[pt] A robótica aplicada à reabilitação e amplificação humana está em uma fase iminente de se tornar parte de nossa vida diária. A justaposição da capacidade de controle humana e o poder mecânico desenvolvido pelas máquinas oferecem uma promissora solução para auxílio físico e de amplificação humana. O presente trabalho apresenta um exoesqueleto ativo para membros superiores controlado por uma alternativa e simples Interface Homem-Máquina (HMI) que utiliza o Modelo Muscular de Hill para aumentar a força e resistência mecânica do usuário. Músculos Pneumáticos Artificiais (PAM) são utilizados como atuadores por sua alta razão entre potência e peso e atuam o sistema através de um esquema com cabos de aço. Algoritmos Genéticos (GA) aproximam localmente os parâmetros do modelo matemático do atuador e o modelo fisiológico do músculo, que utiliza sinais eletromiográficos superficiais (sEMG) para estimar o torque na articulação do exoesqueleto. A metodologia proposta oferece três vantagens principais: (i) reduz o número de eletrodos necessários para monitorar a atividade muscular, (ii) elimina a necessidade de transdutores de força ou pressão entre o exoesqueleto e o usuário ou o ambiente e (iii) reduz o custo de processamento em tempo-real, necessário para implementações de sistemas embarcados. O exoesqueleto é restrito ao membro superior direito e a estratégia de controle é avaliada verificando o desempenho do usuário ao manipular uma carga de 3.1kg estática e dinamicamente com e sem o auxílio do equipamento assistivo. / [en] Robotics for rehabilitation and human amplification is imminent to become part of our daily life. The juxtaposition of human control capability and machine mechanical power offers a promising solution for human assistance and physical enhancement. This work presents an upper limb active exoskeleton controlled by an alternative and simple Human-Machine Interface (HMI) that uses a Hill Muscle Model for strength and endurance amplification. Pneumatic Artificial Muscles (PAM) are used as actuators for its high power-to-weight ratio and to drive the system through a cable arrangement. Genetic Algorithms (GA) approach locally optimizes the model parameters for the actuator mathematical model and the physiologic muscle model that uses the surface electromyography (sEMG) to estimate the exoskeleton joint torque. The proposed methodology offers three main advantages: (i) it reduces the number of electrodes needed to monitor the muscles, (ii) it eliminates the need for user force or pressure sensoring, and (iii) it reduces the real-time processing effort which is necessary for embedded implementation and portability. The exoskeleton is restricted to the right upper limb and the control methodology is validated evaluating the user performance while dynamically and statically handling a 3.1kg payload with and without the aid of the assistive device.

[pt] Este trabalho tem como objetivo construir um classificador baseado em regras de inferência fuzzy, as quais são extraídas a partir de máquinas de vetor suporte (SVMs) e ajustadas com o auxílio de um algoritmo genético. O classificador construído visa a diagnosticar transformadores de potência. As SVMs são sistemas de aprendizado baseados na teoria do aprendizado estatístico e apresentam boa habilidade de generalização em conjuntos de dados reais. SVMs, da mesma forma que redes neurais (RN), geram um modelo caixa preta, isto é, um modelo que não explica o processo pelo qual sua saída é obtida. Entretanto, para alguns problemas, o conhecimento sobre como a classificação foi obtida é tão importante quanto a classificação propriamente dita. Alguns métodos propostos para reduzir ou eliminar essa limitação já foram desenvolvidos, embora sejam restritos à extração de regras simbólicas, isto é, contêm funções ou intervalos nos antecedentes das regras. No entanto, a interpretabilidade de regras simbólicas ainda é reduzida. De forma a aumentar a interpretabilidade das regras, o modelo FREx_SVM foi desenvolvido. Neste modelo as regras fuzzy são extraídas a partir de SVMs treinadas. O modelo FREx_SVM pode ser aplicado a problemas de classificação com n classes, não sendo restrito a classificações binárias. Entretanto, apesar do bom desempenho do modelo FREx_SVM na extração de regras linguísticas, o desempenho de classificação do sistema de inferência fuzzy obtido é ainda inferior ao da SVM, uma vez que as partições (conjuntos fuzzy) das variáveis de entrada são definidas a priori, permanecendo fixas durante o processo de aprendizado das regras. O objetivo desta dissertação é, portanto, estender o modelo FREx_SVM, de forma a permitir o ajuste automático das funções de pertinência das variáveis de entrada através de algoritmos genéticos. Para avaliar o desempenho do modelo estendido, foram realizados estudos de caso em dois bancos de dados: Iris, como uma base benchmark, e a análise de resposta em frequência. A análise de resposta em frequência é uma técnica não invasiva e não destrutiva, pois preserva as características dos equipamentos. No entanto, o diagnóstico é feito de modo visual comparativo e requer o auxílio de um especialista. Muitas vezes, este diagnóstico é subjetivo e inconclusivo. O ajuste automático das funções de pertinência correspondentes aos conjuntos fuzzy associados às variáveis de entrada reduziu o erro de classificação em até 13,38 por cento em relação à configuração sem este ajuste. Em alguns casos, o desempenho da configuração com ajuste das funções de pertinência supera até mesmo aquele obtido pela própria SVM. / [en] This work aims to develop a classifier model based on fuzzy inference rules, which are extracted from support vector machines (SVMs) and optimized by a genetic algorithm. The classifier built aims to diagnose power transformers. The SVMs are learning systems based on statistical learning theory and have provided good generalization performance in real data sets. SVMs, as artificial neural networks (NN), generate a black box model, that is, a model that does not explain the process by which its output is obtained. However, for some applications, the knowledge about how the classification was obtained is as important as the classification itself. Some proposed methods to reduce or eliminate this limitation have already been developed, although they are restricted to the extraction of symbolic rules, i.e. contain functions or ranges in the rules´ antecedents. Nevertheless, the interpretability of symbolic rules is still reduced. In order to increase the interpretability of the rules, the FREx_SVM model was developed. In this model the fuzzy rules are extracted from trained SVMs. The FREx_SVM model can be applied to classification problems with n classes, not being restricted to binary classifications. However, despite the good performance of the FREx_SVM model in extracting linguistic rules, the classification performance of fuzzy classification system obtained is still lower than the SVM, since the partitions (fuzzy sets) of the input variables are predefined at the beginning of the process, and are fixed during the rule extraction process. The goal of this dissertation is, therefore, to extend the FREx_SVM model, so as to enable the automatic adjustment of the membership functions of the input variables through genetic algorithms. To assess the performance of the extended model, case studies were carried out in two databases: iris benchmark and frequency response analysis. The frequency response analysis is a noninvasive and non-destructive technique, because it preserves the characteristics of the equipment. However, the diagnosis is carried out by visual comparison and requires the assistance of an expert. Often, this diagnosis is subjective and inconclusive. The automatic adjustment of the membership functions associated with input variables reduced the error up to 13.38 per cent when compared to the configuration without this optimization. In some cases, the classification performance with membership functions optimization exceeds even those obtained by SVM.

[pt] O presente trabalho apresenta uma metodologia para modelagem do conhecimento multitemporal para a interpretação automática de imagens de sensores remotos. O procedimento de interpretação utilizado combina os conhecimentos multitemporal e espectral usando técnicas da lógica nebulosa. O método utiliza diagramas de transição de estado para representar as possibilidades de mudanças de classe dentro de um determinado intervalo de tempo. As possibilidades de mudança são estimadas a partir de dados históricos da mesma região usando algoritmos genéticos. O método foi validado experimentalmente usando como base um conjunto de imagens Landsat-5 da cidade do Rio de Janeiro, obtidas em 5 datas separadas por aproximadamente 4 anos. Os resultados experimentais indicaram que o uso do conhecimento multitemporal, conforme modelado pelo método proposto traz uma melhora importante de desempenho da classificação em comparação à classificação puramente espectral. / [en] The present work presents a methodology to model the multitemporal knowledge for the automatic interpretation of remotely sensed images. The used interpretation procedure combines the multitemporal and spectral knowledge using fuzzy logic techniques. This method uses state transition diagrams to represent the possibilities of class changes within a given time interval. The change possibilities are estimated based on historical data by using genetic algorithms. The method was validated by experiments using a set of Landsat-5 images of the Rio de Janeiro City, Brazil, acquired at 5 dates separated by approximately 4 years. The experimental results indicated that the use of the multitemporal knowledge as modeled by the proposed method brings an important performance improvement in comparison with the pure spectral classification.

[pt] Um dos maiores desafios da produção de petróleo offshore é garantir um escoamento regular do reservatório até a unidade de processamento da produção. Entre os fenômenos que podem dificultar esta tarefa está o estabelecimento de um escoamento em golfadas no riser de produção, caracterizado por oscilações periódicas e de grande amplitude nas vazões do sistema, que diminuem a eficiência da planta de separação, sujeitam equipamentos a esforços cíclicos e causam graves descontroles de processo. Por esta razão, foram desenvolvidas nas últimas décadas diversas soluções que visam a evitar a formação das golfadas, ou ao menos, atenuar suas consequências. Entre as soluções mais promissoras estão os controladores que evitam a formação das golfadas através da manipulação ativa da válvula choke e os controladores que amortecem as golfadas nos vasos separadores da planta de processo. Neste trabalho, estas estratégias de controle são revisitadas sob a óptica do controle inteligente, possibilitando a obtenção de resultados fora do alcance dos controladores lineares. Além de um modelo computacional que descreve um sistema de produção do poço ao vaso separador, também foram desenvolvidos neste trabalho dois controladores inteligentes. O primeiro deles é um controlador anti-golfada de arquitetura híbrida Fuzzy-PID, que é capaz de suprimir as golfadas mesmo em sistemas desprovidos de medições submarinas e com válvula choke lenta. O segundo é um controlador amortecedor de golfadas fuzzy, otimizado por um algoritmo genético, com alta capacidade de atenuação das golfadas e capaz de manter o nível dentro de uma faixa considerada segura. Ambos os controladores são testados em diversos cenários e têm seus resultados comparados aos obtidos por controladores lineares. / [en] One of the major challenges of offshore oil production is to ensure a regular flow from the reservoir to the production processing unit. Among the phenomena that may hamper this task is the establishment of slug flow in the production riser, characterized by periodic oscillations of large amplitude in the system flow rates, which reduce the efficiency of the separation plant, subject equipment to cyclical fatigue and cause serious process instabilities. For this reason, several solutions that aim at avoiding the formation of slugs or, at least, mitigating their consequences have been developed in the last decades. Among the most promising solutions are controllers that prevent the formation of slugs by actively manipulating the choke valve and controllers that dampen the slugs in the vessels of the separation plant. In this work, these control strategies are revisited from perspective of intelligent control, allowing the obtainment of results beyond the reach of linear controllers. In addition to a computational model that comprises a production system from the well to the separation vessel, two intelligent controllers were developed in this work. One of them is a hybrid Fuzzy-PID anti-slug controller that is capable of suppressing slugs even in systems without submarine measurements available and with slow choke valve. The other one is a fuzzy slug damping controller, optimized by a genetic algorithm, with high slug attenuation capacity and able to maintain the level within a specified range. Both controllers are tested in several scenarios and have their results compared to those obtained by linear controllers.

[pt] A previsão de séries temporais está presente em diversas áreas como os setores elétrico, financeiro, a economia e o industrial. Em todas essas áreas, as previsões são fundamentais para a tomada de decisões no curto, médio e longo prazo. Certamente, as técnicas estatísticas são as mais utilizadas em problemas de previsão de séries, principalmente por apresentarem um maior grau de interpretabilidade, garantido pelos modelos matemáticos gerados. No entanto, técnicas de inteligência computacional têm sido cada vez mais aplicadas em previsão de séries temporais no meio acadêmico, com destaque para as Redes Neurais Artificiais (RNA) e os Sistemas de Inferência Fuzzy (FIS). Muitos são os casos de sucesso de aplicação de RNAs, porém os sistemas desenvolvidos são do tipo caixa preta, inviabilizando uma melhor compreensão do modelo final de previsão. Já os FIS são interpretáveis, entretanto sua aplicação é comprometida pela dependência de criação de regras por especialistas e pela dificuldade em ajustar os diversos parâmetros como o número e formato de conjuntos e o tamanho da janela. Além disso, a falta de pessoas com o conhecimento necessário para o desenvolvimento e utilização de modelos baseados nessas técnicas também contribui para que estejam pouco presentes na rotina de planejamento e tomada de decisão na maioria das organizações. Este trabalho tem como objetivo desenvolver uma ferramenta computacional capaz de realizar previsões de séries temporais, baseada na teoria de Sistemas de Inferência Fuzzy, em conjunto com a otimização de parâmetros por Algoritmos Genéticos, oferecendo uma interface gráfica intuitiva e amigável. / [en] The time series forecasting is present in several areas such as electrical, financial, economy and industry. In all these areas, the forecasts are critical to decision making in the short, medium and long term. Certainly, statistical techniques are most often used in time series forecasting problems, mainly because of a greater degree of interpretability, guaranteed by the mathematical models generated. However, computational intelligence techniques have been increasingly applied in time series forecasting in academic research, with emphasis on Artificial Neural Networks (ANN) and Fuzzy Inference Systems (FIS). There are many cases of successful application of ANNs, but the systems developed are black box, not allowing a better understanding of the final prediction. On the other hand the FIS are interpretable, but its application is compromised by reliance on rule-making by experts and by the difficulty in adjusting the various parameters as the number and shape of fuzzy sets and the window size. Moreover, the lack of people with the knowledge necessary for the development and use of models based on these techniques also restricts their application in the routine planning and decision making in most organizations. This work aims to develop a computational tool able to make forecasts of time series, based on the theory of Fuzzy Inference Systems, in conjunction with the optimization of parameters by Genetic Algorithms, providing an intuitive and friendly graphical user interface.

[pt] Esta dissertação investiga e propõe um novo simulador de circuitos de Autômatos Celulares com Pontos Quânticos (QCA) e uma nova metodologia para a criação e otimização de circuitos lógicos, utilizando técnicas da inteligência computacional. Autômatos Celulares com Pontos Quânticos é uma nova tecnologia, na escala nanométrica, que tem chamado a atenção dos pesquisadores por ser uma alternativa à tecnologia CMOS, cujo limite físico de miniaturização será atingido nos próximos anos. QCA tem um grande potencial no desenvolvimento de circuitos com maior densidade espacial, maior velocidade, baixa dissipação e baixo consumo de energia. Ao contrário das tecnologias tradicionais, QCA não codifica a informação pelo fluxo de corrente elétrica, mas pela configuração das cargas elétricas no interior das células. A interação coulombiana entre as células garante o fluxo da informação. Apesar de simples, essas características fazem com que a arquitetura de circuitos de QCA se torne não trivial. Portanto, a criação de um simulador e de uma metodologia de elaboração e síntese automática de circuitos possibilitam aos cientistas uma melhor visualização de como esses dispositivos funcionam, acelerando o desenvolvimento desses sistemas na escala nanométrica. Para atingir o objetivo proposto, técnicas de inteligência computacional, tais como redes neurais do tipo Hopfield, para o desenvolvimento do simulador, e algoritmos genéticos, para a metodologia de criação e otimização dos circuitos, foram empregadas. Os resultados encontrados foram significativos, comprovando que as técnicas da inteligência computacional podem ser uma ferramenta estratégica para o rápido desenvolvimento da nanoeletrônica e da nanotecnologia em geral. / [en] This dissertation investigates and considers a new simulator of Quantum Dots Cellular Automata (QCA) Circuits and a new methodology for the synthesis and optimization of logical circuits, by means of Computational Intelligence. Quantum-dot Cellular Automata (QCA) is a new technology in the nanometric scale which has called attention from researchers as one alternative for the CMOS technology, which is reaching its physical limitation. QCA have a large potential in the development of circuits with high space density and low heat dissipation, and can allow the development of faster computers with lower power consumption. Differently from the conventional technologies, QCA do not codify information by means of electric current flow, but rather by the configuration of electrical charges in the interior of the cells. The Coulomb interaction between cells is responsible by the flow of information. Despite simple, these features become the design of logical devices into a non-trivial task. Therefore, the development of a simulator and a methodology of automatic synthesis of QCA circuits make possible to the scientist a better evaluation of how these circuits work, accelerating the development of these new systems in the nanometer scale. To reach the proposed target, Computational Intelligence techniques were used. The first results show that these techniques are capable of simulating efficiently and fast, synthesizing optimized circuits with a reduced number of cells. Such optimization reduces the possibility of failures and guarantees higher speed.

[pt] Esta dìssertação investiga o emprego e o desempenho da Inteligência Computacional em Machine Learning. De modo particular, pesquisou-se a aplicação dos mecanismos e estruturas na biologia e natureza, presentes nas técnica inteligentes (Redes Neurais, Algoritmos Genéticos e Lógica Nebulosa) na construção de algoritmos que codificam mecanismos indutivos em Machine Learning. O trabalho foi desenvolvido em 4 etapas principais: um estudo bibliográfico da área de Machine Learning e modelagem e desenvolvimento de três sistemas demonstrativos da aplicação de Inteligência Computacional em Machine Learning: Redes Neurais TD(gama) no aprendizado do jogo de Gamão, Algoritmos Genéticos na evolução do controle de um robô autônomo, e Lógica Nebulosa para controle de robôs. O estudo bibliográfico envolveu a busca, tendo como principal veículo inicial a Internet, de literatura referente às áreas de Machine Learning e de Inteligência Computacional. Foram pesquisados livros especializados da área, e também artigos técnicos envolvendo os temas abordados nesta dissertação. Este levantamento bibliográfico resultou no resumo dos principais projetos na área de Machine Learning, apresentado no capítulo 2. A modelagem de um sistema de aprendizado do jogo de gamão por Redes Neurais envolveu o estudo e implementação de um método de Reinforcement Learning denominado TD(gama), que opera através do princípio de tentativa e erro, recompensado ações que trazem um bom resultado. O jogo de Gamão foi escolhido pelo seu vastíssimo número de prováveis situações a serem encontradas durante o jogo, consequência do fator estocástico (dados) inerente ao jogo, tornando uma abordagem tradicional muito difícil e até mesmo ineficiente. A evolução do controle de robôs por Algoritmos Genéticos, é inspirada na evolução de um padrão de comportamento exemplificada no capítulo 2 pelo dilema dos prisioneiros. Através da codificação em um cromossoma das variáveis que descrevem o ambiente onde o robô está inserido, foi possível evoluir um padrão de atuação diante da situação presente a cada instante, de forma a atingir um objetivo especificado de forma ótima, ou sub-ótima. O controle de robôs por Lógica Nebulosa demonstra o potencial desta técnica para problemas de controle, codificando através de regras imprecisas que assemelham-se à forma humana de armazenar e transmitir conhecimento, o comportamento que o robô deve ter frente a cada situação encontrada em seu ambiente. Os resultados apresentados demonstram o potencial de utilização das técnicas da Inteligência Computacional, inspiradas na biologia e na natureza, na área de Machine Learning, mostrando através dos exemplos implementados a capacidade de aquisição de conhecimento por experiência, através de mecanismos indutivos, ao invés de codificar explicitamente soluções específicas para os problemas apresentados. / [en] This work investigates the application and performance of the Computational intelligence technics in the field of Machine Learning. In particular, was investigated the application of intelligent systems (Neural Networks, genetic Algorithms and fuzzy Logic) in the development of algorithms that codify inductive mechanisms in Machine Learning. This work was developed in two main steps: a research of Machine Learning bibliography, and the development of three intelligent systems: neural Networks applied to the game of backgammon, Genetic Algorithms in the evolution of an autonomous robot control system, and fuzzy Logic applied to robot control. The bibliography research involved looking for technical literature about Machine Learning and Computational Intelligence. Were used in this research books specialized in the area, and technical papers about the themes treated in this dissertation. The modeling of the backgammon learning algorithm, based on Neural Networks, was implemented using a reinforcement learning method known as TD(l), which operate by the principle of trial and error, giving a reward for actions that brings a good result. The game of backgammon was chosen because of its huge number of possible situations that can be faced during the game, due to estocastic factor (dice) attached to the game, making a traditional approach very difficult, if not even inefficient. The evolution of the autonomous robot control system using Genetic Algorithms is inspired in the evolution of a behavior pattern of behavior to deal with the faced at each moment, in order to achieve a goal in an optimal or sub-optimal way. The robot control system using Fuzzy Logic demonstrates the potential of this technic to control problems, codifying through fuzzy rules, which are similar to the human way to in its environment. The results presented demonstrate the potential of the Computational Intelligence technics, inspired in biology and nature, in the field of Machine Learning, showing through the examples implemented the knowledge acquisition capacity by experience, using inductive mechanisms instead of programming specific solutions for the problems presented

[pt] Esta dissertação investiga o uso de Algoritmos Genéticos Co-evolucionários na automatização do processo de desenvolvimento de Sistemas de Software Orientados a Objetos. A qualidade final do software depende principalmente da qualidade da modelagem desenvolvida para o mesmo. Durante a fase de modelagem, diversos modelos são desenvolvidos antecipando diversas visões do produto final, e possibilitando a avaliação do software antes mesmo que ele seja implementado. A síntese de um modelo de software pode, portanto, ser vista como um problema de otimização onde se busca uma melhor configuração entre os elementos contemplados pelo paradigma de orientação a objetos, como classes, métodos e atributos, que atenda a critérios de qualidade de design. O objetivo do trabalho foi estudar uma forma de sintetizar modelagens de maior qualidade através da evolução por Algoritmos Genéticos Co- evolucionários. Para avaliar a modelagem do software, foram investigadas métricas de qualidade de software tais como: Reutilização, Flexibilidade, Inteligibilidade, Funcionalidade, Extensibilidade e Efetividade. Essas métricas foram aplicadas na função de avaliação, que por sua vez, foi definida objetivando a síntese de uma modelagem de software orientado a objetos com uma maior qualidade. Neste problema, deseja-se contemplar mais de um objetivo ao mesmo tempo. Para isso, foi utilizada a técnica de Pareto para problemas multi- objetivos. Os resultados obtidos foram comparados com modelagens produzidas por especialistas e as suas características analisadas. O desempenho do AG no processo de otimização foi comparado com o da busca aleatória e, em todos os casos, os resultados obtidos pelo modelo foram sempre superiores. / [en] This work investigates the use of Co-evolutionary Genetic Algorithms in the automation of the development process of object-oriented software systems. The software final quality depends mainly on the design quality developed for the same. During the design phase, different models are developed anticipating various visions of the end product, thus making possible the software evaluation before it is implemented. The synthesis of a software model can, therefore, be seen as an optimization problem where it seeks a better configuration between the contemplated elements for the object-oriented paradigm, as classes, methods and attributes, which follows the quality design criteria. The work goal was to study a way to synthesize designs of better quality through its evolution by Coevolutionary Genetic Algorithms. In order to assess the software quality, it was also investigated software quality metrics, such as: Reusability, Flexibility, Understandability, Functionality, Extensibility and Effectiveness. These metrics were applied in an evaluation function that, in turn, was defined aiming at the object-oriented design synthesis with a better quality. In this problem, it is desired to contemplate more than one objective at a time. For this, the Pareto technique for multi-objective problems was used. The results were compared with designs produced by specialists and its characteristics analyzed. The GA performance in the optimization process was compared with the exhaustive search and, in all cases, the model results were superior.

[pt] Uma das aplicações mais interessantes e desafiadoras da engenharia é a solução dos problemas inversos. Neste tipo de problema enquadra-se o tratamento científico da reconstituição de acidentes de veículos terrestres. Um outro tema diretamente relacionado é a análise de colisões, tanto no contexto da reconstituição de um acidente, quanto no que diz respeito ao grau de adequação do veículo ao impacto, associado à sua integridade estrutural e à segurança passiva dos seus ocupantes. Neste trabalho é aplicada uma técnica de otimização moderna, conhecida como algoritmo genético, para o tratamento do problema inverso em colisão de veículos terrestres, empregando modelos de veículos rígidos. Definiu-se como, a partir de restrições impostas e das posições finais dos veículos após uma colisão, o algoritmo de otimização pode fornecer o conjunto de variáveis e parâmetros que mais provavelmente levam os veículos àquela condição. Como resultado, o método foi considerado perfeitamente aplicável ao problema proposto e passível de ser utilizado como base para implementação como ferramenta de suporte à perícias judiciais em casos reais. / [en] One of the most interesting and challenging applications in engineering is the solution of inverse problems. In this kind of problem we have as an example the scientific approach of the ground vehicle accident reconstruction. Another directly related theme is collisions analysis, either in the context of an accident reconstruction, or in the context of the vehicle crashworthiness, associated to its structural integrity and their occupants passive safety. In this dissertation a modern optimization technique, known as genetic algorithm, is applied to the treatment of ground vehicles collision inverse problem using models of rigid vehicles. We have defined how, starting from imposed constraints and the vehicles final positions after a collision, the optimization algorithm may furnish the set of variables and parameters that most probably lead the vehicles to those positions. As a result, we have been able to evaluate the method as perfectly applicable to the proposed problem and may be used as a base aiming its implementation as a tool for support to the expertise regarding real cases.

[pt] Esta dissertação objetivará a unificação de duas metodologias de algoritmos evolutivos consagradas para tratamento de problemas ou do tipo combinatórios, ou do tipo numéricos, num único algoritmo com representação mista. Trata-se de um algoritmo evolutivo inspirado na física quântica com representação mista binário-real do espaço de soluções, o AEIQ-BR. Este algoritmo trata-se de uma extensão do modelo com representação binária de Jang, Han e Kin, o AEIQ-B para otimizações combinatoriais, e o de representação real de Abs da Cruz, o AEIQ-R para otimizações numéricas. Com fins de exemplificação do novo algoritmo proposto, o discutiremos no contexto de neuroevolução, com o propósito de configurar completamente uma rede neural com alimentação adiante em termos: seleção de variáveis de entrada; números de neurônios na camada escondida; todos os pesos existentes; e tipos de funções de ativação de cada neurônio. Esta finalidade em se aplicar o algoritmo AEIQ-BR à neuroevolução – e também, numa analogia ao modelo NEIQ-R de Abs da Cruz – receberá a denominação NEIQ-BR. N de neuroevolução, E de evolutivo, IQ de inspiração quântica, e BR de binário-real. Para avaliar o desempenho do NEIQ-BR, utilizarse- á um total de seis casos benchmark de classificação, e outros dois casos reais, em campos da ciência como: finanças, biologia e química. Resultados serão comparados com algoritmos de outros pesquisadores e a modelagem manual de redes neurais, através de medidas de desempenho. Através de testes estatísticos concluiremos que o algoritmo NEIQ-BR apresentará um desempenho significativo na obtenção de previsões de classificação por neuroevolução. / [en] This work aimed to unify two methodologies of evolutionary algorithms to treat problems with or combinatorial characteristics, or numeric, on a unique algorithm with mix representation. It is an evolutionary algorithm inspired in quantum physics with mixed representation of the solutions space, called QIEABR. This algorithm is an extension of the model with binary representation of the chromosome from Jang, Han e Kin, the QIEA-B for combinatorial optimization, and numeric representation from Abs da Cruz, the QIEA-R for numerical optimizations. For purposes of exemplification of the new algorithm, we will introduce the algorithm in the context of neuro-evolution, in order to completely configure a feed forward neural network in terms of: selection of input variables; numbers of neurons in the hidden layer; all existing synaptic weights; and types of activation functions of each neuron. This purpose when applying the algorithm QIEA-BR to neuro-evolution receive the designation of QIEN-BR. QI for quantum-inspired, E for evolutive, N for neuro-evolution, and BR for binary-real representation. To evaluate the performance of QIEN-BR, we will use a total of six benchmark cases of classification, and two real cases in fields of science such as finance, biology and chemistry. Results will be compared with algorithms of other researchers and manual modeling of neural networks through performance measures. Statistical tests will be provided to elucidate the significance of results, and what we can conclude is that the algorithm QIEN-BR better performance others researchers in terms of classification prediction.