[pt] Em diversos problemas encontrados na literatura, se faz necessária alguma coordenação entre os agentes para que a tarefa seja realizada de forma ótima. Entretanto, pode ser difícil a obtenção desta coordenação por conta da quantidade e características dos agentes, dinâmica do ambiente e/ou complexidade da tarefa. O objetivo principal deste estudo é propor um modelo que possa se adaptar a problemas heterogêneos de coordenação e de dimensões elevadas, com aprendizado autônomo e que tenha convergência satisfatória, o qual foi denominado Modelo de Neuro Co-Evolução com Inspiração Quântica (NCoQ). O modelo se utiliza dos paradigmas da física quântica e da co-evolução biológica, evoluindo concomitantemente sub-populações de indivíduos quânticos para obter ganhos de convergência. A representação dos indivíduos por pulsos quânticos consegue reduzir o número de indivíduos em cada população, além de ser a mais recomendada para a utilização de neuro-evolução por conta da representação real. Ressalta-se também a capacidade do modelo em obter de forma autônoma a melhor configuração de arquitetura para as redes neurais de cada agente, não exigindo do programador a escolha deste parâmetro. Foram propostos novos operadores quânticos de crossover e mutação que foram comparados na otimização de funções de diversas dimensões. Para testar o desempenho do modelo, foram desenvolvidas, em linguagem MATLAB, simulações para o problema presa predador, para o benchmark multi-rover de exploração de ambientes e uma simulação para cobertura telefônica. Foram feitas comparações com outros modelos neuro-evolutivos encontrados na literatura, tendo o modelo NCoQ apresentado os melhores resultados. / [en] Many problems in the literature require some coordination among agents so a specific task can be executed more efficiently. However, this coordination can be difficult because of the quantity and characteristics of the agents, environment dynamics and/or task complexity. The main contribution of this Thesis is the proposal of a model, called Quantum Inspired Neuro Co-Evolution (NCoQ), that can adapt to heterogeneous multi-agent problems in high dimensions utilizing self-learning and that has satisfactory convergence. The model is inspired in quantum physics and biological co-evolution paradigms and evolves concomitantly subpopulations of quantum individuals to get convergence gains. The representation of individuals for quantum functions is able to reduce the numbers of individuals in each population and it is the most recommended for real neuro-evolution representation. It s also important to point out the model capacity in self-finding the best architecture of the neural networks agents, not requiring an a priori definition of this parameter. New crossover and mutation quantum operators were also proposed and compared in functions optimization of multiple dimensions. To test the model performance, three MATLAB simulations were developed: prey-predator task, multi-rover task and cell phone coverage area simulation. Comparisons were made against others neuro-evolution models found in literature and the NCoQ model attained the best results.

[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] Esta dissertação investiga a aplicação de Algoritmos Genéticos e de Co-Evolução Cooperativa na otimização da programação da produção em refinarias de petróleo. Refinarias de petróleo constituem um dos mais importantes exemplos de plantas contínuas multiproduto, isto é, um sistema de processamento contínuo gerador de múltiplos produtos simultâneos. Uma refinaria, em geral, processa um ou mais tipos de petróleo, produzindo uma série de produtos derivados, como o GLP (gás liquefeito de petróleo), a nafta, o querosene e o óleo diesel. Trata- se de um problema complexo de otimização, devido ao número e diversidade de atividades existentes e diferentes objetivos. Além disso, neste problema, algumas atividades dependem de que outras atividades já tenham sido planejadas para que possam então ser planejadas. Um caso típico é o das retiradas de produtos de uma unidade de processo, que dependem de que a carga já tenha sido planejada, assim como em qual campanha a unidade estará naquele instante. Por isso, o uso de modelos revolucionários convencionais, como os baseados em ordem, pode gerar muitas soluções inválidas, que deverão ser posteriormente corrigidas ou descartadas, comprometendo o desempenho e a viabilidade do algoritmo. O objetivo do trabalho foi, então, desenvolver um modelo evolucionário para otimizar a programação da produção (scheduling), segundo objetivos bem definidos, capaz de lidar com as restrições do problema, gerando apenas soluções viáveis. O trabalho consistiu em três etapas principais: um estudo sobre o refino de petróleo e a programação da produção em refinarias; a definição de um modelo usando algoritmos genéticos e co-evolução cooperativa para otimização da programação da produção e a implementação de uma ferramenta para estudo de caso. O estudo sobre o refino e a programação da produção envolveu o levantamento das várias etapas do processamento do petróleo em uma refinaria, desde o seu recebimento, destilação e transformação em diversos produtos acabados, que são então enviados a seus respectivos destinos. Neste estudo, também foi levantada a estrutura de tomada de decisão em uma refinaria e seus vários níveis, diferenciando os objetivos destes níveis e explicitando o papel da programação da produção nesta estrutura. A partir daí, foram estudadas em detalhes todas as atividades que normalmente ocorrem na refinaria e que são definidas na programação, e seus papéis na produção da refinaria. A decisão de quando e com que recursos executar estas atividades é o resultado final da programação e, portanto, a saída principal do algoritmo. A modelagem do algoritmo genético consistiu inicialmente em um estudo de representações utilizadas para problemas de scheduling. O modelo coevolucionário adotado considera a decomposição do problema em duas partes e,portanto, emprega duas populações com responsabilidades diferentes: uma é responsável por indicar quando uma atividade deve ser planejada e a outra é responsável por indicar com quais recursos essa mesma atividade deve ser realizada. A primeira população teve sua representação baseada em um modelo usado para problemas do tipo Dial-A-Ride (Moon et al, 2002), que utiliza um grafo para indicar à função de avaliação a ordem na qual o planejamento deve ser construído. Esta representação foi elaborada desta forma para que fosse levada em conta a existência de restrições de precedência (atividades que devem ser planejadas antes de outras), e assim não fossem geradas soluções inválidas pelo algoritmo. A segunda população, que se responsabiliza pela alocação dos recursos para a execução das atividades, conta com uma representação onde os operadores genéticos podem atuar na ordem de escolha dos recursos que podem realizar cada uma das atividades. Finalmente, des / [en] This work investigates the use of Genetic Algorithms and Cooperative Coevolution in refinery scheduling optimization. Oil refineries are one of the most important examples of multiproduct continuous plants, that is, a continuous processing system that generates a number of products simultaneously. A refinery processes various crude oil types and produces a wide range of products, including LPG (liquefied petroleum gas), gasoline, kerosene and diesel. It is a complex optimization problem, mainly due to the number of different tasks involved and different objective criteria. In addition, some of the tasks have precedence constraints that require other tasks to be scheduled first. For example, in order to schedule a task that transfers one of the yields of a certain crude distillation unit, both the task that feeds the crude oil into the unit and the task that sets the unit`s current operation mode must already be scheduled. Therefore, applying traditional evolutionary models, like the order- based ones, can create many infeasible solutions that will have to be corrected or rejected later on, thereby jeopardizing the algorithm performance and feasibility. The main goal was the development an evolutionary model satisfying well-defined objectives, which would optimize production scheduling and address the various constraints entailed in the problem, thus generating only feasible solutions. This work consisted on three main steps: a survey on crude oil refining and refinery scheduling; the development of a cooperative coevolutionary model to optimize the refinery scheduling and the development of a software tool for case studies. The study about refining and scheduling involved gathering information about the existent processes in a refinery, starting from the arrival of crude oil, its distillation and transformation into several products and, finally, the delivery of these products to their respective destination. The levels of decision making in a refinery were surveyed too, in order to identify the main goals for each one, and how the scheduling level fits into the structure as whole. Then, all the routine scheduling tasks and their roles in a refinery were carefully studied. The decision of when and how to assign those tasks is the final output of the scheduling task, so it must be the main output of the algorithm too. The development of the evolutionary model consisted of a survey on some of the most common evolutionary approaches to scheduling. The adopted coevolutionary model breaks the problem down into two parts, thus using two species with different responsibilities: One is responsible for deciding when a task should be scheduled, while the other is responsible for assigning a resource for this task. The first species representation was based on a model used for the Dial-a- Ride (Moon et al, 2002) kind of problems, and uses a graph to help the fitness evaluation function find the right order in which to schedule the tasks. This representation was devised in such a way that the precedence constraints were satisfied and no infeasible solutions were generated. The representation of the second species, which assigns resources for the tasks, let genetic operators change the selection order when picking a resource for a task. Finally, a software tool was developed to be used for implement this model and for performing a case study. This case study should comprise all the needed characteristics, in order to test the quality of the representation as well as evaluate the results. A simple refinery was designed, containing all equipment types, tasks and constraints found in a real-world refinery. The constraints mentioned are the precedence constraints, handled by the graph used by the first species, plus other operational constraints found in refinery scheduling. It was possible, then, to see the decoding of chromosomes into feasible solutions, always satisfying all the constraints. Several tests