11 |
[en] SIMULATION AND DESIGN OF GAAS/ALGAAS QUANTUM WELL SOLAR CELLS AIDED BY GENETIC ALGORITHM / [pt] SIMULAÇÃO E PROJETO DE CÉLULAS SOLARES COM POÇOS QUÂNTICOS DE GAAS/ALGAAS AUXILIADO POR ALGORITMOS GENÉTICOSANDERSON PIRES SINGULANI 03 March 2010 (has links)
[pt] A energia é assunto estratégico para a grande maioria dos países e
indústrias no mundo. O consumo atual energético é de 138,32 TWh por ano
e é previsto um aumento de 44% até o ano de 2030 o que demonstra um
mercado em expansão. Porém, a sociedade atual exige soluções energéticas
que causem o menor impacto ambiental possível, colocando em dúvida o
uso das fontes de energia utilizadas atualmente. O uso da energia solar
é uma alternativa para auxiliar no atendimento da futura demanda de
energia. O seu principal entrave é o custo de produção de energia ser
superior as fontes de energia atuais, principalmente o petróleo. Contudo nos
últimos 10 anos foi verificado um crescimento exponencial na quantidade
de módulos fotovoltaicos instalados em todo mundo. Nesse trabalho é
realizado um estudo sobre célula solares com poços quânticos. O uso de
poços quânticos já foi apontado como ferramenta para aumentar a eficiência
de células fotovoltaicas. O objetivo é descrever uma metodologia baseada
em algoritmos genéticos para projeto e análise desse tipo de dispositivo e
estabelecer diretivas para se construir uma célula otimizada utilizando esta
tecnologia. Os resultados obtidos estão de acordo com dados experimentais,
demonstram a capacidade dos poços quânticos em aumentar a eficiência de
uma célula e fornecem uma ferramenta tecnológica que espera-se contribuir
para o desenvolvimento do país no setor energético. / [en] The energy is a strategical issue for the great majority of the countries
and industries in the world. The current world energy consumption is of
138,32 TWh per year and is foreseen an increase of 44% until the year
of 2030 which demonstrates a market in expansion. However, the society
demands energy solutions that cause as least ambient impact as possible,
putting in doubt the use of the current technologies of power plants. The
utilization of solar energy is an alternative to assist in the attendance of
the future demand of energy. Its main impediment is the superior cost of
energy production in comparison with the current power plants, mainly
the oil based ones. However in last the 10 years an exponential growth in
the amount of installed photovoltaics modules worldwide was verified. In
this work a study on solar cell with quantum wells is carried through. The
use of quantum wells already was pointed as tool to increase the efficiency
of photovoltaics cells. The objective is to describe a methodology based
on genetic algorithms for project and analysis of this type of device and
to establish directive to construct an optimized cell using this technology.
The results are in accordance with experimental data, that demonstrates
the capacity of the quantum wells in increasing the efficiency of a cell and
supply a technological tool that expects to contribute for the development
of the country in the energy sector.
|
12 |
[en] MOORING PATTERN OPTIMIZATION USING GENETIC ALGORITHMS / [pt] OTIMIZAÇÃO DA DISPOSIÇÃO DE LINHAS DE ANCORAGEM UTILIZANDO ALGORITMOS GENÉTICOSALONSO JOAQUIN JUVINAO CARBONO 03 May 2006 (has links)
[pt] Com o crescimento da demanda de óleo, as empresas de
petróleo têm
sido forçadas a explorar novas reservas em águas cada vez
mais profundas. Em
função do alto custo das operações de exploração de
petróleo, torna-se
necessário o desenvolvimento de tecnologias capazes de
aumentar a eficiência
e reduzir os custos envolvidos. Neste contexto, a
utilização de unidades
flutuantes torna-se cada vez mais freqüente em águas
profundas. O
posicionamento das unidades flutuantes durante as
operações de exploração de
óleo é garantido pelas linhas de ancoragem, que são
estruturas flexíveis
compostas, geralmente, por trechos de aço, amarras e/ou
cabos sintéticos. O
presente trabalho apresenta o desenvolvimento de um
Algoritmo Genético (AG)
para solucionar o problema da disposição das linhas de
ancoragem de unidades
flutuantes utilizadas nas operações de exploração de
petróleo. A distribuição das
linhas de ancoragem é um dos fatores que influencia
diretamente nos
deslocamentos (offsets) sofridos pelas unidades flutuantes
quando submetidas
às ações ambientais, como ventos, ondas e correntes. Desta
forma, o AG busca
uma disposição ótima das linhas de ancoragem cujo objetivo
final é a
minimização dos deslocamentos da unidade flutuante. Os
operadores básicos
utilizados por este algoritmo são mutação, crossover e
seleção. Neste trabalho,
foi adotada a técnica steady-state, que só efetua a
substituição de um ou dois
indivíduos por geração. O cálculo da posição de equilíbrio
estático da unidade
flutuante é feito aplicando-se a equação da catenária para
cada linha de
ancoragem com o objetivo de se obterem as forças de
restauração na unidade, e
empregando-se um processo iterativo para calcular a sua
posição final de
equilíbrio. / [en] With the increasing demand for oil, oil companies have
been forced to
exploit new fields in deep waters. Due to the high cost of
oil exploitation
operations, the development of technologies capable of
increasing efficiency and
reducing costs is crucial. In this context, the use of
floating units in deep waters
has become more frequent. The positioning of the floating
units during oil
exploitation operations is done using mooring lines, which
are flexible structures
usually made of steel wire, steel chain and/or synthetic
cables. This work
presents the development of a Genetic Algorithm (GA)
procedure to solve the
problem of the mooring pattern of floating units used in
oil exploitation operations.
The distribution of mooring lines is one of the factors
that directly influence the
displacements (offsets) suffered by floating units when
subjected to
environmental conditions such as winds, waves and
currents. Thus, the GA
seeks an optimum distribution of the mooring lines whose
final goal is to minimize
the units´ displacements. The basic operators used in this
algorithm are mutation,
crossover and selection. In the present work, the steady-
state GA has been
implemented, which performs the substitution of only one
or two individuals per
generation. The computation of the floating unit´s static
equilibrium position is
accomplished by applying the catenary equilibrium equation
to each mooring line
in order to obtain the out-of-balance forces on the unit,
and by using an iterative
process to compute the final unit equilibrium position.
|
13 |
[en] MULTILATERAL WELLS DESIGN IN OIL RESERVOIR THROUGH GENETIC ALGORITHMS OPTIMIZATION / [pt] PROJETO DE POÇOS MULTILATERAIS EM RESERVATÓRIOS DE PETRÓLEO OTIMIZADOS POR ALGORITMOS GENÉTICOSBRUNO MESSER 18 December 2009 (has links)
[pt] Um dos fatores mais importantes para recuperação de óleo de reservatórios
petrolíferos é a configuração dos poços. Atualmente, na indústria, esse processo é
feito de forma manual onde um especialista gera algumas poucas opções de
configurações e utiliza a de melhor resultado. Este trabalho se propõe a investigar
um sistema de apoio à decisão para otimizar a configuração dos poços utilizando
Algoritmos Genéticos e o simulador de reservatórios IMEX. Os parâmetros
otimizados são: o número de poços produtores e injetores, a posição, a inclinação,
a direção e o comprimento de cada poço, o número de laterais de cada poço e o
ponto da junta, a inclinação relativa ao poço, a direção e o comprimento de cada
lateral. Na busca pela configuração ótima dos poços, o objetivo da otimização é
minimizar o investimento inicial, minimizar a produção de água e maximizar a
produção de óleo buscando maximizar o VPL do empreendimento. A otimização
é conduzida respeitando as restrições de projeto, dadas por um engenheiro, e
restrições de simulação, dadas pelo próprio modelo de reservatório. O modelo
proposto foi avaliado utilizando-se sete reservatórios. Cinco destes são sintéticos
cujas configurações ótimas são conhecidas, um semi-sintético e um reservatório
real. Foram conduzidos testes de convergência onde o modelo se mostrou capaz
de localizar e otimizar as zonas produtoras, chegando à alternativa ótima até 80%
das vezes. Nos últimos dois reservatórios os resultados indicam que o sistema
consegue encontrar configurações de poços com altos valores de VPL, superiores
a soluções propostas por especialistas e por outros sistemas de otimização, com
ganhos de VPL de até 37% sobre a alternativa proposta por um especialista para o
reservatório real. / [en] One of the most important factors for recovering oil from oil reservoirs is
the wells configuration. Now a days, on the industry, this process is conduced
manually, where a specialist generates a few configuration options and uses the
best one with best results. This work proposes to investigate a decision support
system to optimize the wells’ configuration using Genetic Algorithms and the
reservoir simulator IMEX. The optimized parameters include: the number of
producers and injectors wells, the position, the inclination, the direction and the
length of each well, the number of laterals for each well and the junction point,
the inclination relative to the well and the length of each lateral. On the search of
the optimal configuration of wells, the objective of the optimization is to
minimize the initial investment, minimize the water production and maximize the
oil production towards the maximization of the venture`s NPV. The optimization
is conduced respecting the project`s restrictions, stated by an engineer, and the
simulation`s restrictions, imposed by the reservoir model. The optimization model
proposed was evaluated using seven reservoirs. Five of them are synthetic which
the optimum well`s configuration are known, one semi-synthetic and one real
reservoir. Convergence tests were conducted where the model confirmed to be
able to locate and optimize the production zones, achieving the optimum
alternative 80% of the times. On the last two reservoirs the results indicate that the
system was able to achieve well configurations with high values of NPV,
superiors from solutions given by specialists and by other optimization systems,
with NPV´s increase reaching 37% over the specialist`s purposed alternative for
the real reservoir case.
|
14 |
[en] SCHEDULE OPTIMIZATION WITH PRECEDENCE CONSTRAINTS USING GENETIC ALGORITHMS AND COOPERATIVE CO-EVOLUTION / [pt] OTIMIZAÇÃO DE PLANEJAMENTOS COM RESTRIÇÃO DE PRECEDÊNCIA USANDO ALGORITMOS GENÉTICOS E CO-EVOLUÇÃO COOPERATIVAANDRE VARGAS ABS DA CRUZ 17 July 2003 (has links)
[pt] Esta dissertação investiga o uso de Algoritmos Genéticos e
de Co-Evolução Cooperativa na otimização de problemas de
planejamento com restrições de precedência. Neste tipo de
problema algumas ou todas as tarefas têm restrições que
implicam na necessidade de planejá-las ou executá-las antes
ou depois de outras. Por esta razão, o uso de modelos
evolucionários convencionais como, por exemplo, os baseados
em ordem pode gerar soluções inválidas, não penalizáveis,
que precisam ser descartadas, comprometendo assim o
desempenho do algoritmo. O objetivo do trabalho foi,
portanto, estudar formas de representação de soluções para
este tipo de problema capazes de gerar somente soluções
válidas, bem como avaliar o desempenho dos modelos
propostos. O trabalho consistiu de 3 etapas principais: um
estudo sobre problemas de otimização de planejamento com
algoritmos genéticos; a definição de novos modelos usando
algoritmos genéticos e co-evolução cooperativa para
otimização de problemas de planejamento com restrições de
precedência e a implementação de uma ferramenta para estudo
de caso.
O estudo sobre os problemas de otimização de planejamentos
com algoritmos genéticos envolveu o levantamento de
representações, dificuldades e características deste tipo
de problema e, mais especificamente, de representações
baseadas em ordem.
A modelagem do algoritmo genético consistiu
fundamentalmente na definição de uma representação dos
cromossomas e da função da avaliação que levasse em conta a
existência de restrições de precedência (tarefas que devem
ser planejadas/executadas antes de outras).
A construção do modelo co-evolucionário por sua vez
consistiu em definir uma nova população, com uma outra
representação, que se responsabilizasse pela distribuição
dos recursos para execução das tarefas, responsabilidade
esta que, no modelo com algoritmos genéticos convencionais,
era tratada de forma simples por um conjunto de heurísticas.
Finalmente, desenvolveu-se uma ferramenta para implementar
estes modelos e tratar de um estudo de caso complexo que
oferecesse as características necessárias para testar a
qualidade das representações e avaliar os resultados. O
estudo de caso escolhido foi a otimização do planejamento
da descarga, armazenamento e embarque de minério de ferro
de modo a minimizar o tempo de estadia dos navios em um
porto fictício.
Foram realizados vários testes que demonstraram a
capacidade dos modelos desenvolvidos em gerar soluções
viáveis, sem a necessidade de heurísticas de correção, e os
resultados obtidos foram comparados com os de um processo
de busca aleatória. Em todos os casos, os resultados
obtidos pelos modelos foram sempre superiores aos obtidos
pela busca aleatória. No caso do modelo de representação
com uma única população obteve-se resultados até 41%
melhores do que com os obtidos por uma busca aleatória. No
caso do modelo de representação com co-evolução o resultado
ficou 33% melhor que a busca aleatória com tratamento de
solução idêntico ao da solução co-evolucionária. Os
resultados da co-evolução comparados com o algoritmo
genético com uma única espécie foram 29% melhores. / [en] This work investigates the use of Genetic Algorithms and
Cooperative Co-Evolution in optimization of scheduling
problems with precedence constraints. In this kind of
problem some or all tasks have constraints that imply
planning or executing them before or after others. For this
reason, the use of order-based conventional evolutionary
models may generate invalid solutions, which cannot
be penalized, needing to be discarded and therefore
compromising the algorithm performance. The main goal was
therefore to study models for this kind of problem that are
capable of generating only valid solutions. The work was
divided in 3 main steps: a survey on scheduling
optimization problems using genetic algorithms; definition
of two models based on genetic algorithms and cooperative
co-evolution for optimizing scheduling problems with
precedence constraints; and the implementation of a tool
for a case study.
The study on scheduling optimization problems with genetic
algorithms consisted in gathering information about
representations and characteristics of this kind of problem
and, more specifically, about order-based representations.
The genetic algorithm modeling consisted basically in
defining a chromosome representation and an evaluation
function that took into account the existence of precedence
constraints (tasks that must be scheduled or executed
before others).
The co-evolutionary model consisted in defining a new
population, with another representation scheme, which was
responsible for distributing resources for tasks execution.
On the conventional genetic algorithm model, this role was
played by a simple set of heuristics.
Finally, a tool was developed for implementing those models
and treating a complex case study which offered the needed
characteristics for testing representation performance and
evaluating results. The chosen case study was the
optimization of iron ore dumping, stocking and ship loading
on a fictitious harbor, targeting minimization of ships
waiting time.
Tests were done in order to demonstrate the ability of the
developed models in generating viable solutions without the
need of corrective heuristics and the results were compared
to the results obtained through exhaustive search. In all
cases, the models` results were better than the exhaustive
search ones. In the case where the representation used a
single population the results obtained were up to 41%
better than the ones with the exhaustive search. The co-
evolutionary results outperformed the co-evolutionary
search with the same solution representation by 33%.
Compared to the single specie genetic algorithm, the co-
evolutionary model outperformed it by 29%.
|
15 |
[en] AN ALGORITHM FOR THE GENERATION OF PARTICLE ARRANGEMENTS FOR APPLICATION WITH THE DISCRETE ELEMENT METHOD / [pt] ALGORITMO PARA GERAÇÃO DE ARRANJOS DE PARTÍCULAS PARA UTILIZAÇÃO NO MÉTODO DOS ELEMENTOS DISCRETOSANDRE LUIZ FERREIRA PINTO 19 March 2010 (has links)
[pt] O método dos elementos discretos (MED), desenvolvido na década
de 70, tem despertado, com o aumento da capacidade de processamento
e o desenvolvimento de técnicas de computação de alto desempenho, crescente
interesse de diversos pesquisadores como ferramenta de estudo de
problemas de engenharia. Um campo de estudo de grande apelo é a modelagem
de fenômenos associados a materiais granulares, dentre eles a compacta
ção de pacotes granulares - como por exemplo em pós metálicos na
indústria siderúrgica - , a produção de areia e a produção de material de sustenta
ção de fraturas estimuladas hidraulicamente na indústria do petróleo,
motivação deste trabalho. A aplicação do método requer em sua primeira
etapa a geração da configuração inicial das partículas ou o preenchimento de
domínios com as mesmas. Alguns estudos têm se voltado para o desenvolvimento
de algoritmos de geração de arranjos densos de partículas. Neste trabalho
apresenta-se um algoritmo geométrico de geração de arranjos densos
de partículas que correspondam a uma dada curva granulométrica e estejam
de acordo com outros parâmetros definidos para o pacote granular. No presente
trabalho é dada atenção especial a geração de arranjos bidimensionais
de discos para modelar o fenômeno de preenchimento de fraturas em poços
estimulados por fraturamento hidráulico. O refluxo desse material com o
bombeamento de óleo é uma das principais causas de declínio de produção
de petróleo em poços fraturados, além de causar danos ao equipamento. O
algoritmo proposto foi implementado em linguagem Java e a otimização dos
arranjos segundo a porosidade foi realizada através da aplicação de algoritmos
genéticos. Aplicações do algoritmo a alguns arranjos de partículas e ao
problema de preenchimento de fraturas são apresentados. / [en] The Discrete Element Method (DEM), developed in the 70’s, has
become more a attractive with the increasing computer processing capacity
and the development of high-performance computational techniques. This
scenario induced growing interest of many researchers as a tool to study
engineering problems. A very appealling field of study is the modeling of
phenomena associated with granular materials, including the compaction
of granular packages, such as metal powders in the steel industry, sand
production and proppant flowback in the petroleum industry, which is
motivation to this work. The application of the method in its first step
requires the generation of the particles’ initial configuration or the filling
of domains with them. Some studies have focused on the development of
algorithms to generate dense packing of particles. This work presents an
algorithm to generate random dense packing of particles that correspond
to a given granulometric curve and are consistent with other parameters
set for the granular package. In the present work special attention is
given to generation of two-dimensional packings of disks to model the
phenomenon of fractures filling in wells stimulated by hydraulic fracturing.
The proppant flowbak generated by the oil pumping is a leading cause
of production decline in fractured wells, besides causing damage to the
production equipment. The proposed algorithm was implemented in Java
language and the optimization of packings was performed according to the
porosity using genetic algorithms. Applications of the algorithm to some
packings of particles and the problem of filling of fractures are presented.
|
16 |
[en] LIVER SEGMENTATION AND VISUALIZATION FROM COMPUTER TOMOGRAPHY IMAGES / [pt] SEGMENTAÇÃO E VISUALIZAÇÃO DO FÍGADO A PARTIR DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA10 September 2009 (has links)
[pt] Esta dissertação apresenta o desenvolvimento e os resultados deste projeto
de mestrado, cujo objetivo, de caráter multidisciplinar, foi desenvolver uma
metodologia e uma ferramenta para segmentação do fígado, seus vasos e subregiões
a partir de imagens de tomografia computadorizada da região abdominal,
utilizando procedimentos de segmentação automática de imagens e visualização
tridimensional de dados. A metodologia sugerida segmenta primeiramente o
fígado, utilizando uma abordagem de modelos deformáveis implícitos, chamada
level sets, estimando os seus parâmetros através do uso de algoritmos genéticos.
Inicialmente, o contorno do fígado é manualmente definido em um tomo como
solução inicial, e então o método segmenta automaticamente o fígado em todos os
outros tomos, sequencialmente. Os vasos e nódulos do fígado são então
identificados utilizando um modelo de mistura de funções proporcionais a
gaussianas, e um método de segmentação de crescimento de regiões por histerese.
As veias hepáticas e portas são classificadas dentro do conjunto de vasos, e
utilizadas em uma modelagem matemática que finalmente divide o fígado em oito
sub-regiões de Couinaud. Esta metodologia foi testada em 20 diferentes exames e
utilizando cinco diferentes medidas de performance, e os resultados obtidos
confirmam o potencial do método. Casos com baixo desempenho são
apresentados para promover desenvolvimentos futuros. / [en] This dissertation presents the development and results of this M.Sc project,
whose multidisciplinary objective, was to develop a methodology and a tool to
segment the liver, its vessels and subregions from abdominal computed
tomography images, using procedures of automatic image segmentation and
visualization of three-dimensional data. The suggested methodology segments
initially the liver, using an approach based on implicit deformable models, called
level sets, estimating its parameters using genetic algorithms. Initially, the liver
boundary is manually set in one slice an initial solution, and then the method
automatically segments the liver in all other slices, sequentially. Then the vessels
and nodules of the liver are identified using both a model of mixture of functions
proportional to Gaussians, and a segmentation method called region growing that
uses hysteresis information. The hepatic and portal veins are classified within the
set of vessels, and used in a mathematical modeling that eventually divides the
liver into the eight subregions of Couinaud. The methodology was tested to
segment the liver using 20 different exams and five different measures of
performance, and the results obtained confirm the potential of the method. The
cases in which the method presented a poor performance are also discussed in
order to instigate further research.
|
17 |
[en] NEURAL-GENETIC HYBRID SYSTEM TO PORTFOLIO BUILDING AND MANAGEMENT / [pt] SISTEMA HÍBRIDO GENÉTICO-NEURAL PARA MONTAGEM E GERENCIAMENTO DE CARTEIRAS DE AÇÕESJUAN GUILLERMO LAZO LAZO 28 November 2005 (has links)
[pt] Esta dissertação apresenta o desenvolvimento de um sistema
híbrido, baseado em Algoritmos Genéticos (AG) e Redes
Neurais (RN), no processo de seleção de ações, na
determinação do percentual a investir em cada ativo também
denominado peso do ativo na carteira e gerenciamento de
carteiras de investimento. O objetivo do trabalho é
avaliar o desempenho de Algoritmos Genéticos e Redes
neurais para a montagem e gerenciamento de carteiras de
investimento. A construção e gerenciamento de carteiras de
investimento é um problema de múltiplos objetivos (retorno
e risco) onde deseja-se escolher um conjunto de ações de
empresas com perspectivas de lucro para formar a carteira
de investimento. Esta escolha é difícil devido ao grande
número de possibilidades e parâmetros a serem
considerados, como: retorno, risco, correlação,
volatilidade, entre outros; razão pela que é considerado
como problema do tipo NP-completo.
O trabalho de pesquisa foi desenvolvido em 5 etapas
principais: um estudo sobre a área de carteiras de
investimento; um estudo sobre os modelos com técnicas de
inteligência computacional empregados nesta área; a
definição de um modelo híbrido Genético-Neural para a
seleção e gerenciamento da carteira para o caso
estacionário; a definição de um modelo híbrido Genético-
Neural para a seleção e gerencia de carteira para o caso
variante no tempo; e o estudo de casos.
O estudo sobre a área de carteiras de investimento
envolveu toda a teoria necessária para a construção e
gerenciamento de carteiras de investimento.
O estudo sobre as técnicas de inteligência computacional,
define-se os conceitos principais de Algoritmos Genéticos
e Redes Neurais empregados nesta dissertação.
A modelagem híbrida Genético-Neural para o caso clássico
ou estacionário, constituiu fundamentalmente mo emprego de
um Algoritmo Genético para selecionar os ativos da
carteira a partir de um subconjunto de ativos noticiados
na Bolsa de Valores de São Paulo - Brasil (BOVESPA). Uma
Rede Neural auxilia na gerência da carteira, fazendo
previsões dos retornos dos ativos para o próximo período
de avaliação da carteira.
Na seleção de ativos, dois algoritmos genéticos são
modelados: o primeiro procura escolher 12 dentre 137
ativos negociados na BOVESPA, que apresentem maior
expectativa de retorno, com menor risco e que apresentem
baixa correlação com os demais ativos; e o segundo procura
escolher os ativos empregando o modelo de Makowitz e o
critério de Fronteira eficiente.
A previsão de retornos da as ações é uma estratégia que
visa melhorar o desempenho de carteiras de investimento
que, tipicamente, consideram apenas o retorno médio do
ativo. Diferentes modelos de redes neurais foram testados,
como: Backpropagation, Redes Neurais Bayesianas, Sistema
Neuro-Fuzzy Hierárquico e Redes Neurais com Filtros de
Kalman; os melhores resultados de previsão foram obtidos
com redes neurais com Filtros de Kalman. Para o caso
estacionário foram usadas como entradas da rede neural os
retornos semanais, tanto do ativo como do índice do
mercado, empregando-se o método de janela deslizante para
a previsão um passo a frente.
A modelagem híbrida Genético-Neural para o caso variante
no tempo, constituiu no emprego de 3 modelos: um AG para
fazer a escolha dos ativos da carteira; o modelo GARCH
para fazer as previsões da volatilidade dos ativos e o
cálculo do risco de cada um deles dado pelo VAR (medida de
risco que tenta quantificar a perda máxima que uma
carteira (ou ativo) pode ter em um horizonte de tempo e
com um intervalo de confiança); e uma RN para fazer as
previsões dos retornos dos ativos para o próximo período
de avaliação de carteira.
Na montagem da carteira, empregou-se o Critério de
Fronteira eficiente para a seleção dos ativos, também
dentre os 137 negociados na BOVESPA.
A previsão da volatilidade das ações é uma forma de
indicar quanto pode variar o preço da ação, medida útil
para determinar o risco de um ativo representado pelo VAR. / [en] This dissertation presents the development of a hybrid
system, based in Algorithms Genetics (AG) and Neural
Networks (RN), for the selection of stocks, for the
determination of the percentage to invest in each asset
called weight of the stocks on the portfolio and investmet
portfolio management. The objective multiples (return and
risk) where desired to choose a set of actions of
compaines with profit perspectives to form the investment
portfolio. This choice difficult must to the great number
of possiblities and parameters be considered, as: return,
risk, correlation volatility, among others; reason by
which it is considered as problem NP-Complete.
The research work was developed in 5 main stages: a study
on the investment portfolio area; a study on the models
that use techniques of computacinal intelligence in this
area; the dffinition of a hybrid model Genetic-Neural for
the selection and manages of portfolio for the variant
case in the time; and the study of cases.
The study of the investment portfolio area it involved all
the necessary theory for the construction and investment
portfolio management.
The study the techniques of computacional intelligence it
defines the main concepts of Genetic Algorithms and Neural
Networks used in this dissertation.
The hybrid modeling Genetic-Neural for the classic or
stationary case, consisted basically in the use of a
Genetic Algorithm to select the stocks of the portfolio
from a subgroup of assets negotiated in the Stock exchange
of São Paulo - Brazil (BOVESPA). A Neural Network assists
in the management of the portfolio, making forecasts of
the returns of the assets for the next period to
evaluation of the portfolio.
In the asset seletion, two genetic algorithm are shaped:
the first selects 12 amongst 137 assets negotiated in the
São Paulo Stock Exchange, that present greater return
expectation, with lesser risk and that they present low
correlation with the others assets; and the second selects
the assets using the model of Markowitz and the Criterion
of Efficient Frontier.
The forecast of returns of the stocks is a strategy that
it aims at to improve the investment portfolio
performance, typically, they consider only the average
return of the asset. Diferent models of neural networks
had been tested as: Neural Back Propagation, Networks
Bayesianas, Hierarchic Neuro-Fuzzy System and Neural
Networks with Filters of Kalman. The best ones resulted of
forecast had been gotten with the neural network the
weekly returns, as Filters of Kalman. For the stationary
case they had been used as entred of the neural network
the weekly returns, as much of the asset as of the index
of the market, using itself the method of sliding window
to make the forecast a step the front.
The hybrid modeling Genetic-Neural for the variant case in
the time, consisted of the use of 3 models: a AG to make
the choice of the assets of the portfolio; model GARCH to
make the forecasts of the volatility of the assets and the
calculation of the risk of each asset is given by the VAR
(measured of risk that tries to quantify the maximum loss
that portfolio (or asset) can have in a horizon of time
and with a confidence interval); e a RN to make the
forecasts of the returns of the assets for the next period
to evaluation of the portfolio.
In the construction of the portfolio, the Criterion of
Efficient Frontier for the selection of the assets was
used, also amongst the 137 negotiated in the São Paulo
Stock Exchange.
The forecast of the volatility of the assets is a form to
indicate how much it can vary the price of the assets,
measured useful to determine the risk of an asset
represented for the VAR. For this case job model GARCH to
make this forecast.
For the forecast of the returns os the assets they had
been used as inputs of the Neural Networks Back
Propagation the 10 last weekly returns of the assets and
the volatily of the asset, using itself also the method of
sliding win
|
18 |
[en] GENETIC-NEURAL MODEL FOR PORTFOLIO OPTIMIZATION WITH FINANCIAL OPTIONS IN THE BRAZILIAN MARKET / [pt] MODELO GENÉTICO-NEURAL PARA OTIMIZAÇÃO DE CARTEIRAS COM OPÇÕES FINANCEIRAS NO MERCADO BRASILEIROMICHEL CARDONSKY CASPARY 18 July 2012 (has links)
[pt] A presente dissertação tem por objetivo desenvolver um modelo inteligente
que permita, por uma análise quantitativa e probabilística, gerar uma carteira
otimizada composta de um ativo financeiro e opções sobre este ativo. Procurou-se
estudar inicialmente as características da distribuição de retornos e da volatilidade
das ações mais líquidas da Bolsa de Valores de São Paulo, no período de Jan/2005
a Jul/2010, através de regressões polinomiais univariadas e bivariadas. Observouse
características como a de reversão a média da volatilidade, correlação da
volatilidade futura com um período histórico mais longo e outro mais curto e uma
relação possivelmente quadrática entre a volatilidade histórica e a volatilidade
futura. Desenvolveu-se então, satisfatoriamente, uma rede neural para prever a
volatilidade futura das ações, por este ser o fator mais crítico para se determinar o
preço de uma opção. Utilizando-se da precificação das opções, avaliou-se o
desempenho de algoritmos genéticos na otimização de carteiras estruturadas com
esses derivativos, com três funções de avaliação diferentes, a fim de aumentar o
potencial retorno de um investimento, minimizando seus riscos. O sistema
evolucionário implementado demonstrou ser satisfatório quando comparado a
carteira otimizada com diversas outras estratégias comuns de mercado,
demonstrando ser uma alternativa de apoio a decisão para investidores e gestores
de carteiras. / [en] This dissertation develops an intelligent, quantitative and probabilistic
model to determine an optimal composition of a portfolio consisting of a financial
asset and options over this asset. Initially we studied the characteristics of the
historical distribution of returns and volatility of the most liquid stocks from the
BOVESPA Stock Exchange, from January 2005 to July 2010, through a
univariate and a bivariate polynomial regression. Characteristics such as mean
reversion of volatility, strong correlation of historical and future volatility and a
quadratic polynomial relationship between them were observed. A neural network
was then developed to predict the future volatility of these stocks, since that is the
most critical variable in determining an option´s price. Using the option pricing,
we evaluated the performance of genetic algorithms in optimizing portfolios,
structured with these derivatives, with three different evaluation functions in order
to increase the potential return of investments while minimizing downside risks.
The developed evolutionary system showed satisfactory results when the optimal
portfolio was compared with several other market option strategies, demonstrating
to be a relevant decision support system for investors and portfolio managers.
|
19 |
[en] QUANTUM-INSPIRED EVOLUTIONARY ALGORITHMS FOR PROBLEMS BASED ON NUMERICAL REPRESENTATION / [pt] ALGORITMOS EVOLUTIVOS COM INSPIRAÇÃO QUÂNTICA PARA PROBLEMAS COM REPRESENTAÇÃO NUMÉRICAANDRE VARGAS ABS DA CRUZ 25 September 2007 (has links)
[pt] Desde que foram propostos como método de otimização, os
algoritmos
evolutivos têm sido usados com sucesso para resolver
problemas complexos
nas mais diversas áreas como, por exemplo, o projeto
automático de circuitos
e equipamentos, planejamento de tarefas, engenharia de
software e mineração
de dados, entre tantos outros. Este sucesso se deve, entre
outras coisas, ao fato
desta classe de algoritmos não necessitar de formulações
matemáticas rigorosas
a respeito do problema que se deseja otimizar, além de
oferecer um alto grau
de paralelismo no processo de busca. No entanto, alguns
problemas são computacionalmente
custosos no que diz respeito à avaliação das soluções
durante o
processo de busca, tornando a otimização por algoritmos
evolutivos um processo
lento para situações onde se deseja uma resposta rápida do
algoritmo (como por
exemplo, problemas de otimização online). Diversas
maneiras de se contornar
este problema, através da aceleração da convergência para
boas soluções, foram
propostas, entre as quais destacam-se os Algoritmos
Culturais e os Algoritmos
Co-Evolutivos. No entanto, estes algoritmos ainda têm a
necessidade de avaliar
muitas soluções a cada etapa do processo de otimização. Em
problemas onde
esta avaliação é computacionalmente custosa, a otimização
pode levar um tempo
proibitivo para alcançar soluções ótimas. Este trabalho
propõe um novo algoritmo
evolutivo para problemas de otimização numérica (Algoritmo
Evolutivo
com Inspiração Quântica usando Representação Real - AEIQ-
R), inspirado no
conceito de múltiplos universos da física quântica, que
permite realizar o processo
de otimização com um menor número de avaliações de
soluções. O trabalho
apresenta a modelagem deste algoritmo para a solução de
problemas benchmark
de otimização numérica, assim como no treinamento de redes
neurais
recorrentes em problemas de aprendizado supervisionado de
séries temporais e
em aprendizado por reforço em tarefas de controle. Os
resultados obtidos demonstram
a eficiência desse algoritmo na solução destes tipos de
problemas. / [en] Since they were proposed as an optimization method, the
evolutionary algorithms
have been successfully used for solving complex problems
in several
areas such as, for example, the automatic design of
electronic circuits and equipments,
task planning and scheduling, software engineering and
data mining,
among many others. This success is due, among many other
things, to the fact
that this class of algorithms does not need rigorous
mathematical formulations
regarding the problem to be optimized, and also because it
offers a high degree of
parallelism in the search process. However, some problems
are computationally
intensive when it concerns the evaluation of solutions
during the search process,
making the optimization by evolutionary algorithms a slow
process for situations
where a quick response from the algorithm is desired (for
instance, in online optimization
problems). Several ways to overcome this problem, by
speeding up
convergence time, were proposed, including Cultural
Algorithms and Coevolutionary
Algorithms. However, these algorithms still have the need
to evaluate
many solutions on each step of the optimization process.
In problems where
this evaluation is computationally expensive, the
optimization might take a prohibitive
time to reach optimal solutions. This work proposes a new
evolutionary
algorithm for numerical optimization problems (Quantum-
Inspired Evolutionary
Algorithm for Problems based on Numerical Representation -
QIEA-R),
inspired in the concept of quantum superposition, which
allows the optimization
process to be carried on with a smaller number of
evaluations. The work presents
the modelling for this algorithm for solving benchmark
numerical optimization
problems, and for training recurrent neural networks in
supervised learning and
reinforcement learning. The results show the good
performance of this algorithm
in solving these kinds of problems.
|
20 |
[en] HYBRID OPTIMIZATION SYSTEM FOR THE CONTROL STRATEGIES OF INTELLIGENT WELLS UNDER UNCERTAINTIES / [pt] SISTEMA HÍBRIDO DE OTIMIZAÇÃO DE ESTRATÉGIAS DE CONTROLE DE VÁLVULAS DE POÇOS INTELIGENTES SOB INCERTEZASLUCIANA FALETTI ALMEIDA 23 November 2007 (has links)
[pt] A atividade de gerenciamento de reservatórios é uma tarefa
essencial que
visa o desafio da otimização da explotação de reservatórios
de petróleo. Como
resposta a tal desafio a indústria de óleo e gás vem
desenvolvendo novas
tecnologias, como a de poços inteligentes. Esses poços tem
objetivo de baratear
as operações de restaurações mais corriqueiras através do
controle de sua
tecnologia. Assim, este trabalho trata do desenvolvimento
de campos
inteligentes e apresenta um sistema de apoio à decisão
capaz de otimizar,
através de algoritmos evolucionários, o processo de
controle da tecnologia de
poços inteligentes considerando incertezas de falha e
geológica. Além disso, o
sistema se propõe a apoiar na tomada de decisão pelo uso ou
não de poços
inteligentes, dado um reservatório pronto para ser
explorado ou para receber
investimentos de expansão. O controle da tecnologia de
poços inteligentes (IWT
- Intelligent Wells Technology) empregado nesse estudo,
refere-se à operação
de abertura e fechamento dos dispositivos (válvulas)
existentes nesses tipos de
poços. Através da otimização com algoritmos genéticos se
busca uma
estratégia de controle pró-ativo, em outras palavras, agir
antes do efeito, onde se
busca nos tempos iniciais de produção uma configuração de
válvulas que seja
capaz de: atrasar a chegada da frente de água aos poços
produtores, antecipar
a produção de óleo ou melhorar a recuperação de óleo do
campo; em
conseqüência, uma operação que leve à maximização do valor
presente líquido
(VPL). O emprego de estratégias de controle que visam
beneficiar a
completação identifica o campo como inteligente. Outros
trabalhos abordam o
problema de otimização de controle de válvulas em poços
inteligentes, porém
eles utilizam métodos clássicos de otimização que limitam o
número de válvulas
ou ainda otimizam estratégias sem considerar os intervalos
de tempo desejados
para manutenção das válvulas. O modelo evolucionário
empregado nesse
estudo, baseado em algoritmos genéticos, consegue formular
uma estratégia de
controle para todas as válvulas presentes em uma
determinada configuração de produção, em qualquer intervalo
de tempo desejado, atendendo ao critério
econômico de maximizar o VPL. Para apoiar a tomada de
decisão, pelo uso ou
não de poços inteligentes, consideram-se incertezas de
falha e geológica. O
modelo proposto foi avaliado em três reservatórios
petrolíferos, sendo o primeiro
um reservatório sintético, e os outros dois reservatórios
mais complexos com
características mais próximas das reais. Os resultados
encontrados indicam que
o modelo proposto permite alcançar boas estratégias de
controle que levam a
um aumento do VPL. A principal contribuição deste trabalho
é a concepção e
implementação de um sistema baseado em técnicas
inteligentes capaz de apoiar
no desenvolvimento e gerenciamento de reservatórios
petrolíferos inteligentes
considerando incertezas. / [en] The reservoir management is an important task that aims at
the
optimization of oil reservoir exploitation. To support this
challenging mission, the
oil and gas industry has been developing new technologies
such as intelligent
wells. The purpose of these wells is to reduce costs of the
most common
restoring operations by control of their actuators. Thus,
this work deals with
intelligent fields development and presents a decision
support system able to
optimize, by using evolutionary algorithms, the intelligent
wells technology control
process considering geological and technical uncertainties.
In addition, the
system gives support for the decision of rather to use or
not intelligent wells,
given a reservoir ready to be explored or to receive
expansion investments. The
control of Intelligent Wells Technology (IWT), as applied
in this study, refers to
the opening and closing operations of valves in these types
of wells. An
optimization based on genetic algorithms is used to produce
a pro-active control
strategy, that is, one that anticipates the actions to be
taken in present time in
order to achieve better results in the future. Such a
strategy proposes a valve
configuration that will be able to: delay the water cut on
producer wells, advance
the oil production or benefit the oil recuperation. As a
result, the obtained
configuration leads to a maximization of the NPV (Net
Present Value). The usage
of control strategies that aim to benefit completion
identifies the oil field as
intelligent. Other works also deal with valve control
optimization problems in
intelligent wells. However, they use classical optimization
methods; these
methods limit the number of valves or optimize strategies
without considering
time. The evolutionary model, based on genetic algorithm,
applied in this study,
can formulate a control strategy for all valves in a
certain production
configuration, for any desired time interval, according to
the economical criteria of
NPV maximization. In order to support the decision making
for the use or not of
intelligent wells, technical and geological uncertainties
are considered. The
proposed model was evaluated in three oil reservoirs. The
first one is a synthetic
reservoir, simple and not real; the other two are more
complex with close to real characteristics. The results
obtained indicate that the proposed model allows
good control strategies that increase the NPV. The main
contribution of this work
is the conception and implementation of a system based on
intelligent techniques
that is able to support the development and management of
intelligent oil
reservoirs considering uncertainties.
|
Page generated in 0.0513 seconds