Submitted by Marcele Costal de Castro (costalcastro@gmail.com) on 2017-09-19T17:48:45Z No. of bitstreams: 1 CLAUDIO MARCIO DO NASCIMENTO ABREU PEREIRA D.PDF: 2179368 bytes, checksum: b0e89224c0ed09fe9b91259e399be37d (MD5) / Made available in DSpace on 2017-09-19T17:48:45Z (GMT). No. of bitstreams: 1 CLAUDIO MARCIO DO NASCIMENTO ABREU PEREIRA D.PDF: 2179368 bytes, checksum: b0e89224c0ed09fe9b91259e399be37d (MD5) Previous issue date: 1999-04 / Este trabalho apresenta o desenvolvimento de um algoritmo genético para a aplicação em problemas de otimização de parâmetros em projetos de reatores nucleares. Como resultado de suas aplicações a alguns problemas simples, criados especificamente para a validação do método, é observada a convergência para o ótimo global, acarretando sensível melhora dos resultados quando comparados com aqueles obtidos por um método tradicional de otimização não linear baseado em técnicas de programação linear. Estendendo o escopo da aplicação, o algoritmo foi submetido com sucesso a um problema de otimização complexo, onde os métodos convencionais não se aplicam. Os bons resultados levaram ao desenvolvimento de uma ferramenta genérica e operacional que pode ser aplicada em projetos reais de reatores nucleares.

Apresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear. / Presents an innovative control solution with artificial neural networks learning using reinforcement learning by genetic algorithms to integrate multiple active systems to control yaw vehicle stability. Study restricted to a maneuver domain and excluding plant changes in time and failures. Contributes to answer how the vehicle dynamics controller can be improved for multiple simultaneous active systems. Development of the neurocontroller and learning algorithm in Matlab, vehicle dynamics model in ADAMS environment and reference model, actuators and observer with Matlab programming. Plant stability analysis and activation areas definition. Study and method definition for stability yaw control to guide the task of optimization, training and simulation. Training the neural network to accomplish the plant nonlinearity and to optimize the multiple active systems synergy targeting the controller performance specifications and the analyzed conditions domain. Conditions and maneuvers simulation to validate and evaluate the controller performance using cosimulation between Matlab and ADAMS. Qualitative and quantitative controller results justifying the effective systems integration and non-linear neurocontroller.

Apresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear. / Presents an innovative control solution with artificial neural networks learning using reinforcement learning by genetic algorithms to integrate multiple active systems to control yaw vehicle stability. Study restricted to a maneuver domain and excluding plant changes in time and failures. Contributes to answer how the vehicle dynamics controller can be improved for multiple simultaneous active systems. Development of the neurocontroller and learning algorithm in Matlab, vehicle dynamics model in ADAMS environment and reference model, actuators and observer with Matlab programming. Plant stability analysis and activation areas definition. Study and method definition for stability yaw control to guide the task of optimization, training and simulation. Training the neural network to accomplish the plant nonlinearity and to optimize the multiple active systems synergy targeting the controller performance specifications and the analyzed conditions domain. Conditions and maneuvers simulation to validate and evaluate the controller performance using cosimulation between Matlab and ADAMS. Qualitative and quantitative controller results justifying the effective systems integration and non-linear neurocontroller.

Submitted by Marco Antônio de Ramos Chagas (mchagas@ufv.br) on 2018-07-11T12:09:39Z No. of bitstreams: 1 textocompleto.pdf: 925551 bytes, checksum: 6e6a52bb70c4e45081687d495922f845 (MD5) / Made available in DSpace on 2018-07-11T12:09:39Z (GMT). No. of bitstreams: 1 textocompleto.pdf: 925551 bytes, checksum: 6e6a52bb70c4e45081687d495922f845 (MD5) Previous issue date: 2018-02-26 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A seleção genômica (SG) foi proposta como uma forma de aumentar a eficiência e acelerar o melhoramento genético. A SG enfatiza a predição simultânea dos efeitos genéticos de milhares de marcadores dispersos em todo o genoma de um organismo. Algumas metodologias estatísticas têm sido utilizadas em SG para a predição do mérito genético, como por exemplo a Ridge Regression Best Linear Unbiased Prediction (RR- BLUP), Bayesian Lasso (BLASSO). Porém tais metodologias exigem algumas pressuposições a respeito dos dados tais como normalidade da distribuição dos valores fenotípicos. Além disto, a presença de fatores complicadores tais como epistasia e dominância atrapalham a utilização destes modelos, uma vez que exigem que tais efeitos sejam estabelecidos à priori pelo pesquisador. Visando contornar a não normalidade dos valores fenotípicos a literatura sugere o uso dos modelos lineares generalizados sob o enfoque bayesiano (BGLR). Outra alternativa são os modelos baseados em aprendizagem de máquina (AM), representados por metodologias tais como Redes Neurais (RNA), Árvores de Decisão (AD) e seus possíveis refinamentos (Bagging, Random Forest e Boosting) as quais podem incorporar a epistasia e a dominância no modelo além de não exigirem pressuposições quanto ao modelo e a distribuição dos valores fenotípicos. Diante disso, o objetivo deste trabalho foi utilizar AD e seus refinamentos Bagging, Random Forest e Boosting para predição da resistência a ferrugem alaranjada no café arábica. Além disso, AD e seus refinamentos foram utilizadas para identificar a importância dos marcadores relacionados a característica de interesse. Os resultados foram comparados com aqueles provenientes do GBLASSO (Lasso Bayesiano Generalizado) e RNA. Foram utilizados dados da resistência a ferrugem do café de 245 plantas derivadas do cruzamento do Híbrido de Timor e do Catuaí Amarelo, genotipados para 137 marcadores. A AD e seus refinamentos obtiveram resultados satisfatórios, visto que apresentaram valores iguais ou inferiores de Taxa de Erro Aparente comparados com aqueles obtidos pelo GBLASSO e RNA. Ademais, os refinamentos da AD demonstraram ser capazes de identificar marcadores importantes para característica de interesse, visto que dentre os 10 marcadores mais importantes analisados em cada metodologia, 3-4 marcadores estavam próximos a QTL’s relacionados a resistência a doença listados na literatura. Por fim, a AD e seus refinamentos mostraram um melhor desempenho em relação ao GBLASSO e a RNA quanto ao custo computacional. / Genomic selection (GS) has been proposed as a way to increase efficiency and accelerate genetic improvement. GS emphasizes the simultaneous prediction of the genetic effects of thousands of scattered markers throughout an organism's genome. Some statistical methodologies have been used in GS for the prediction of genetic merit, such as Ridge Regression Best Linear Unbiased Prediction (RR-BLUP), Bayesian Lasso (BLASSO). However such methodologies require some assumptions about the data such as normality of the distribution of phenotypic values. In addition, the presence of complicating factors such as epistasis and dominance hinder the use of these models, since they require that such effects be established a priori by the researcher. In order to avoid the non-normality of phenotypic values, the literature suggests the use of Bayesian Generalized Linear Regression (BGLR). Another alternative is the models based on machine learning, represented by methodologies such as Artificial Neural Networks (ANN), Decision Trees (DT) and their possible refinements such as Bagging, Random Forest and Boosting, which can incorporate epistasis and dominance in the model, besides not requiring assumptions about the model and the distribution of phenotypic values. The aim of this work was to use DT and its refinements Bagging, Random Forest and Boosting for prediction of resistance to orange rust in arabica coffee. In addition, DT and its refinements were used to identify the importance of markers related to the characteristic of interest. The results were compared with those from GBLASSO (Generalized Bayesian Lasso) and ANN. Data from the coffee rust resistance of 245 plants derived from the hybrid of the Timor Hybrid and the Yellow Catuaí, genotyped for 137 markers were used. The DT and its refinements obtained satisfactory results, since they presented equal or inferior values of Apparent Error Rate compared to those obtained by GBLASSO and RNA. In addition, DT refinements seem to be able to identify important markers for characteristic of interest, since among the 10 most important markers analyzed in each methodology, 3-4 markers were close to QTLs related to resistance to disease listed in the literature. Finally, the Decision Tree and its refinements showed a better performance in relation to the GBLASSO and RNA regarding computational cost.