[pt] Esta dissertação investiga a convergência e o desempenho de Algoritmos Genéticos: os problemas, soluções e medidas propostas. O trabalho consiste de cinco partes principais: uma discussão sobre os fundamentos matemáticos que buscam explicar o funcionamento de um Algoritmo genético; um estudo dos principais problemas associados à  convergência e ao desempenho de Algoritmos genéticos; uma análise das técnicas e algoritmos alternativos para a melhoria da convergência; um estudo de medidas para estimar o grau de dificuldade esperado para a convergência de Algoritmos Genéticos; e estudo de casos. Os fundamentos matemáticos de Algoritmos Genéticos têm por base os conceitos de schema e blocos construtores, desenvolvidos por Holland (apud Goldberb, 1989a). Embora estes conceitos constituam a teoria fundamental sobre a qual a convergência se baseia, há, no entanto, questões importantes sobre o processo através do qual schemata interagem durante a evolução de um Algoritmo genético (Forrest et al, 1993b). Este trabalho apresenta uma discussão sobre os principais questionamentos que têm sido levantados sobre a validade destes fundamentos. São discutidas as controvérsias geradas pela necessidade de uma visão dinâmica dos Algoritmos Genéticos, onde a amostra da população e os resultados obtidos pela recombinação sejam considerados. Em especial, as objeções apontadas pro Thornton (1995) quanto à  coerência da associação dos conceitos de schema e blocos construtores, a contradição entre os Teoremas schema e Price vista por Altemberg (1994), e as idéias de adequação do Teorema Fundamental de Algoritmos Genéticos ao conceito de variância dentro de uma população. Os principais problemas de convergência e desempenho de um Algoritmo Genético foram discutidos: a Decepção e a Epistasia. É apresentada a idéia de que a Decepção, embora esteja fortemente ligada à  dificuldade de convergência de Algoritmos Genéticos, não constitui fator suficiente para que um problema seja considerado difí­cil para um Algoritmo genético (GA-hard problems) (Grefenstette, 1993). São também apresentados os coeficientes de Walsh (Goldberg, 1989b) e demonstrada a sua relação com as idéias de schema e epistasia, e sua utilização em funções decepcionantes. São analisadas diversas funções decepcionantes. São analisadas diversas funções, associadas aos conceitos de Decepção e Epistasia: as funções fully-deceptive e fully easy com 6 bits, propostas por Deb e Goldberg (1994); as funções deceptive but easy e non-deceptive but hard de Grefenstette (op. Cit.); as funções F2 e F3 de Whitley (1992), e ainda, as funções NK (apud Harvey, 1993) e Royal Road (Forrest et al, op. Cit.) Técnicas alternativas para melhorar a convergência incluem basicamente algoritmos evolucionários com características especí­ficas a determinado tipo de problema. São analisados alguns algoritmos alternativos, como o Messy de Goldberg et alli (1989), o Estruturado de Dasgupta et al (s.d.), o aumentado de Grefenstette (ibidem) e os algoritmos propostos por Paredis (1996b). É ainda discutida e exemplificada a importância da escolha adequada de parâmetros e da representação de cromossomas, para que a convergência seja mais facilmente alcançada. O estudo de medidas de convergêcia de Algoritmos Genéticos fornece uma classificação: medidas probabilísticas e medidas baseadas em landscapes. São apresentadas também as colocações de Koza (1994) e Altemberg (op. Cit.) sobre a convergência de Algoritmos Evolucionários. É dado destaque para medida da dificuldade esperada para convergência baseada no Coeficiente de Correlação entre a Aptidão e a Distância (FDC - Fitness Distance Correlation), como proposto por Jones e Forrest (1995b). O estudo de casos consiste da análise do comportamento de Algoritmos Genéticos pela medida FDC, quando aplicados a um conjunto de funções matemáticas, incluindo as já citadas, e ainda as funções de teste propostas por De Jong (apud Goldberg, op. cit) e a função decepcionante de Liepins e Vose (apud Deb et al, 1994). Também é realizada uma extensão da medida de dificuldade FDC estudada, buscando adequá-la a uma visão mais dinâmica de Algoritmos Genéticos. Para executar estes testes, o ambiente GENEsYs 1.0, desenvolvido por Thomas Bäck (1992) (a partir de seu precursor Genesis de JOhn Grefenstette (apud Ribeiro et alli, 1994), foi adaptado e extendido. / [en] This wok investigates the convergence and the performance of Genetic Algorithms: the problems, solutions and proposed measures. It is divided into five topics: a discussion on the mathematical foundations that explains how Genetic Algorithms work: a study of the most important problems associated to their convergence and performance; an analysis of techniques and alternative Genetic Algorithms to achieve better convergence; a study of measures trying to estimate the level of difficulty for the convergence of GA s; and case study. The mathematical foundations are based in conceps of schema and building blocks, developed by Holland (apud Goldberg, 1989a). Although they constitute the fundamental theory about Genetic Algorithms convergence, there has been a lot of questions about the process in which schemata interact during the evolution of GA s (Forrest et al, 1993b). This work presents a discussion on the most important questions that have been raised about the validity of these foundations. Specifically the objections pointed out by Thorton (1995) about the conference of the association between schema and building blocks; the contradiction between schema theorem and Price theorem, mentioned by Altenberg (1994); and the new ideas raised by the variance of fitness concept. The most important problems related to the convergence and performance of GA s are discussed, i.e. the Deception and the Epistasis. Even though Deception can difficult the convergence, the former does not constitute a sufficient factor for the late (Grefenstette, 1993). The Walsh coefficients (Goldberg, 1989b0 and their relation with schema are presented, and also their utilization in deceptive fuctions. Some functions are analised, based on the concepts of Deception and Epistasis: the 6-bits fully- deceptive function by Deb et all (1994): the 3-bits fully- deceptive functions, by Deb et alli (1989); the functions deceptive but easy and non-deceptive but hard of Grefenstette (op. cit.) the F2 and F3 functions of Whitley (1992) as well as the NK functions (apud Harvey, 1993) and the Royal Road functions (Forrest et al, op. cit.). The techniques included the alternative GA s, with special carachteristics. The Messy GA of Goldberg (1989), the Structured GA of Dasgupta (s.d.), the Augmenated GA of Grefenstette (ibidem) and GA s fo Paredis (1996b). The importance of a correct choice of parameters is also discussed. The study of measures classifies those Ga´s into two types: probabilistics and based on landscapes. The considerations of Koza (1994) and Altenberg (op. cit.) are also discussed. It is given special enfasis to the FDC ( Fitness Distance Correlacion) measure, proposed by Jones and Forrest (1995b). The case study consists of the analysis of the behavior of GA by the measure FDC, applied to a set of mathematical functions. The environment used is GENEsYs 1.0, developed by Thomas Bäck (1992) over the Genesis of Grefenstette. The GENEsys 1.0 was adapted and expanded to fullfil the requirements of this work.

[pt] Na área de Exploração e Produção (EeP) de petróleo, o estudo minucioso das características de um reservatório é imperativo para a criação de modelos de simulação que representem adequadamente as suas propriedades petrofísicas. A disponibilidade de um modelo adequado é fundamental para a obtenção de previsões acertadas acerca da produção do reservatório, e isso impacta diretamente a tomada de decisões gerenciais. Devido às incertezas inerentes ao processo de caracterização, ao longo da vida produtiva do reservatório, periodicamente o seu modelo de simulação correspondente precisa ser ajustado. Todavia, a tarefa de ajustar as propriedades do modelo se traduz em um problema de otimização complexo, onde o número de variáveis envolvidas é tão maior quanto maior for a quantidade de blocos que compõem a malha do modelo de simulação. Na maioria das vezes esses ajustes envolvem processos empíricos que demandam elevada carga de trabalho do especialista. Esta pesquisa investiga e avalia uma nova técnica computacional híbrida, que combina Algoritmos Genéticos e Geoestatística Multiponto, para a otimização de propriedades em modelos de reservatórios. Os resultados obtidos demonstram a robustez e a confiabilidade da solução proposta, uma vez que, diferentemente das abordagens tradicionalmente adotadas, é capaz de gerar modelos que não apenas proporcionam um ajuste adequado das curvas de produção, mas também que respeitam as características geológicas do reservatório. / [en] In the Exploration and Production (EeP) of oil, the detailed study of reservoir characteristics is imperative for the creation of simulation models that adequately represent their petrophysical properties. The availability of an appropriate model is fundamental to obtaining accurate predictions about the reservoir production. In addition, this impacts directly the management decisions. Due to the uncertainties inherent in the characterization process, along the productive period of the reservoir, its corresponding simulation model needs to be matched periodically. However, the task of matching the model properties represents a complex optimization problem. In this case, the number of variables involved increases with the number of blocks that make up the grid of the simulation model. In most cases these matches involve empirical processes that take too much time of an expert. This research investigates and evaluates a new hybrid computer technique, which combines Genetic Algorithms and Multipoint Geostatistics, for the optimization of properties in reservoir models. The results demonstrate the robustness and reliability of the proposed solution. Unlike traditional approaches, it is able to generate models that not only provide a proper match of the production curves, but also satisfies the geological characteristics of the reservoir.

[pt] A evolução das turbinas a gás industriais resultou em um processo de combustão mais eficiente que permitiu a elevação da temperatura dos gases na exaustão dessa máquina. Assim, caldeiras de recuperação de calor cada vez mais complexas foram desenvolvidas com o intuito de aproveitar ao máximo o potencial energético na exaustão das turbinas. Dessa forma, modelos computacionais capazes de prever as condições de operação do equipamento se mostraram necessários de maneira a analisar o comportamento da máquina em diferentes situações, visando à máxima eficiência do processo. Esta dissertação descreve um modelo computacional capaz de simular o funcionamento fora do ponto de projeto, em regime permanente, de uma caldeira de recuperação de calor operando em uma usina de ciclo combinado, enfatizando sua utilização em sistemas de diagnóstico. As rotinas foram desenvolvidas em FORTRAN e os trocadores de calor presentes na HRSG foram modelados individualmente e calibrados através de um sistema de otimização utilizando algoritmos genéticos, responsável por minimizar o desvio do modelo. O programa desenvolvido foi validado contra dados de operação de uma usina real e mostrou resultados satisfatórios, que confirmam a robustez e fidelidade do modelo de simulação. / [en] The heavy duty gas turbines evolution and, consequently, a more efficient combustion process, allowed the temperature rising of the machines’ exhaust gases. Thus, more complex heat recovery steam generators were developed in order to maximize the use of that energy potential. Therefore, computational models capable to predict the operational conditions of the equipment may be needed in order to analyze the machine’s behavior for different situations, in a way to maximize the process efficiency. This thesis describes a computational model able to simulate the off-design behavior of a heat recovery steam generator operation in a combined cycle plant, emphasizing its utilization in diagnostics systems. The routines were developed using FORTRAN, each heat exchanger inside the Heat Recovery Steam Generator (HRSG) was designed individually and the calibration was done by a genetic algorithm responsible for minimizing the model’s deviations. The developed program was validated against operational data from a real plant and showed satisfactory results, confirming the robustness and fidelity of this simulation model.

[pt] Ontologias são vistas como uma solução para o problema de interoperabilidade em muitas aplicações como integração de banco de dados, comércio eletrônico, serviços web e redes sociais. Contudo, ao utilizar diferentes ontologias, persiste o problema de incompatibilidade semântica entre os modelos. Dentre os desafios para o campo de alinhamento de ontologia, está a seleção de alinhadores e a auto-configuração desses alinhadores . Este trabalho tem por objetivo tratar o problema de meta-alinhamento de ontologias utilizando métodos heurísticos para calibragem de alinhadores escolhidos sem detrimento do desempenho do sistema. Para avaliar esta proposta em comparação a outras propostas da literatura, optou-se por utilizar um benchmark para alinhamentos de ontologias amplamente utilizado por pesquisadores desse campo. A comparação entre as propostas é realizada com base em medidas de qualidade de alinhamentos sugeridas pelo benchmark. Além da avaliação quantitativa proposta pelo benchmark, é realizada uma comparação qualitativa em relação às características desejáveis de meta-alinhadores propostas na literatura. / [en] Ontologies are seen as a solution for many applications such as database integration, e-commerce, web services and social networks. However, the use of distinet ontologies does not solve the semantic interoperability problem among modls. Matcher selection and self-configuring are challenges from the ontology matching field. This work aims to treat the ontology metamatching problem using heuristic methods to fast tune a set of matchers. To evalutate this proporsal, a well-known benchark for ontology matching is used. The comparison among meta-matching approaches includes the benchmark evaluation metries and qualitative metries for meta-matching proposed in the literature.

[pt] Na análise de séries temporais, os modelos lineares amplamente difundidos e utilizados, como regressões lineares e modelos auto-regressivos, não são capazes de capturar sua natureza muitas vezes não-linear,oferecendo resultados insatisfatórios. Séries financeiras, por exemplo, apresentam este tipo de comportamento. Ao longo dos últimos anos, houve o surgimento de muitos modelos não lineares para análise de séries temporais, tanto estatísticos como de inteligência computacional, baseados em redes neurais. Esta dissertação se propõe a analisar a performance do modelo STAR-Tree sob diversos cenários de conFiguração, parametrização e metodologias de estimação. Esta classe de modelos subdivide os dados de uma série temporal em regiões distintas que atendem critérios especificados em funções chamadas de pertinências. A cada região é atribuído um modelo linear auto-regressivo. Cada dado estimado pode estar em alguma das regiões com algum grau de pertinência determinado pelas funções fornecidas pelo modelo principal. Fatores como a proximidade das regiões, a suavidade das funções de pertinência e a falta de diversidade nos dados podem dificultar a estimação dos modelos. Para avaliar a qualidade das estimações sob os diversos cenários, foi construído um sistema capaz de gerar séries artificiais, importar séries externas, estimá-las sob a modelagem STAR-Tree, e gerar simulações de Monte Carlo que avaliam a qualidade da estimação de parâmetros e a capacidade de detecção das estruturas de árvore do modelo. Ele foi utilizado como ferramenta para realizar as análises presentes na dissertação, e permitiu que se testassem diferentes conFigurações de métodos e parametrizações com facilidade. / [en] In time series analysis, linear models that have been broadly used, such as linear regressions and auto-regressive models, are not able to capture the some times non linear nature of some data, offering poor estimation results. Financial series, for instance, show that kind of behavior. Over the last years, a great number of non linear models have been developed in order to analyze time series, some of them statistical, others based on computational intelligence techniques such as neural networks. The purpose of this dissertation is to analyze the performance of the STAR-Tree model under distinct scenarios that differ in model specification, parameterization and estimation methodologies. This class of models splits time series data into individual regions which fulfill the criteria set up by functions called pertinences. A linear model then is selected for each one of those regions. Each estimated data point can belong to one of the mentioned regions with some degree of pertinence, supplied by the above mentioned pertinence functions. Aspects like the proximity between regions, the smoothness of the pertinence functions and the lack of diversity in real data can significantly affect the estimation of models. In order to evaluate the quality of the estimations under the different proposed scenarios, a software was developed with the capabilities of generating artificial time series, importing external series, estimating them under the STAR-Tree model, and generating Monte Carlo simulations that evaluate the quality of parameter estimation and the tree structure detection capability of the model. The software was used as the single tool to generate this dissertation’s analyses, and allowed that different model specifications and methods could be tested without difficulty.

[pt] Esta dissertação investiga um sistema baseado em algoritmos genéticos e algoritmos culturais, aplicado ao processo de desenvolvimento de um campo de petróleo. O desenvolvimento de um campo de petróleo consiste, neste caso, da disposição de poços num reservatório petrolífero, já conhecido e delimitado, que permita maximizar o Valor Presente Líquido. Uma disposição de poços define a quantidade e posição de poços produtores e injetores e do tipo de poço (horizontalou vertical) a serem empregados no processo de exploração. O objetivo do trabalho é avaliar o desempenho de Algoritmos Genéticos e Algoritmos Culturais como métodos de apoio à decisão na otimização de alternativas de produção em reservatórios petrolíferos. Determinar a localização de novos poços de petróleo em um reservatório é um problema complexo que depende de propriedades do reservatório e critérios econômicos, entre outros fatores. Para que um processo de otimização possa ser aplicado nesse problema, é necessário definir uma função objetivo a ser minimizada ou maximizada pelo processo. No problema em questão, a função objetivo a ser maximizada é o Valor Presente Líquido (VPL). Para se estabelecer o VPL, subtrai-se os gastos com a exploração do valor correspondente ao volume de petróleo estimado da reserva. Devido à complexidade do perfil de produção de petróleo, exige-se a utilização de simuladores de reservatório para esta estimativa. Deste modo, um simulador de reservatórios é parte integrante da função de avaliação. O trabalho de pesquisa foi desenvolvido em quatro etapas: um estudo sobre a área de exploração de petróleo; um estudo dos modelos da inteligência computacional empregados nesta área; a definição e implementação de um modelo genético e cultural para o desenvolvimento de campo petrolífero e o estudo de caso. O estudo sobre a área de exploração de campo de petróleo envolveu a teoria necessária para a construção da função objetivo. No estudo sobre as técnicas de inteligência computacional definiu-se os conceitos principais sobre Algoritmo Genético e Algoritmo Cultural empregados nesta dissertação. A modelagem de um Algoritmo Genético e Cultural constitui no emprego dos mesmos, para que dado um reservatório petrolífero, o sistema tenha condições de reconhecê-lo e desenvolvê-lo, ou seja, encontrar a configuração (quantidade, localização e tipo de poços) que atinja um maior Valor Presente Líquido. Os resultados obtidos neste trabalho indicam a viabilidade da utilização de Algoritmos Genéticos e Algoritmos Culturais no desenvolvimento de campos de petróleo. / [en] This dissertation investigates a system based in genetic algorithms and cultural algorithms, applied to the development process of a petroleum field. The development of a petroleum field consists in the placement of wells in an already known and delimited petroleum reservoir, which allows maximizing the Net Present Value. A placement of wells defines the quantity and position of the producing wells, the injecting wells, and the wells type (horizontal or vertical) to be used in the exploration process. The objective of this work is to evaluate the performance of Genetic Algorithms and Cultural Algorithms as decision support methods on the optimization of production alternatives in petroleum reservoirs. Determining the new petroleum wells location in a reservoir is a complex problem that depends on the properties of the reservoir and on economic criteria, among other factors. In order to an optimization process to be applied to this problem, it s necessary to define a target function to be minimized or maximized by the process. In the given problem, the target function to be maximized is the Net Present Value (NPV). In order to establish the NPV, the exploration cost correspondent to the estimated reservoir petroleum volume is deducted. The complexity of the petroleum s production profile implies on the use of reservoirs simulators for this estimation. In this way, a reservoir simulator is an integrant part of the evaluation function. The research work was developed in four phases: a study about the petroleum exploration field; a study about the applied computational intelligence models in this area; the definition and implementation of a genetic and cultural model for the development of petroliferous fields and the case study. The study about the petroleum exploration field involved all the necessary theory for the building of the target function. In the study about the computational intelligence techniques, the main concepts about the Genetic Algorithms and Cultural Algorithms applied in this dissertation were defined. The modeling of Genetic and Cultural Algorithms consisted in applying them so that, given a petroleum reservoir, the system is capable of evolve and find configurations (quantity, location and wells type) that achieve greater Net Present Values. The results obtained in this work, indicate that the use of Genetic Algorithms and Cultural Algorithms in the development of petroleum fields is a promising alternative.

[pt] Em muitas aplicações reais de processamento de sinais, as observações do fenômeno em estudo chegam seqüencialmente no tempo. Consequentemente, a tarefa de análise destes dados envolve estimar quantidades desconhecidas em cada observação concebida do fenômeno. Na maioria destas aplicações, entretanto, algum conhecimento prévio sobre o fenômeno a ser modelado está disponível. Este conhecimento prévio permite formular modelos Bayesianos, isto é, uma distribuição a priori sobre as quantidades desconhecidas e uma função de verossimilhança relacionando estas quantidades com as observações do fenômeno. Dentro desta configuração, a inferência Bayesiana das quantidades desconhecidas é baseada na distribuição a posteriori, que é obtida através do teorema de Bayes. Infelizmente, nem sempre é possível obter uma solução analítica exata para esta distribuição a posteriori. Graças ao advento de um formidável poder computacional a baixo custo, em conjunto com os recentes desenvolvimentos na área de simulações estocásticas, este problema tem sido superado, uma vez que esta distribuição a posteriori pode ser aproximada numericamente através de uma distribuição discreta, formada por um conjunto de amostras. Neste contexto, este trabalho aborda o campo de simulações estocásticas sob a ótica da genética Mendeliana e do princípio evolucionário da sobrevivência dos mais aptos. Neste enfoque, o conjunto de amostras que aproxima a distribuição a posteriori pode ser visto como uma população de indivíduos que tentam sobreviver num ambiente Darwiniano, sendo o indivíduo mais forte, aquele que possui maior probabilidade. Com base nesta analogia, introduziu-se na área de simulações estocásticas (a) novas definições de núcleos de transição inspirados nos operadores genéticos de cruzamento e mutação e (b) novas definições para a probabilidade de aceitação, inspirados no esquema de seleção, presente nos Algoritmos Genéticos. Como contribuição deste trabalho está o estabelecimento de uma equivalência entre o teorema de Bayes e o princípio evolucionário, permitindo, assim, o desenvolvimento de um novo mecanismo de busca da solução ótima das quantidades desconhecidas, denominado de inferência evolucionária. Destacamse também: (a) o desenvolvimento do Filtro de Partículas Genéticas, que é um algoritmo de aprendizado online e (b) o Filtro Evolutivo, que é um algoritmo de aprendizado batch. Além disso, mostra-se que o Filtro Evolutivo, é em essência um Algoritmo Genético pois, além da sua capacidade de convergência a distribuições de probabilidade, o Filtro Evolutivo converge também a sua moda global. Em conseqüência, a fundamentação teórica do Filtro Evolutivo demonstra, analiticamente, a convergência dos Algoritmos Genéticos em espaços contínuos. Com base na análise teórica de convergência dos algoritmos de aprendizado baseados na inferência evolucionária e nos resultados dos experimentos numéricos, comprova-se que esta abordagem se aplica a problemas reais de processamento de sinais, uma vez que permite analisar sinais complexos caracterizados por comportamentos não-lineares, não- gaussianos e nãoestacionários. / [en] In many real-world signal processing applications, the phenomenon s observations arrive sequentially in time; consequently, the signal data analysis task involves estimating unknown quantities for each phenomenon observation. However, in most of these applications, prior knowledge about the phenomenon being modeled is available. This prior knowledge allows us to formulate a Bayesian model, which is a prior distribution for the unknown quantities and the likelihood functions relating these quantities to the observations. Within these settings, the Bayesian inference on the unknown quantities is based on the posterior distributions obtained from the Bayes theorem. Unfortunately, it is not always possible to obtain a closed-form analytical solution for this posterior distribution. By the advent of a cheap and formidable computational power, in conjunction with some recent developments in stochastic simulations, this problem has been overcome, since this posterior distribution can be obtained by numerical approximation. Within this context, this work studies the stochastic simulation field from the Mendelian genetic view, as well as the evolutionary principle of the survival of the fittest perspective. In this approach, the set of samples that approximate the posteriori distribution can be seen as a population of individuals which are trying to survival in a Darwinian environment, where the strongest individual is the one with the highest probability. Based in this analogy, we introduce into the stochastic simulation field: (a) new definitions for the transition kernel, inspired in the genetic operators of crossover and mutation and (b) new definitions for the acceptation probability, inspired in the selection scheme used in the Genetic Algorithms. The contribution of this work is the establishment of a relation between the Bayes theorem and the evolutionary principle, allowing the development of a new optimal solution search engine for the unknown quantities, called evolutionary inference. Other contributions: (a) the development of the Genetic Particle Filter, which is an evolutionary online learning algorithm and (b) the Evolution Filter, which is an evolutionary batch learning algorithm. Moreover, we show that the Evolution Filter is a Genetic algorithm, since, besides its capacity of convergence to probability distributions, it also converges to its global modal distribution. As a consequence, the theoretical foundation of the Evolution Filter demonstrates the convergence of Genetic Algorithms in continuous search space. Through the theoretical convergence analysis of the learning algorithms based on the evolutionary inference, as well as the numerical experiments results, we verify that this approach can be applied to real problems of signal processing, since it allows us to analyze complex signals characterized by non-linear, nongaussian and non-stationary behaviors.

[pt] A Nanotecnologia teve seus primeiros conceitos introduzidos pelo físico americano Richard Feynman em 1959, em sua famosa palestra intitulada There´s plenty of room at the bottom (Ainda há muito espaço sobrando no fundo). Já a Inteligência Computacional tem sido utilizada com sucesso em diversas áreas no meio acadêmico e industrial. Este trabalho investiga o potencial dos Algoritmos Genéticos na otimização e síntese de dispositivos e estruturas na área de Nanotecnologia, através de 3 tipos de aplicações distintas: síntese de circuitos eletrônicos moleculares, projeto de novos polímeros condutores e otimização de parâmetros de OLEDs (Organic Light-Emitting Diodes). A síntese de circuitos eletrônicos moleculares é desenvolvida com base em Hardware Evolucionário (EHW - Evolvable Hardware) e tem como principais elementos dois dispositivos moleculares simulados em SPICE: o diodo molecular e o transistor molecular. O projeto de novos polímeros condutores é baseado em uma metodologia que combina uma aproximação tight-binding (hamiltoniano de Hückel simplificado) que representa a estrutura eletrônica de uma cadeia polimérica, empregando um AG com avaliação distribuída como mecanismo de síntese. Finalmente, a otimização de parâmetros de OLEDs é desenvolvida por meio de um método que modela o comportamento elétrico do dispositivo com multicamadas, onde cada camada possui uma proporção de MTE (material transportador de elétrons) e uma proporção de MTB (material transportador de buracos). As aplicações apresentam resultados que comprovam que o apoio de técnicas de Inteligência Computacional como os Algoritmos Genéticos no mundo nanométrico pode trazer benefícios para a criação e o desenvolvimento de novas tecnologias. / [en] The first Nanotechnology concepts were introduced by the American physicist Richard Feynman in 1959, in his famous lecture entitled There´s plenty of room at the bottom. Computational Intelligence has been successfully used in various areas in the academic and industrial worlds. This work investigates the potential of Genetic Algorithms in the optimization and synthesis of devices and structures in the Nanotechnology domain, by means of 3 types of distinct applications: synthesis of molecular electronic circuits, design of new conducting polymers and optimization of OLEDs (Organic Light-Emitting Diodes) parameters. The synthesis of molecular electronic circuits is developed based on the Evolvable Hardware (EHW) paradigm and has as main elements two molecular devices simulated in SPICE: the molecular diode and the molecular transistor. The design of new conducting polymers is based on a methodology that combines an approximated tight-binding (simplified Huckel Hamiltonian) that represents the electronic structure of a polymer chain, using a GA with distributed evaluation as the synthesis mechanism. Finally, the optimization of OLEDs parameters is developed by means of a method that models the electric behavior of multi-layer devices, where each layer has a ratio of electron transport material (ETM) to hole transport material (HTM). The applications present results that demonstrate that the use of Computational Intelligence techniques, as Genetic Algorithms, in the nanometer world can bring benefits for the creation and development of new technologies.

[pt] O objetivo desta dissertação é desenvolver um método de solução baseado em Algoritmos Genéticos (GAs) aliado a um Sistema Baseado em Regras para encontrar e otimizar as soluções geradas para o problema de programação da produção de Óleos Combustíveis e Asfalto na REVAP (Refinaria do Vale do Paraíba). A refinaria é uma planta multiproduto, com dois estágios de máquinas em série - um misturador e um conjunto de tanques, com restrição de recursos e operando em regime contínuo. Foram desenvolvidos neste trabalho dois modelos baseados em algoritmos genéticos que são utilizados para encontrar a seqüência e os tamanhos dos lotes de produção dos produtos finais. O primeiro modelo proposto utiliza uma representação direta da programação da produção em que o horizonte de programação é dividido em intervalos discretos de um hora. O segundo modelo proposto utiliza uma representação indireta que é decodificada para formar a programação da produção. O Sistema Baseado em Regras é utilizado na escolha dos tanques que recebem a produção e os tanques que atendem à demanda dos diversos centros consumidores existentes. Um novo operador de mutação - Mutação por Vizinhança - foi proposto para minimizar o número de trocas operacionais na produção. Uma técnica para agregação de múltiplos objetivos, baseado no Método de Minimização de Energia, também foi incorporado aos Algoritmos Genéticos. Os resultados obtidos confirmam que os Algoritmos Genéticos propostos, associados com o Método de Minimização de Energia e a Mutação por Vizinhança, são capazes de resolver o problema de programação da produção, otimizando os objetivos operacionais da refinaria. / [en] The purpose of this dissertation is to develop a method, based on Genetics Algorithms and Rule Base Systems, to optimize the production scheduling of fuel oil and asphalt area in a petroleum refinery. The refinery is a multi- product plant, with two machine stages - one mixer and a set of tanks - with no setup time and with resource constrains in continuous operation. Two genetic algorithms models were developed to establish the sequence and the lot- size of all production shares. The first model proposed has a direct representation of the production scheduling which the time interval of scheduling is shared in one hour discrete intervals. The second model proposed has a indirect representation that need to be decoded in order to make the real production scheduling. The Rule Base Systems were developed to choice the tanks that receive the production and the tanks that provide the demand of the several consumer centers. A special mutation operator - Neighborhood Mutation - was proposed to minimize the number of changes in the production. A Multi-objective Fitness Evaluation technique, based on a Energy Minimization Method, was also incorporated to the Genetic Algorithm models. The results obtained confirm that the proposed Genetic Algorithm models, associated with the Multi- objective Energy Minimization Method and the Neighborhood Mutation, are able to solve the scheduling problem, optimizing the refinery operational objectives. / [es] El objetivo de esta disertación es desarrollar un método de solución utilizando Algoritmos Genéticos (GAs) aliado a un Sistema Basado en Reglas para encontrar y optimizar las soluciones generadas para el problema de programación de la producción de Aceites Combustibles y Asfalto en la REVAP (Refinería del Valle de Paraíba). La refinería es una planta multiproducto, con dos estados de máquinas en serie - un mezclador y un conjunto de tanques, con restricción de recursos y operando en régimen contínuo. En este trabajo se desarrollaron dos modelos basados en algoritmos genéticos que son utilizados para encontrar la secuencia y los tamaños de los lotes de producción de los productos finales. El primer modelo propuesto utiliza una representación directa de la programación de la producción en la cuál el horizonte de programación se divide en intervalos discretos de un hora. El segundo modelo, utiliza una representación indirecta que es decodificada para formar la programación de la producción. EL Sistema Basado en Reglas se utiliza en la selección de los tanques que reciben la producción y los tanques que atienden a la demanda de los diversos centros consumidores. Un nuevo operador de mutación - Mutación por Vecindad - fue propuesto para minimizar el número de cambios operacionales en la producción. le fue incorporado a los Algoritmos Genéticos una técnica para la agregación de múltiples objetivos, basado en el Método de Minimización de Energía. Los resultados obtenidos confirman que los Algoritmos Genéticos propuestos, asociados al Método de Minimización de Energía y la Mutación por Vecindad, son capazes de resolver el problema de programación de la producción, optimizando los objetivos operacionales de la refinería.

[pt] Este trabalho descreve uma metodologia para modelagem de cargas elétricas, utilizando dados de tensão e corrente registrados durante distúrbios no sistema de potência. Estes modelos são utilizados na representação de subsistemas da rede elétrica em simulações computacionais que preveem o comportamento dinâmico do sistema de potência após perturbações em suas condições normais de operação.São apresentados resultados práticos da metodologia proposta, onde a carga é definida como um sistema cuja saída é a variação da potência consumida e a entrada é a variação da tensão, ambas medidas em barramentos de 69 kV da Companhia Hidroelétrica do São Francisco (CHESF), ponto de entrega de energia para concessionárias distribuidoras de energia do nordeste brasileiro. Estas distribuidoras são modeladas como cargas, supridas pelo sistema de transmissão da CHESF e todos os elementos consumidores de energia são agregados nestes modelos equivalentes, parametrizados para simular o maior número de contingências típicas medidas em cada um destes barramentos de carga.A técnica de estimação de parâmetros dos modelos de cargas é o Algoritmo Genético (AG) cujos resultados apresentaram precisão para a simulação de contingências de características bem distintas, caracterizando a abrangência alcançada no processo de identificação de sistemas.Ao final do trabalho são apresentadas curvas de desvios de potência ativa e reativa causadas por afundamentos de tensão, ambos registrados nos barramentos das subestações da CHESF. Estas curvas foram utilizadas para estimar os parâmetros dos modelos, obtidos individualmente para cada uma das subestações estudadas. / [en] This work describes a measurement-based load modeling methodology, using voltage and current data registered during power system disturbances. These load models are used on computational simulations for predicting power system stability after disturbances of system operational points. Practical results are presented of the proposed methodology, defining load as a system whose output is power deviation from its operational state and input is voltage sags, both measured at 69 kV bus bars of São Francisco Hydroelectric Company (CHESF), points of common coupling (PCC) between CHESF and local distribution utilities. Therefore, distribution utilities are seen as loads supplied by CHESF’s transmission system. All devices consuming power from the PCC are aggregated into an equivalent model, parameterized to simulate most typical contingencies measured by these 69kV load bars. Optimization technique used for load model parameter estimation is Genetic Algorithm (GA), showing his flexibility on implementation and good coverage and accuracy in the final results. At the end, it will be presented a set of active and reactive power curves during and after voltages sags, measured on CHESF’s substations. These curves were used as estimation data to parameterize load models for each substation chosen.