Este trabalho trata da otimização de painéis alveolares e vigotas protendidas utilizando Algoritmos Genéticos (AGs). A proposta de tal algoritmo foi inspirada no princípio da seleção natural de indivíduos, onde o mais ‘apto’ tende a permanecer na população e se reproduzir, passando seu código genético para a próxima geração. Em alguns casos, esse método pode alcançar melhores soluções se comparados aos métodos tradicionais de otimização. O principal objetivo do trabalho é investigar o uso de AG como uma técnica para a minimização da função custo da aplicação de painéis alveolares e vigotas protendidas. Na análise estão incluídas as verificações dos elementos nas etapas transitórias referentes à produção, transporte e montagem. A função custo é avaliada considerando valores da realidade brasileira. O trabalho de pesquisa compara os resultados obtidos utilizando AGs com aqueles obtidos utilizando o método de otimização convencional conhecido como método do Lagrangiano Aumentado. Os resultados obtidos por ambos os métodos evidenciam a eficácia dos AGs com relação ao método convencional. Foram propostas e analisadas três famílias do AG simples, buscando identificar, dentre seus elementos, quais variantes mais adequados na busca da solução dos problemas. / This work aims to optimize the production cost of hollow core panels and prestressed joists using Genetic Algorithms (GAs). The proposal of such an algorithm was inspired by the principle of natural selection of individuals, where the most ‘capable’ tends to remain in the population and reproduce, passing its genetic code onto the next generation. In some cases, this method can achieve good solutions when compared with conventional methods of optimization. The main goal of the work is to investigate AG as a technique for the minimization of the function cost of hollow core panel and prestressed joist applications. The analysis takes account of the verifications of the precast elements in the transitory stages as production,transportation and erection. The function cost is evaluated within the Brazilian context. The research compares the results using GAs with those using a conventional method, the Augmented Lagrangian. The results provide evidence the effectiveness of the GAs with relation to a conventional method. The research considers three families of the simple GA, searching to identify, among them, the adjusted variant in the search of the solution of the problems.

O objetivo deste trabalho é a otimização da distribuição dos divisores de potência utilizados em redes ópticas passivas, baseados na técnica de algoritmos genéticos, onde cada divisor possui uma única entrada e diversas saídas. O cenário prático de distribuição compreende uma determinada cidade, onde as ruas são as possíveis vias e as casas ou prédios são os possíveis terminais. Partindo de um ponto inicial (OLT - Optical Line Terminator), em geral a central de distribuição, chega-se aos usuários finais (ONUs - Optical Network Units) passando pelos divisores. Observa-se que temos pelo menos um ponto inicial (OLT) e diversos pontos de chegada (as ONUs) - dependendo da quantidade de saídas que o divisor óptico possui, cada uma destas representa um possível usuário ou outro divisor. O posicionamento dos divisores de potência e os caminhos utilizados que usaremos fazem parte de nossa solução. O conjunto destes elementos forma as redes de acesso óptico passivo (PON). Aspectos importantes considerados na otimização: (i) os comprimentos dos cabos desde a OLT até as ONUs, uma vez que ocorrem maiores degradações do sinal à medida que a distância aumenta, bem como aumentam os custos de implantação em proporção direta ao comprimento utilizado; e (ii) margem de potência no enlace e (iii) custo do enlace. Durante o processo de otimização, o algoritmo genético desenvolvido propõe um novo procedimento de busca de caminho denominado nó cíclico. Os resultados obtidos foram validados por comparações obtidas manualmente em redes de menor escala. Interfaces gráficas para carregamento de mapas urbanos a partir de aplicativos como Google map foram desenvolvidas. / This study, based on a genetic algorithm, optimizes the distribution of power dividers used, in the access, by passive optical networks, where each splitter has one input and several outputs. The practical scenario of distribution includes a particular city where the streets are the possible ways and the houses or buildings are the possible terminals. Starting from the OLT (Optical Line Terminal), in general the distribution center, the end users (ONUs - Optical Network Units) are connected to the OLT by a path with power divisions. Observe that we have at least one starting point (OLT) and several points of arrival (the ONUs) - depending on the amount of the optical splitter outputs, each of these representing a user. The positioning of the OLT, ONUs and power dividers are part of the solution we are seeking for and all these elements form the access passive optical network (PON). Important aspects considered: (i) the lengths of the cables from the OLT to the ONUs, once there are more signal degradation as the distance increases, (ii) link power budget and (iii) link cost. During the optimization process, the developed genetic algorithm proposes a new procedure for finding the optimum path which is called cyclic node. The obtained results have been validated by comparison with manual optimization in a smaller scale network. Graphical interfaces have been developed for uploading city maps from aplicatives Google maps.

This work focus on the genetic generation of fuzzy systems. One of the main contribution of this work is the proposal of the FCA-BASED method, which generates the genetic search space using the formal concept analysis theory by extracting rules from data. The experimental evaluation results of the FCA-BASED method show its robustness, producing a good trade-off between the accuracy and the interpretability of the generated models. Moreover, the FCA-BASED method presents improvements to the DOC-BASED method, a previously proposed approach, related to the reduction of the computational cost for the generation of the genetic search space. In order to tackle high dimensional datasets, we also propose the FUZZYDT method, a fuzzy version of the classic C4.5 decision tree, a highly scalable method that presents low computational cost and competitive accuracy. Due to these characteristics, FUZZYDT is used in this work as a baseline method for the experimental evaluation and comparisons of other classic and fuzzy classification methods. We also include in this work the use of the FUZZYDT method to a real world problem, the warning of the coffee rust disease in Brazilian crops. Furthermore, this work investigates the task of feature subset selection to address the dimensionality issue of fuzzy systems. To this end, we propose the FUZZYWRAPPER method, a wrapper-based approach that selects features taking the relevant information regarding the fuzzyfication of the attributes into account, in the feature selection process. This work also investigates the automatic design of fuzzy data bases, proposing the FUZZYDBD method, which estimates the number of fuzzy sets defining all the attributes of a dataset and evenly distributing the fuzzy sets in the domains of the attributes. A modified version of the FUZZYDBD method, FUZZYDBD-II, which defines independent numbers of fuzzy sets for each attribute of a dataset, by means of estimation functions, is also proposed in this work / Este trabalho foca na geração genética de sistemas fuzzy. Uma das principais contribuições deste trabalho é a proposta do método FCA-BASED, que gera o espaço de busca genético usando a teoria de análise de conceitos formais por meio da extração de regras dos dados. Os resultados da avaliação experimental do método FCA-BASED demonstram sua robustez. O método FCABASED também produz um bom trade-off entre acurácia e interpretabilidade dos modelos gerados. Além disso, o método FCA-BASED apresenta melhorias em relação ao método DOC-BASED, uma abordagem proposta anteriormente. Essas melhorias estão relacionadas à redução do custo computacional para a geração do espaço de busca genético. Para ser capaz de trabalhar com conjuntos de dados de alta dimensão, foi também proposto o método FUZZYDT, uma versão fuzzy da clássica árvore de decisão C4.5. FUZZYDT é um método altamente escalável que apresenta baixo custo computacional e acurácia competitiva. Devido a essas características, o FUZZYDT é usado nesse trabalho como um método baseline para a avaliação experimental e comparações de outros métodos de classificação, fuzzy e clássicos. Também está incluido nesse trabalho a aplicação do método FUZZYDT em um problema do mundo real, o alerta da doença da ferrugem cafeeira em plantações brasileiras. Além disso, esse trabalho investiga a tarefa de seleção de atributos como forma de atacar o problema da dimensionalidade de sistemas fuzzy. Para esse fim, foi proposto o método FUZZYWRAPPER, uma abordagem baseada em wrapper que seleciona atributos levando em consideração as informações relevantes sobre a fuzificação dos atributos durante o processo de seleção. Esse trabalho também investiga a construção automática de bases de dados fuzzy, incluindo a proposta do método FUZZYDBD, que estima o número de conjuntos fuzzy que define todos os atributos de um conjunto de dados e distribui os conjuntos fuzzy proporcionalmente nos domínios dos atributos. Uma versão modificada do método FUZZYDBD, o método FUZZYDBD-II, também é proposta nesse trabalho. O método FUZZYDBD-II define números independentes de conjuntos fuzzy para cada atributo de um conjunto de dados por meio de funções de estimação

Esta dissertação trata do problema do projeto de redes de transporte público por ônibus, que consiste em estabelecer as linhas de ônibus a serem operadas e seus respectivos trajetos e frequências. Busca-se determinar uma rede de tal forma a minimizar custos de operadores e usuários, constituindo um problema multiobjetivo. O custo dos operadores é representado tanto pela frota como pela quilometragem total necessária para atender às frequências exigidas; já o custo dos usuários é representado pela soma dos tempos de espera, tempos de viagem dentro do veículo e eventuais penalidades de transferência. Dado tratar-se de um problema multiobjetivo, de natureza combinatória e complexo, é proposto um método de solução baseado na metaheurística Algoritmo Genético. O mesmo baseia-se na construção inicial de um banco de rotas viáveis, e cada solução proposta é formada selecionando-se um subconjunto de rotas deste banco para formar a rede. São aplicadas estratégias de busca por soluções viáveis nos operadores do Algoritmo Genético, devido à grande proporção de indivíduos inviáveis. O modelo é avaliado através de uma instância de teste da literatura e os resultados são comparados com os já obtidos em trabalhos anteriores. A melhor solução encontrada através do método descrito deste trabalho é superior às já reportadas na literatura. Uma análise de sensibilidade foi realizada para avaliar a influência de parâmetros de entrada do modelo na qualidade das soluções. Um Sistema de Visualização foi desenvolvido para representar graficamente as linhas de ônibus e demais variáveis das soluções. Sugere-se, ao final do trabalho, um conjunto de pesquisas futuras associadas à melhoria do modelo. / This dissertation addresses the public transport network design problem, which comprises determining the bus routes, their associated itineraries and frequencies. The network is designed as to minimize operators and users costs, creating a multiobjective problem. Operators costs are represented by the total fleet and mileage necessary to address required frequencies while user costs are represented by the sum of waiting times, in-vehicle travel times and possible transfer penalties. Given the complexity of this combinatorial and multiobjective problem, a solution method, based on the genetic algorithm metaheuristic, is proposed. Initially a database of feasible routes is built, and each proposed solution is formed by selecting a subset of routes from the database to form the network. Feasibility search strategies are applied inside genetic algorithms operators to make up for the large number of unfeasible individuals. The model is evaluated with a small network and the results are compared with those obtained in previous studies. The best solution attained with the present method is superior to previously published results. A sensitivity analysis was conducted to evaluate the influence of different model input parameters on solution quality. A Visualization System was developed to graphically represent the solutions bus lines and other variables. A set of future research ideas, related to the model improvement, are presented at the end of this study.

A indústria aeronáutica vem promovendo avanços tecnológicos em velocidades crescentes, para sobreviver em mercados extremamente competitivos. Neste cenário, torna-se imprescindível o uso de ferramentas de projeto que agilizem o desenvolvimento de novas aeronaves. Os atuais recursos computacionais permitiram um grande aumento no número de ferramentas que auxiliam o trabalho de projetistas e engenheiros. O projeto de uma aeronave é uma tarefa multidisciplinar por essência, o que logo incentivou o desenvolvimento de ferramentas computacionais que trabalhem com várias áreas ao mesmo tempo. Entre elas se destaca a otimização multidisciplinar em projeto, que une métodos de otimização à modelos matemáticos de áreas distintas de um projeto para encontrar soluções de compromisso. O presente trabalho introduz a otimização multidisciplinar em projeto (Multidisciplinary Design Optimization - MDO) e discorre sobre algumas aplicações possíveis desta metodologia. Foi realizada a implementação de um sistema de MDO para o projeto de asas flexíveis, considerando restrições de aeroelasticidade dinâmica e massa estrutural. Como meta, deseja-se encontrar distribuições ideais de rigidezes flexional e torcional da estrutura da asa, para maximizar a velocidade crítica de flutter e minimizar a massa estrutural. Para tanto, foram utilizados um modelo dinâmico-estrutural baseado no método dos elementos finitos, um modelo aerodinâmico não-estacionário baseado na teoria das faixas e nas soluções bidimensionais de Theodorsen, um modelo de previsão de flutter que utiliza o método K e, por fim, um otimizador baseado no método de algoritmos genéticos (AGs). São apresentados os detalhes empregados em cada modelo, as restrições aplicadas e a maneira como eles interagem ao longo da otimização. É feita uma análise para a escolha dos parâmetros de otimização por AG e em seguida a avaliação de dois casos, para verificação da funcionalidade do sistema implementado. Os resultados obtidos demonstram uma metodologia eficiente, que é capaz de buscar soluções ótimas para problemas propostos, que com devidos ajustes pode ter enorme valor para acelerar o desenvolvimento de novas aeronaves. / The aeronautical industry is always trying to speed up technological advances in order to survive in extremely competitive markets. In this scenario, the use of design tools to accelerate the development of new aircraft becomes essential. Current computational resources allow greater increase in the number of design tools to assist the work of aeronautical engineers. In essence, the design of an aircraft is a multidisciplinary task, which stimulates the development of computational tools that work with different areas at the same time. Among them, the multidisciplinary design optimization (MDO) can be distinguished, which combines optimization methods to mathematical models of distinct areas of a design to find compromise solutions. The present work introduces MDO and discourses on some possible applications of this methodology. The implementation of a MDO system for the design of flexible wings, considering dynamic aeroelasticity restrictions and the structural mass, was carried out. As goal, it is desired to find ideal flexional and torsional stiffness distributions of the wing structure, that maximize the critical flutter speed and minimize the structural mass. To do so, it was employed a structural dynamics model based on the finite element method, a nonstationary aerodynamic model based on the strip theory and Theodorsen’s two-dimensional solutions, a flutter prediction model based on the K method and a genetic algorithm (GA). Details on the model, restrictions applied and the way the models interact to each other through the optimization are presented. It is made an analysis for choosing the GA optimization parameters and then, the evaluation of two cases to verify the functionality of the implemented system. The results obtained illustrate an efficient methodology, capable of searching optimal solutions for proposed problems, that with the right adjustments can be of great value to accelerate the development of new aircraft.

As proteínas são moléculas presentes nos seres vivos e essenciais para a vida deles. Para entender a função de uma proteína, devese conhecer sua estrutura tridimensional (o posicionamento correto de todos os seus átomos no espaço). A partir da estrutura de uma proteína vital de um organismo causador de uma doença é possível desenvolver fármacos para o tratamento da doença. Para encontrar a estrutura de uma proteína, métodos biofísicos, como Cristalografia de Raio-X e Ressonância Nuclear Magnética têm sido empregados. No entanto, o uso desses métodos tem restrições práticas que impedem a determinação de várias estruturas de proteínas. Para contornar essas limitações, métodos computacionais para o problema de predição da estrutura da proteína (PSP, Protein Structure Prediction) têm sido investigados. Várias classes de métodos computacionais têm sido desenvolvidas para o problema de PSP. Entre elas, as abordagens ab initio são muito importantes, pois não utilizam nenhuma informação prévia de outras estruturas de proteínas para fazer o PSP, apenas a sequência de aminoácidos da proteína e o gráfico de Ramachandran são empregados. O PSP ab initio é um problema combinatorial que envolve relativamente grandes instâncias na prática, por exemplo, as proteínas em geral têm centenas ou milhares de variáveis para determinar. Para vencer esse entrave, metaheurísticas como os Algoritmos Genéticos (AGs) têm sido investigados. As soluções geradas por um AG são avaliadas pelo cálculo da energia potencial da proteína. Entre elas, o cálculo da interação da energia de van der Waals é custoso computacionalmente tornando o processo evolutivo do AG muito lento mesmo para proteínas pequenas. Este trabalho investiga técnicas para reduzir significativamente o tempo de execução desse cálculo. Basicamente, foram propostas modificações de técnicas de paralelização utilizando MPI e OpenMP para os algoritmos resultantes. Os resultados mostram que o cálculo pode ser 1.500 vezes mais rápido para proteínas gigantes quando aplicadas as técnicas investigadas neste trabalho / Proteins are molecules present in the living organism and essential for their life. To understand the function of a protein, its threedimensional structure (the correct positions of all its atoms in the space) should be known. From the structure of a vital protein of an organism that causes a human disease, it is possible to develop medicines for treatment of the disease. To find a protein structure, biophysical methods, as Crystallography of X-Ray and Magnetic Nuclear Resonance, have been employed. However, the use of those methods have practical restrictions that impede the determination of several protein structures. Aiming to overcome such limitation, computational methods for the problem of protein structure prediction (PSP) has been investigated. Several classes of computational methods have been developed for PSP. Among them, ab initio approaches are very important since they use no previous information from other protein structure, only the sequence of amino acids of the protein and the Ramachandran graph are employed. The ab initio PSP is a combinatorial problem that involves relatively large instances in practice, i. e. proteins in general have hundreds or thousands of variables to be determined. To deal with such problem, metaheuristics as Genetic Algorithms (GAs) have been investigated. The solutions generated by a GA are evaluated by the calculus of the potencial energies of the protein. Among them, the calculation of the interaction of van der Waals energy is computationally intense making the evolutionary process of a GA very slow even for non-large proteins. This work investigated techniques to significantly reduce the running time for that calculus. Basically, we proposed modifications parallelization of the resultant algorithm using MPI and OpenMP techniques. The results show that such calculus can be 1.500 times faster when applying the techniques investigated in this work for large proteins

A qualidade das hipóteses induzidas pelos atuais sistemas de aprendizado de máquina supervisionado depende da quantidade dos exemplos no conjunto de treinamento. Por outro lado, muitos dos sistemas de aprendizado de máquina conhecidos não estão preparados para trabalhar com uma grande quantidade de exemplos. Grandes conjuntos de dados são típicos em mineração de dados. Uma maneira para resolver este problema consiste em construir ensembles de classificadores. Um ensemble é um conjunto de classificadores cujas decisões são combinadas de alguma maneira para classificar um novo caso. Apesar de melhorar o poder de predição dos algoritmos de aprendizado, ensembles podem ser compostos por muitos classificadores, o que pode ser indesejável. Ainda, apesar de ensembles classificarem novos exemplos melhor que cada classificador individual, eles se comportam como caixas pretas, no sentido de não oferecer ao usuário alguma explicação relacionada à classificação por eles fornecida. Assim, neste trabalho propomos uma abordagem que utiliza algoritmos de aprendizado simbólico para construir ensembles de classificadores simbólicos que explicam suas decisões de classificação e são tão ou mais precisos que o mais preciso dos seus classificadores individuais. Além disso, considerando que algoritmos de aprendizado simbólico utilizam métodos de busca local para induzir classificadores quanto que algoritmos genéticos utilizam métodos de busca global, propomos uma segunda abordagem para aprender conceitos simbólicos de grandes bases de dados utilizando algoritmos genéticos para evoluir classificadores simbólicos em um u´ nico classificador simbólico, de maneira que o classificador evoluído é mais preciso que os classificadores iniciais. Ambas propostas foram implementadas em dois sistemas computacionais. Diversos experimentos usando diferentes conjuntos de dados foram conduzidos para avaliar ambas as propostas. Ainda que os resultados experimenta das duas soluções propostas são promissores, os melhores resultados foram obtidos utilizando a abordagem relacionada a algoritmos genéticos / The quality of hypotheses induced by most of the available supervised machine learning algorithms depends on the quantity and quality of the instances in the training set. However, several well known learning algorithms are not able to manipulate many instances making it difficult to induce good classifiers from large databases, as are needed in the Data Mining process. One approach to overcome this problem is to construct ensembles of classifiers. An ensemble is a set of classifiers whose decisions are combined in some way to classify new cases (instances). However, although ensembles improve learning algorithms power prediction, ensembles may use an undesired large set of classifiers. Furthermore, despite classifying new cases better than each individual classifier, ensembles are generally a sort of ?black-box? classifier, not being able to explain their classification decisions. To this end, in this work we propose an approach that uses symbolic learning algorithms to construct ensembles of symbolic classifiers that can explain their classification decisions so that the ensemble is as accurate as or more accurate than the individual classifiers. Furthermore, considering that symbolic learning algorithms use local search methods to induce classifiers while genetic algorithms use global search methods, we propose a second approach to learn symbolic concepts from large databases using genetic algorithms to evolve symbolic classifiers into only one symbolic classifier so that the evolved classifier is more accurate than the initial ones. Both proposals were implemented in two computational systems. Several experiments using different databases were conducted in order to evaluate both proposals. Results show that although both proposals are promising, the approach using genetic algorithms produces better results.

Made available in DSpace on 2015-03-04T18:51:05Z (GMT). No. of bitstreams: 1 dissertacao_franklin_joffly_lima.pdf: 4781146 bytes, checksum: 19855560682e6f10b865e23078063821 (MD5) Previous issue date: 2008-06-16 / Fundação Carlos Chagas Filho de Amparo a Pesquisa do Estado do Rio de Janeiro / Aquifers underground computational models can be built to help the decision making on water resource management, simulating varied situation in adverse conditions, in order to propose environmental accidents solutions, such as contamination by toxic substances problems that affect the consumed water quality. Computer models for aquifers consider the water disposal in porous medium and contaminants transport in the water. Rapprochement models and time and space discretization, as the finite differences model, finite volume and element are generally used for this purpose. This work presents a methodology involving computer simulations by the finite elements method and parallelized genetic algorithm , in order to select the most appropriate solution in well remediation allocation, which will withdraw the contaminated water from the aquifer. It was taken into account the financial cost as a restriction of the sought depollution and the objective function is to minimize the cost and increase the pollutant reduction, considering area restrictions for wells allocation, variation in the number of wells and ability to pumping in each. / Modelos computacionais de aqüíferos subterrâneos podem ser construídos para auxiliar a tomada de decisão na gestão de recursos hídricos, simulando situações variadas em condições adversas e visando propor soluções para acidentes ambientais, tais como problemas de contaminação por substâncias tóxicas que afetem a qualidade da água a ser consumida. Os modelos computacionais para aqüíferos consideram o escoamento da água num meio poroso e o transporte do contaminante na água. Modelos de aproximação e discretização no tempo e no espaço como o modelo de diferenças finitas, volumes finitos e elementos finitos são geralmente utilizados com este propósito. Este trabalho apresenta uma metodologia que envolve simulações computacionais pelo método dos elementos finitos e um algoritmo genético paralelizado, para a seleção da solução mais adequada na alocação de poços de remediação, os quais irão retirar a água contaminada do aqüífero. É levado em consideração o custo financeiro como uma restrição ao esquema de despoluição buscado e a função objetivo consiste na minimização do custo e maior redução de poluente, considerando-se restrições no domínio para a alocação dos poços, variação do número de poços e capacidade de bombeamento em cada um deles.

A robótica móvel autônoma é uma área de pesquisa onde o foco primordial concentra-se na busca incessante de meios que possibilitem a operação de um robô móvel sem a intervenção humana e de um modo mais inteligente possível. Para isso, essa busca pode ser dividida em diferentes ênfases: planejamento de ações, mapeamento de ambiente e localização do robô dentro do mundo em que se encontra. Mais especificamente, o problema de determinação da localização é considerado por alguns como o fator mais importante para capacitar a autonomia de um robô móvel. Muito já foi proposto sobre técnicas de localização, e, dentre as mais recentes, destaca-se o algoritmo de localização Monte Carlo, uma técnica eficiente no que diz respeito à solução dos diversos problemas que abrangem estimação de posição de um robô móvel. O trabalho aqui apresentado tem por objetivo a implementação de um algoritmo de estimação de posição baseado no algoritmo de localização Monte Carlo em conjunto com um Algoritmo Genético. Aqui, a função deste último é minimizar erros acentuados de localização, ocasionados pela deficiência dos modelos probabilísticos que representam a dinâmica de movimento e a percepção sensorial do robô. Isso acontece, principalmente no caso de sensores do tipo sonar diante de obstáculos do tipo quina. O resultado obtido é o método de localização Monte Carlo Genético, que se apresentou como uma possível solução para minimização desses erros de localização. O grande empecilho, porém, constatado nessa abordagem, é o elevado número de parâmetros a serem configurados. O desafio, então, torna-se encontrar o ajuste ideal de parametrização para obtenção de melhor desempenho deste método.

A tarefa de planejamento de trajetórias de robôs móveis autônomos consiste em determinar objetivos intermediários para que um robô seja capaz de partir de sua localização inicial e alcançar seu objetivo final. Além do planejamento, é importante definir um método de controle da navegação (seguimento da trajetória) do robô para que ele seja capaz de realizar seu trajeto de forma segura. Este projeto propõe uma abordagem híbrida para planejamento exploratório e execução de trajetórias de robôs móveis autônomos em ambientes indoor. Para o planejamento de trajetória, foram investigados algoritmos de busca em espaço de estados, dando ênfase ao uso de algoritmos evolutivos e algoritmos de otimização por colônia de formigas para a descoberta e otimização da trajetória. O controle da navegação é realizado por meio de comportamentos locais reativos, baseado na exploração e uso de mapas topológicos, os quais permitem uma maior flexibilidade em termos de definição da localização da posição do robô móvel e sobre os detalhes do mapa do ambiente (mapas com informações aproximadas e não métricos). Assim, foi proposto e desenvolvido um método robusto capaz de planejar, mapear e explorar um caminho ótimo ou quase ótimo para que o robô possa navegar e alcançar seu objetivo de forma segura, com pouca informação prévia do ambiente ou mesmo sobre sua localização. Além disso, o robô pode reagir a ambientes com alterações dinâmicas em sua estrutura, considerando por exemplo, elementos dinâmicos como portas que possam ser abertas ou fechadas e passagens que são obstruídas. Por fim, foram realizados diversos testes e simulações a fim de validar o método proposto, com a avaliação da qualidade das soluções encontradas e comparação com outras abordagens tradicionais de planejamento de trajetórias (algoritmos A* e D*). / The task of planning path for autonomous mobile robots consists in determine intermediary goals in order to allow a robot be able to leave its initial location and reach its final goal. Besides the planning, it is important to define a method of navigation control (the trajectory following) of the robot for it be able to do its path safely. This project proposes a hybrid approach to path planning and execution of an autonomous mobile robot in indoor environments. For the path planning, search algorithms in state space have been investigated, with emphasis in evolutionary algorithms and ant colony optimization algorithms for the trajectory search and optimization. The navigation control is done by local reactive behaviors, based on topological maps, which allow more flexibility concerning localization definition of position of the mobile robot and about the details of the environment map (maps with approximate information and not metric). Thus, a robust method able to plan an optimum or almost optimum path for the robot to reach its goal safely has been proposed, with little previous information of the environment. Furthermore, the robot can react to dynamic elements in the environment structure, concerning, for example, dynamic elements such as doors that can be opened or closed and ways that are blocked. Finally, several tests and simulations has been carried out to validate the proposed method, with evaluation of the solutions quality and comparison with others traditional approaches for the path planning task (A* and D* algorithms).