algoritmos é otimizar de forma simultânea as arquiteturas e pesos sinápticos, objetivando melhorar a capacidade de generalização da rede neural artificial (RNA). O processo de otimização automática das arquiteturas e pesos de uma rede neural vem recebendo grande atenção na área de aprendizado supervisionado, principalmente em problemas de classificação de padrões. Além dos Algoritmos Genéticos, Busca Tabu, Evolução Diferencial, Recozimento simulado que comumente são empregados no treinamento de redes neurais podemos citar abordagens populacionais como a otimização por colônia de formigas, otimização por colônia de abelhas e otimização por enxame de partículas que vêm sendo largamente utilizadas nesta tarefa. A metodologia utilizada neste trabalho trata da aplicação de dois algoritmos do tipo PSO, sendo empregados na otimização das arquiteturas e na calibração dos pesos das conexões. Nesta abordagem os algoritmos são executados de forma alternada e por um número definido de vezes. Ainda no processo de ajuste dos pesos de uma rede neural MLP foram realizados experimentos com enxame de partículas heterogêneos, que nada mais é que a junção de dois ou mais PSOs de tipos diferentes. Para validar os experimentos com os enxames homogêneos foram utilizadas sete bases de dados para problemas de classificação de padrões, são elas: câncer, diabetes, coração, vidros, cavalos, soja e tireóide. Para os experimentos com enxames heterogêneos foram utilizadas três bases, a saber: câncer, diabetes e coração. O desempenho dos algoritmos foi medido pela média do erro percentual de classificação. Algoritmos da literatura são também considerados. Os resultados mostraram que os algoritmos investigados neste trabalho obtiveram melhor acurácia de classificação quando comparados com os algoritmos da literatura mencionados neste trabalho. / This research presents two new algorithms, PSO-FPSO e FPSO-FPSO, that can be used in feed-forward MLP (Multi Layer Perceptron) neural networks for global optimization. The purpose of these algorithms is to optimize architectures and synaptic weight, at same time, to improve the capacity of generalization from Artificial Neural Network (ANN). The automatic optimization process of neural network’s architectures and weights has received much attention in supervised learning, mainly in pattern classification problems. Besides the Genetic Algorithms, Tabu Search, Differential Evolution, Simulated Annealing that are commonly used in the training of neural networks we can mentioned population approaches such Ant Colony Optimization, Bee Colony Optimization and Particle Swarm Optimization that have been widely used this task. The methodology applied in this research reports the use of two PSO algorithms, used in architecture optimization and connection weight adjust. In this approach the algorithms are performed alternately and by predefined number of times. Still in the process of adjusting the weights of a MLP neural network experiments were performed with swarm of heterogeneous particles, which is nothing more than the joining of two or more different PSOs. To validate the experiments with homogeneous clusters were used seven databases for pattern classification problems, they are: cancer, diabetes, heart, glasses, horses, soy and thyroid. For the experiments with heterogeneous clusters were used three bases, namely cancer, diabetes and heart. The performance of the algorithms was measured by the average percentage of misclassification, literature algorithms are also considered. The results showed that the algorithms investigated in this research had better accuracy rating compared with some published algorithms.

Submitted by Rafael Santana (rafael.silvasantana@ufpe.br) on 2017-05-04T18:13:43Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Teste - Péricles Miranda.pdf: 1959669 bytes, checksum: 8b0b1e3f94dd3295bce6153865564a12 (MD5) / Made available in DSpace on 2017-05-04T18:13:43Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Teste - Péricles Miranda.pdf: 1959669 bytes, checksum: 8b0b1e3f94dd3295bce6153865564a12 (MD5) Previous issue date: 2016-08-22 / A escolha de algoritmos ou heurísticas para a resolução de um dado problema é uma tarefa desafiadora devido à variedade de possíveis escolhas de variações/configurações de algoritmos e a falta de auxílio em como escolhê-las ou combiná-las. Por exemplo, o desempenho de algoritmo de otimização depende da escolha dos seus operadores de busca e do ajuste adequado de seus hiper-parâmetros, cada um deles com muitas possibilidades de opções a serem escolhidas. Por este motivo, existe um interesse de pesquisa crescente na automatização da otimização de algoritmos de modo a tornar esta tarefa mais independente da interação humana. Diferentes abordagens têm lidado com a tarefa de ajuste de algoritmos como sendo outro problema de (meta)otimização. Estas abordagens são comumente chamadas de hiper-heurísticas, onde cada solução do espaço de busca, neste caso, é um possível algoritmo avaliado em um dado problema. Inicialmente, hiper-heurísticas foram aplicadas na seleção de valores de hiper-parâmetros em um espaço de busca pré-definido e limitado. No entanto, recentemente, hiper-heurísticas têm sido desenvolvidas para gerar algoritmos a partir de componentes e funções especificados. Hiperheurísticas de geração são consideradas mais flexíveis que as de seleção devido à sua capacidade de criar algoritmos novos e personalizados para um dado problema. As hiper-heurísticas têm sido largamente utilizadas na otimização de meta-heurísticas. No entanto, o processo de busca torna-se bastante custoso, pois a avaliação das soluções trata-se da execução do algoritmo no problema de entrada. Neste trabalho, uma nova hiper-heurística foi desenvolvida para a otimização de algoritmos considerando um dado problema. Esta solução visa prover algoritmos otimizados que sejam adequados para o problema dado e reduzir o custo computacional do processo de geração significativamente quando comparado ao de outras hiper-heurísticas. A hiper-heurística proposta combina uma abordagem de seleção de algoritmos com uma hiper-heurística de geração. A hiperheurística de geração é responsável por criar uma base de conhecimento, que contém algoritmos que foram gerados para um conjunto de problemas. Uma vez que esta base de conhecimento esteja disponível, ela é usada como fonte de algoritmos a serem recomendados pela abordagem de seleção de algoritmos. A ideia é reusar algoritmos previamente construídos pela hiper-heurística de geração em problemas similares. Vale salientar que a criação de hiper-heurísticas visando reduzir o custo de geração de algoritmos sem comprometer a qualidade destes algoritmos não foi estudada na literatura. Além disso, hiper-heurísticas híbridas que combinam de abordagens de seleção de algoritmos e hiper-heurísticas de geração para a otimização de algoritmos, proposta nesta tese, é novidade. Para avaliar o algoritmo proposto, foi considerada como estudo de caso a otimização do algoritmo baseado em enxames (PSO). Nos experimentos realizados, foram considerados 32 problemas de otimização. O algoritmo proposto foi avaliado quanto à sua capacidade de recomendar bons algoritmos para problemas de entrada, se estes algoritmos atingem resultados competitivos frente à literatura. Além disso, o sistema foi avaliado quanto à sua precisão na recomendação, ou seja, se o algoritmo recomendado seria, de fato, o melhor a ser selecionado. Os resultados mostraram que a hiper-heurística proposta é capaz de recomendar algoritmos úteis para os problemas de entrada e de forma eficiente. Adicionalmente, os algoritmos recomendados atingiram resultados competitivos quando comparados com algoritmos estado da arte e a recomendação dos algoritmos atingiu um alto percentual de precisão. / Designing an algorithm or heuristic to solve a given problem is a challenging task due to the variety of possible design choices and the lack of clear guidelines on how to choose and/or combine them. For instance, the performance of an optimization algorithm depends on the designofitssearchoperatorsaswellasanadequatesettingofspecifichyper-parameters,eachof them with many possible options to choose from. Because of that, there is a growing research interest in automating the design of algorithms by exploring mainly optimization and machine learningapproaches,aimingtomakethealgorithmdesignprocessmoreindependentfromhuman interaction. Different approaches have dealt with the task of optimizing algorithms as another (meta)optimization problem. These approaches are commonly called hyper-heuristics, where each solution of the search space is a possible algorithm. Initially, hyper-heuristics were applied for the selection of parameters in a predefined and limited search space. Nonetheless, recently, generation hyper-heuristics have been developed to generate algorithms from a set of specified components and functions. Generation hyper-heuristics are considered more flexible than the selection ones due to its capacity to create new and customized algorithms for a given problem. Hyper-heuristics have been widely used for the optimization of meta-heuristics. However, the search process becomes expensive because the evaluation of each solution depends on the execution of an algorithm in a problem. In this work, a novel hyper-heuristic was developed to optimize algorithms considering a given problem. The proposed approach aims to provide optimizedalgorithmsfortheinputproblemandreducethecomputationalcostoftheoptimization process significantly when compared to other hyper-heuristics. The proposed hyper-heuristics combines an automated algorithm selection method with a generation hyper-heuristic. The generation hyper-heuristic is responsible for the creation of the knowledge base, which contains previously built algorithms for a set of problems. Once the knowledge base is available, it is used as a source of algorithms to be recommended by the automated algorithm selection method. The idea is to reuse the algorithms already built by the generation hyper-heuristic on similar problems. It is worth mentioning that the creation of hyper-heuristics aiming to reduce the cost of the algorithm generation without harming the quality of these algorithms were not studied yet. Besides, hybrid hyper-heuristics which combine an algorithm selection approach with a generation hyper-heuristic for the algorithm optimization, proposed in this thesis, are a novelty. To evaluate the proposed algorithm, it was considered as case study the optimization of the Particle Swarm Optimization algorithm (PSO). In our experiments, we considered 32 optimizationproblems.Theproposedsystemwasevaluatedregardingitscapacitytorecommend adequate algorithms for an input problem, the quality of the recommended algorithms, and, finally, regarding its accuracy to recommend algorithms. The results showed that the proposed system recommends useful algorithms for the input problem. Besides, the algorithms achieved competitive results when compared to state-of-the-art algorithms, and also, the system presented a high percentage of accuracy in the recommendation.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-06-09T11:41:20Z No. of bitstreams: 1 isabelamirandademendonca.pdf: 1432328 bytes, checksum: 68aebf134272c7d3ee8daad48baf21cd (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-07-13T13:30:43Z (GMT) No. of bitstreams: 1 isabelamirandademendonca.pdf: 1432328 bytes, checksum: 68aebf134272c7d3ee8daad48baf21cd (MD5) / Made available in DSpace on 2016-07-13T13:30:43Z (GMT). No. of bitstreams: 1 isabelamirandademendonca.pdf: 1432328 bytes, checksum: 68aebf134272c7d3ee8daad48baf21cd (MD5) Previous issue date: 2012-08-02 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Esta dissertação tem por objetivo a realização do planejamento estático da expansão de sistemas de transmissão de energia elétrica via otimização por Enxame de Partículas (EP). A metodologia proposta faz uso de um Algoritmo Heurístico Construtivo (AHC) que tem a finalidade de pré-selecionar as linhas candidatas à expansão mais relevantes, de modo a reduzir o espaço de busca e consequentemente, aumentar a eficiência do processo de otimização bioinspirado. Desta forma, a metodologia proposta pode ser dividida em duas etapas: (i) Obtenção do conjunto reduzido de rotas através do AHC, com o objetivo de identificar os caminhos relevantes à expansão e, assim, diminuir o espaço de busca; (ii) Utilização da otimização por enxame de partículas e das informações heurísticas advindas da primeira etapa, com o objetivo de encontrar o custo mínimo de expansão através de um número reduzidos de partículas. Em ambas as etapas a rede de transmissão é representada pelo modelo linearizado de fluxo de carga, onde as decisões de expansão são incorporadas ao problema através das equações originais do modelo CC. O critério de seleção da expansão é realizado através de heurística, de modo a evitar a explosão combinatória referente às alternativas de investimento. A metodologia proposta é aplicada ao sistema Garver e a dois sistemas reais equivalentes a região Sul e Sudeste do Brasil. / This dissertation aims at the realization of the static transmission network expansion planning (STNEP) of electric power systems using the Particle Swarm Optimization (PSO) method. The proposed methodology uses a Constructive Heuristic Algorithm (CHA) in order to pre-select the most relevant candidates lines for expansion, so as to reduce the search space and thereby increasing efficiency of the bioinspired optimization process. Thus, the proposed methodology can be divided into two steps: (i) Obtaining the reduced set of routes through the CHA, in order to identify relevant routes for expansion and thus reduce the search space; (ii) Using the Particle Swarm Optimization and heuristic information provided by the first stage, in order to find the minimum expansion cost using a reduced number of particles. In both stages the transmission network is represented by a linearized load flow model, where the expansion decisions are incorporated into the optimization problem using the original equations of the model DC. The selection of expansion criterion is done through heuristic in order to avoid combinatorial explosion associated with expansion alternatives. The proposed methodology is applied to the Garver system and two real equivalent South and Southeastern Brazilian systems.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T11:42:31Z No. of bitstreams: 1 ericadacostareiscarvalho.pdf: 5557018 bytes, checksum: f6ffd53d6329e89b519786974a1b85e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:32:37Z (GMT) No. of bitstreams: 1 ericadacostareiscarvalho.pdf: 5557018 bytes, checksum: f6ffd53d6329e89b519786974a1b85e0 (MD5) / Made available in DSpace on 2017-03-06T19:32:37Z (GMT). No. of bitstreams: 1 ericadacostareiscarvalho.pdf: 5557018 bytes, checksum: f6ffd53d6329e89b519786974a1b85e0 (MD5) Previous issue date: 2014-02-13 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nos últimos anos, várias meta-heurísticas têm sido adotadas para a solução de problemas de otimização com restrições. Uma dessas meta-heurísticas que se torna cada vez mais popular é a Otimização por Enxame de Partículas (Particle Swarm Optimization - PSO). O PSO é baseado na metáfora de como algumas espécies compartilham informações e, em seguida, usam essas informações para mover-se até os locais onde os alimentos estão localizados. A população é formada por um conjunto de indivíduos denominado partículas que representa possíveis soluções dentro de um espaço de busca multidimensinal. Neste trabalho, são analisados problemas clássicos de otimização com restrições onde um algoritmo PSO os trata como sendo sem restrições através da introdução de um método de penalização adaptativa (Adaptive Penalty Method - APM). O APM adapta o valor dos coeficientes de penalização de cada restrição fazendo uso de informações coletadas da população, tais como a média da função objetivo e o nível de violação de cada restrição. Diversos experimentos computacionais são realizados visando avaliar o desempenho do algoritmo considerando vários problemas testes encontrados na literatura. / In recent years, several meta-heuristics have been adopted for the solution of constrained optimization problems. One of these meta-heuristic that is becoming increasingly popular is the Particle Swarm Optimization - PSO. PSO is based on the metaphor of how some species share information and then use this information to move to the places where food is located. The population is formed by a group of individuals called particles representing possible solutions within a space multidimensional search. In this thesis, classical problems of constrained optimization where a PSO algorithm treats them as being unconstrained by introducing a method of adaptive penalty (Adaptive Penalty Method - APM) are analyzed. The APM adjusts the value of the penalty coeffcients of each constraint using the information collected from the population, such as the average of the objective function as well as the level of violation of each constraint. Several computational experiments are conducted to assess the performance the algorithm tests considering various problems found in the literature.

A Wireless Sensor Network (WSN) is a group of spatially dispersed sensors that monitor the physical conditions of the environment and collect data at a central location. Sensor deployment is one of the main design aspects of WSNs as this a ffects network coverage. In general, WSN deployment methods fall into two categories: planned deployment and random deployment. This thesis considers planned sensor deployment of a Mobile Wireless Sensor Network (MWSN), which is defined as selectively deciding the locations of the mobile sensors under the given constraints to optimize the coverage of the network. Metaheuristic algorithms are powerful tools for the modeling and optimization of problems. The Krill Herd Algorithm (KHA) is a new nature-inspired metaheuristic algorithm which can be used to solve the sensor deployment problem. A Multi-Agent System (MAS) is a system that contains multiple interacting agents. These agents are autonomous entities that interact with their environment and direct their activity towards achieving speci c goals. Agents can also learn or use their knowledge to accomplish a mission. Multi-agent systems can solve problems that are very difficult or even impossible for monolithic systems to solve. In this work, a modification of KHA is proposed which incorporates MAS to obtain a Multi-Agent Krill Herd Algorithm (MA-KHA). To test the performance of the proposed method, five benchmark global optimization problems are used. Numerical results are presented which show that MA-KHA performs better than the KHA by finding better solutions. The proposed MA-KHA is also employed to solve the sensor deployment problem. Simulation results are presented which indicate that the agent-agent interactions in MA-KHA improves the WSN coverage in comparison with Particle Swarm Optimization (PSO), the Firefly Algorithm (FA), and the KHA. / Graduate

This dissertation focuses on daily volt/var control in distribution networks with feeder capacitors, substation capacitors and transformers equipped with on-load tap changers. A hybrid approach is proposed to solve the daily volt/var control problem. To reduce the computational requirements of the problem, this approach combines two methods, namely heuristic and optimal scheduling for the substation and feeder sub-problems respectively. The feeder capacitor dispatch schedule is determined based on a heuristic reactive power setpoint method. At this stage the objective is to minimize the reactive power flow through the substation bus in every time-interval. And as such, mathematical modeling of the distribution network components is adapted to suit time-varying conditions. Furthermore, an optimization model to determine a proper dispatch schedule of the substation devices is formulated. The objective of this model is to minimize the daily total energy loss and voltage deviations. Additionally, the reference voltage of the substation secondary bus and the transformer tap position limits are modified to adapt to given load profiles. The optimization model is solved with a discrete particle swarm optimization algorithm, which incorporates Newton’s method to determine the power-flow solution. The proposed method is applied to a time-varying distribution system and evaluated under different operational scenarios. It is also compared to on-line volt/var control with various settings. Simulation results show that the proposed approach minimizes both the voltage deviations and the total energy loss, while on-line control prioritizes one objective over the other depending on the specified settings. / Dissertation (MEng)--University of Pretoria, 2015. / Electrical, Electronic and Computer Engineering / Unrestricted