Made available in DSpace on 2014-12-17T14:54:52Z (GMT). No. of bitstreams: 1 FranciscoCLJ.pdf: 1181019 bytes, checksum: b3894e0c93f85d3cf920c7015daef964 (MD5) Previous issue date: 2009-03-20 / Techniques of optimization known as metaheuristics have achieved success in the resolution of many problems classified as NP-Hard. These methods use non deterministic approaches that reach very good solutions which, however, don t guarantee the determination of the global optimum. Beyond the inherent difficulties related to the complexity that characterizes the optimization problems, the metaheuristics still face the dilemma of xploration/exploitation, which consists of choosing between a greedy search and a wider exploration of the solution space. A way to guide such algorithms during the searching of better solutions is supplying them with more knowledge of the problem through the use of a intelligent agent, able to recognize promising regions and also identify when they should diversify the direction of the search. This way, this work proposes the use of Reinforcement Learning technique - Q-learning Algorithm - as exploration/exploitation strategy for the metaheuristics GRASP (Greedy Randomized Adaptive Search Procedure) and Genetic Algorithm. The GRASP metaheuristic uses Q-learning instead of the traditional greedy-random algorithm in the construction phase. This replacement has the purpose of improving the quality of the initial solutions that are used in the local search phase of the GRASP, and also provides for the metaheuristic an adaptive memory mechanism that allows the reuse of good previous decisions and also avoids the repetition of bad decisions. In the Genetic Algorithm, the Q-learning algorithm was used to generate an initial population of high fitness, and after a determined number of generations, where the rate of diversity of the population is less than a certain limit L, it also was applied to supply one of the parents to be used in the genetic crossover operator. Another significant change in the hybrid genetic algorithm is the proposal of a mutually interactive cooperation process between the genetic operators and the Q-learning algorithm. In this interactive/cooperative process, the Q-learning algorithm receives an additional update in the matrix of Q-values based on the current best solution of the Genetic Algorithm. The computational experiments presented in this thesis compares the results obtained with the implementation of traditional versions of GRASP metaheuristic and Genetic Algorithm, with those obtained using the proposed hybrid methods. Both algorithms had been applied successfully to the symmetrical Traveling Salesman Problem, which was modeled as a Markov decision process / T?cnicas de otimiza??o conhecidas como metaheur?sticas t?m obtido sucesso na resolu??o de problemas classificados como NP - ?rduos. Estes m?todos utilizam abordagens n?o determin?sticas que geram solu??es pr?ximas do ?timo sem, no entanto, garantir a determina??o do ?timo global. Al?m das dificuldades inerentes ? complexidade que caracteriza os problemas NP-?rduos, as metaheur?sticas enfrentam ainda o dilema de explora??o/explota??o, que consiste em escolher entre intensifica??o da busca em uma regi?o espec?fica e a explora??o mais ampla do espa?o de solu??es. Uma forma de orientar tais algoritmos em busca de melhores solu??es ? supri-los de maior conhecimento do problema atrav?s da utiliza??o de um agente inteligente, capaz de reconhecer regi?es promissoras e/ou identificar em que momento dever? diversificar a dire??o de busca, isto pode ser feito atrav?s da aplica??o de Aprendizagem por Refor?o. Neste contexto, este trabalho prop?e o uso de uma t?cnica de Aprendizagem por Refor?o - especificamente o Algoritmo Q-learning - como uma estrat?gia de explora??o/explota??o para as metaheur?sticas GRASP (Greedy Randomized Adaptive Search Procedure) e Algoritmo Gen?tico. Na implementa??o da metaheur?stica GRASP proposta, utilizou-se o Q-learning em substitui??o ao algoritmo guloso-aleat?rio tradicionalmente usado na fase de constru??o. Tal substitui??o teve como objetivo melhorar a qualidade das solu??es iniciais que ser?o utilizadas na fase de busca local do GRASP, e, ao mesmo tempo, suprir esta metaheur?sticas de um mecanismo de mem?ria adaptativa que permita a reutiliza??o de boas decis?es tomadas em itera??es passadas e que evite a repeti??o de decis?es n?o promissoras. No Algoritmo Gen?tico, o algoritmo Q-learning foi utilizado para gerar uma popula??o inicial de alta aptid?o, e ap?s um determinado n?mero de gera??es, caso a taxa de diversidade da popula??o seja menor do que um determinado limite L, ele ? tamb?m utilizado em uma forma alternativa de operador de cruzamento. Outra modifica??o importante no algoritmo gen?tico h?brido ? a proposta de um processo de intera??o mutuamente cooperativa entre o os operadores gen?ticos e o Algoritmo Q-learning. Neste processo interativo/cooperativo o algoritmo Q-learning recebe uma atualiza??o adicional na matriz dos Q-valores com base na solu??o elite da popula??o corrente. Os experimentos computacionais apresentados neste trabalho consistem em comparar os resultados obtidos com a implementa??o de vers?es tradicionais das metaheur?sticas citadas, com aqueles obtidos utilizando os m?todos h?bridos propostos. Ambos os algoritmos foram aplicados com sucesso ao problema do caixeiro viajante sim?trico, que por sua vez, foi modelado como um processo de decis?o de Markov

Made available in DSpace on 2014-12-17T14:55:11Z (GMT). No. of bitstreams: 1 JoaoPQS.pdf: 1464588 bytes, checksum: ad1e7b6af306b0ce9b1ccb1fb510c4ab (MD5) Previous issue date: 2009-03-06 / The metaheuristics techiniques are known to solve optimization problems classified as NP-complete and are successful in obtaining good quality solutions. They use non-deterministic approaches to generate solutions that are close to the optimal, without the guarantee of finding the global optimum. Motivated by the difficulties in the resolution of these problems, this work proposes the development of parallel hybrid methods using the reinforcement learning, the metaheuristics GRASP and Genetic Algorithms. With the use of these techniques, we aim to contribute to improved efficiency in obtaining efficient solutions. In this case, instead of using the Q-learning algorithm by reinforcement learning, just as a technique for generating the initial solutions of metaheuristics, we use it in a cooperative and competitive approach with the Genetic Algorithm and GRASP, in an parallel implementation. In this context, was possible to verify that the implementations in this study showed satisfactory results, in both strategies, that is, in cooperation and competition between them and the cooperation and competition between groups. In some instances were found the global optimum, in others theses implementations reach close to it. In this sense was an analyze of the performance for this proposed approach was done and it shows a good performance on the requeriments that prove the efficiency and speedup (gain in speed with the parallel processing) of the implementations performed / As metaheur?sticas s?o t?cnicas conhecidas para a resolu??o de problemas de otimiza??o, classificados como NP-Completos e v?m obtendo sucesso em solu??es aproximadas de boa qualidade. Elas fazem uso de abordagens n?o determin?sticas que geram solu??es que se aproximam do ?timo, mas no entanto, sem a garantia de que se encontre o ?timo global. Motivado pelas dificuldades em torno da resolu??o destes problemas, este trabalho prop?s o desenvolvimento de m?todos paralelos h?bridos utilizando a aprendizagem por refor?o e as metaheur?sticas GRASP e Algoritmos Gen?ticos. Com a utiliza??o dessas t?cnicas em conjunto, objetivou-se ent?o, contribuir na obten??o de solu??es mais eficientes. Neste caso, ao inv?s de utilizar o algoritmo Q-learning da aprendizagem por refor?o, apenas como t?cnica de gera??o das solu??es iniciais das metaheur?sticas, este tamb?m aplicado de forma cooperativa e competitiva com o Algoritmo Gen?tico e o GRASP, em uma implementa??o paralela. Neste contexto, foi poss?vel verificar que as implementa??es realizadas neste trabalho apresentaram resultados satisfat?rios, tanto na parte de coopera??o e competi??o entre os algoritmos Q-learning, GRASP a Algoritmos Gen?ticos, quanto na parte de coopera??o e competi??o entre grupos destes tr?s algoritmos. Em algumas inst?ncias foi encontrado o ?timo global; quando n?o encontrado, conseguiu-se chegar bem pr?ximo de seu valor. Neste sentido foi realizada uma an?lise do desempenho da abordagem proposta e verificou-se um bom comportamento em rela??o aos quesitos que comprovam a efici?ncia e o speedup (ganho de velocidade com o processamento paralelo) das implementa??es realizadas

Made available in DSpace on 2014-12-17T14:55:29Z (GMT). No. of bitstreams: 1 AnaCMLA_da_capa_ate_pag_32.pdf: 11099536 bytes, checksum: 4f9f0f481f00f3c8e66d9a39f591e6a2 (MD5) Previous issue date: 2005-02-01 / ln this work, it was deveIoped a parallel cooperative genetic algorithm with different evolution behaviors to train and to define architectures for MuItiIayer Perceptron neural networks. MuItiIayer Perceptron neural networks are very powerful tools and had their use extended vastIy due to their abiIity of providing great resuIts to a broad range of appIications. The combination of genetic algorithms and parallel processing can be very powerful when applied to the Iearning process of the neural network, as well as to the definition of its architecture since this procedure can be very slow, usually requiring a lot of computational time. AIso, research work combining and appIying evolutionary computation into the design of neural networks is very useful since most of the Iearning algorithms deveIoped to train neural networks only adjust their synaptic weights, not considering the design of the networks architecture. Furthermore, the use of cooperation in the genetic algorithm allows the interaction of different populations, avoiding local minima and helping in the search of a promising solution, acceIerating the evolutionary process. Finally, individuaIs and evolution behavior can be exclusive on each copy of the genetic algorithm running in each task enhancing the diversity of populations / Neste trabalho foi desenvolvido um algoritmo gen?tico paralelo cooperativo com diferentes comportamentos evolutivos para o treinamento e defini??o de redes neurais Perceptron de M?ltiplas Camadas. As redes neurais Perceptron de M?ltiplas Camadas s?o ferramentas poderosas e tiveram seu uso intensificado j? que s?o capazes de proporcionar bons resultados para diversas aplica??es. A combina??o de algoritmos gen?ticos e de processamento paralelo aplicados no processo de treinamento e na defini??o de redes neurais Perceptron de M?ltiplas Camadas ? interessante uma vez que o processo de aprendizagem geralmente ? lento e a maioria dos algoritmos de treinamento existente realiza apenas o ajuste dos pesos sin?pticos da rede neural. Sabe-se que, sem conhecimento pr?vio da aplica??o, ? dif?cil definir uma arquitetura ideal para a rede neural. Desta maneira, tem-se que t?cnicas para automatizar a defini??o da arquitetura de redes neurais s?o de interesse. Al?m disso, o uso de coopera??o no algoritmo gen?tico permite a explora??o de ?reas promissoras do espa?o de busca encontradas por diferentes popula??es, pode evitar m?nimos locais e possibilita a re-introdu??o nas popula??es de informa??es previamente perdidas. Por fim, atrav?s da incorpora??o de diferentes comportamentos evolutivos, intensifica-se a diversidade dos indiv?duos e, assim, a busca por uma solu??o promissora

Made available in DSpace on 2014-12-17T14:55:42Z (GMT). No. of bitstreams: 1 TallesRF_DISSERT.pdf: 1140964 bytes, checksum: 341e86481dc2ae47c2cea90b012c9fc6 (MD5) Previous issue date: 2009-03-12 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Wavelet coding is an efficient technique to overcome the multipath fading effects, which are characterized by fluctuations in the intensity of the transmitted signals over wireless channels. Since the wavelet symbols are non-equiprobable, modulation schemes play a significant role in the overall performance of wavelet systems. Thus the development of an efficient design method is crucial to obtain modulation schemes suitable for wavelet systems, principally when these systems employ wavelet encoding matrixes of great dimensions. In this work, it is proposed a design methodology to obtain sub-optimum modulation schemes for wavelet systems over Rayleigh fading channels. In this context, novels signal constellations and quantization schemes are obtained via genetic algorithm and mathematical tools. Numerical results obtained from simulations show that the wavelet-coded systems derived here have very good performance characteristics over fading channels / A codifica??o por matrizes wavelets tem se mostrado um m?todo eficiente para combater o desvanecimento, fen?meno que causa flutua??es na intensidade do sinal transmitido em um canal de comunica??o sem fio, devido ? propaga??o por m?ltiplos percursos. Mas como os s?mbolos codificados pelo sistema wavelet s?o n?o-equiprov?veis, os esquemas de modula??o influenciam de maneira fundamental o desempenho desse sistema. Por isso se torna essencial um m?todo eficaz para a obten??o desses esquemas de modula??o de forma a otimizar o desempenho do sistema wavelet, principalmente quando se emprega matrizes wavelets de grandes dimens?es. Esse trabalho aborda o projeto de esquemas de modula??o para um sistema de transmiss?o sem fio baseado na codifica??o por matrizes wavelets em canais com desvanecimento Rayleigh plano. Para o projeto desses esquemas de modula??o s?o criados novas constela??es e esquemas de quantiza??o. O projeto desses esquemas de modula??o ? guiado por um algoritmo gen?tico. Os resultados obtidos atrav?s de simula??es computacionais mostram que os sistemas wavelets empregando esses esquemas obtiveram um bom desempenho em canais caracterizados pelo desvanecimento Rayleigh

Made available in DSpace on 2014-12-17T14:55:50Z (GMT). No. of bitstreams: 1 NielsenCD_DISSERT.pdf: 3425927 bytes, checksum: 2a460ebc6b49fe832a4f35b40786bc47 (MD5) Previous issue date: 2010-12-20 / Conventional methods to solve the problem of blind source separation nonlinear, in general, using series of restrictions to obtain the solution, often leading to an imperfect separation of the original sources and high computational cost. In this paper, we propose an alternative measure of independence based on information theory and uses the tools of artificial intelligence to solve problems of blind source separation linear and nonlinear later. In the linear model applies genetic algorithms and R?nyi of negentropy as a measure of independence to find a separation matrix from linear mixtures of signals using linear form of waves, audio and images. A comparison with two types of algorithms for Independent Component Analysis widespread in the literature. Subsequently, we use the same measure of independence, as the cost function in the genetic algorithm to recover source signals were mixed by nonlinear functions from an artificial neural network of radial base type. Genetic algorithms are powerful tools for global search, and therefore well suited for use in problems of blind source separation. Tests and analysis are through computer simulations / Os m?todos convencionais para resolver o problema de separa??o cega de fontes n?o lineares em geral utilizam uma s?rie de restri??es ? obten??o da solu??o, levando muitas vezes a uma n?o perfeita separa??o das fontes originais e alto custo computacional. Neste trabalho, prop?e-se uma alternativa de medida de independ?ncia com base na teoria da informa??o e utilizam-se ferramentas da intelig?ncia artificial para resolver problemas de separa??o cega de fontes lineares e posteriormente n?o lineares. No modelo linear aplica-se algoritmos gen?ticos e a Negentropia de R?nyi como medida de independ?ncia para encontrar uma matriz de separa??o linear a partir de misturas lineares usando sinais de forma de ondas, ?udios e imagens. Faz-se uma compara??o com dois tipos de algoritmos de An?lise de Componentes Independentes bastante difundidos na literatura. Posteriormente, utiliza-se a mesma medida de independ?ncia como fun??o custo no algoritmo gen?tico para recuperar sinais de fontes que foram misturadas por fun??es n?o lineares a partir de uma rede neural artificial do tipo base radial. Algoritmos gen?ticos s?o poderosas ferramentas de pesquisa global e, portanto, bem adaptados para utiliza??o em problemas de separa??o cega de fontes. Os testes e as an?lises se d?o atrav?s de simula??es computacionais

Made available in DSpace on 2014-12-17T14:56:01Z (GMT). No. of bitstreams: 1 CarlosAGF.pdf: 527942 bytes, checksum: 0d9ef8ecd1c3f6373e19e38612cb52c2 (MD5) Previous issue date: 2005-12-19 / A hierarchical fuzzy control scheme is applied to improve vibration suppression by using an electro-mechanical system based on the lever principle. The hierarchical intelligent controller consists of a hierarchical fuzzy supervisor, one fuzzy controller and one robust controller. The supervisor combines controllers output signal to generate the control signal that will be applied on the plant. The objective is to improve the performance of the electromechanical system, considering that the supervisor could take advantage of the different techniques based controllers. The robust controller design is based on a linear mathematical model. Genetic algorithms are used on the fuzzy controller and the supervisor tuning, which are based on non-linear mathematical model. In order to attest the efficiency of the hierarchical fuzzy control scheme, digital simulations were employed. Some comparisons involving the optimized hierarchical controller and the non-optimized hierarchical controller will be made to prove the efficiency of the genetic algorithms and the advantages of its use / Nesse trabalho apresenta-se um esquema de controle hier?rquico, utilizado para controlar um sistema eletromec?nico, em que um supervisor inteligente, baseado em l?gica nebulosa, faz a fus?o de sinais de controle oriundos de dois controladores: um robusto e um nebuloso do tipo Takagi-Sugeno-Kang. Atrav?s da combina??o de sinais de controle busca-se a simplifica??o no projeto de controladores e a obten??o de melhores desempenhos. Nessa pesquisa o controlador robusto ? projetado com base no modelo linearizado, do sistema eletromec?nico. No projeto desse controlador objetivou-se uma resposta r?pida, com uma r?pida acomoda??o e uma boa rejei??o a dist?rbios. O controlador nebuloso ? sintonizado, atrav?s de um algoritmo gen?tico, com base no modelo n?o linear, buscando uma boa velocidade no rastreamento de refer?ncias, com sinais de controle dentro dos limites de satura??o do servo-atuador. O supervisor tamb?m foi sintonizado por um algoritmo gen?tico. Esse sistema de controle demonstra ent?o, a combina??o de t?cnicas de controle distintas para resolver um problema em que t?cnicas de controle linear podem n?o propiciar uma solu??o adequada, devido ao fato do problema apresentar especifica??es conflitantes. O objetivo principal ? suprimir vibra??es mec?nicas obedecendo a crit?rios de desempenho previamente estipulados. Atrav?s de simula??es digitais avaliou-se o desempenho do sistema controlado, examinou-se a supress?o de vibra??es no que diz respeito ao seguimento de refer?ncia na presen?a de dist?rbios. Os resultados obtidos s?o comparados com os apresentados em Ara?jo (2002), de forma a comprovar a efici?ncia do m?todo de obten??o autom?tica dos par?metros de sistemas nebulosos

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-02-13T19:22:38Z No. of bitstreams: 1 CarolineAlbuquerqueDantasSilva_DISSERT.pdf: 1138216 bytes, checksum: b1401c36a2ad5415e6adc770fee68fbc (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-02-14T17:45:51Z (GMT) No. of bitstreams: 1 CarolineAlbuquerqueDantasSilva_DISSERT.pdf: 1138216 bytes, checksum: b1401c36a2ad5415e6adc770fee68fbc (MD5) / Made available in DSpace on 2017-02-14T17:45:51Z (GMT). No. of bitstreams: 1 CarolineAlbuquerqueDantasSilva_DISSERT.pdf: 1138216 bytes, checksum: b1401c36a2ad5415e6adc770fee68fbc (MD5) Previous issue date: 2016-07-18 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / Esse trabalho prop?e um esquema de otimiza??o convexa, baseada em programa??o linear e algoritmos gen?ticos, para equalizadores cegos aplicados a sistemas de comunica??es digitais. Ele surgiu da necessidade crescente de melhorias nos sistemas de comunica??o no intuito de transportar o m?ximo de informa??o poss?vel por um meio f?sico de forma con??vel.O esquema proposto, ELC-GA (Equalizador Linear Cego baseado em Algoritmos Gen?ticos), ? caracterizado por realizar a equaliza??o adaptativa cega do canal em blocos ?xos de dados, utilizando como algoritmo adaptativo um algoritmo gen?tico, cuja fun??o objetivo ? uma fun??o linear com restri??es, globalmente convergente. Entretanto, devido ?s caracter?sticas aleat?rias do sinal modelado com interfer?ncia intersimb?lica e ru?do aditivo branco gaussiano, a fun??o linear utilizada passa a representar uma programa??o linear estoc?stica. Nesse sentido, o uso de algoritmos gen?ticos ? particularmente adequado por ser capaz de buscar solu??es ?timas percorrendo uma por??o consider?vel do espa?o de busca, que corresponde aos v?rios cen?rios estoc?sticos. O trabalho tamb?m descreve os detalhes de implementa??o do esquema proposto e as simula??es computacionais realizadas. Na an?lise de desempenho, os resultados do ELC-GA s?o comparados aos resultados de uma das mais tradicionais t?cnicas de equaliza??o cega, o CMA, utilizado como refer?ncia dessa an?lise. Os resultados obtidos s?o exibidos e comentados segundo as m?tricas de an?lise adequadas.As conclus?es do trabalho apontam o ELC-GA como uma alternativa promissora para equaliza??o cega devido ao seu desempenho de equaliza??o, que atinge a converg?ncia global num intervalo de s?mbolos consideravelmente menor que a t?cnica usada como refer?ncia. / This paper proposes a convex optimization scheme based on linear programming and genetic algorithms for the blind equalizers applied to digital communications systems. It arose from the growing need for improvements in communication systems in order to transmit as much information as possible in a physical environment reliably. The proposed scheme, ELC-GA (Blind Linear Equalizer Linear based on Genetic Algorithms), is characterized by performing blind adaptive channel equalization in fixed units of data, using a genetic algorithm as adaptive algorithm, whose objective function is a globally convergent constrained linear function. However, due to the random characteristics of the signal modeled with intersymbol interference and additive white Gaussian noise, the used linear function now represents a stochastic linear programming. Accordingly, the use of genetic algorithms is particularly suitable for being able to get optimal solutions covering a considerable portion of the search space, which corresponds to the various stochastic scenarios. This work also describes the implementation details of the proposed scheme and the performed computational simulations. In the performance analysis, the ELC- GA results are compared to the results of one of the traditional blind equalization techniques, CMA, used as reference in this analysis. The results are shown and discussed under the appropriate metric analysis. The conclusions of the study indicate the GA - ELC as a promising alternative to blind equalization due to its equalization performance, which reaches global convergence in a considerably smaller range of symbols than the technique used as reference.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-05-03T22:56:48Z No. of bitstreams: 1 LeonardoWaylandTorresSilva_TESE.pdf: 3255016 bytes, checksum: 1c9f68f3968c7c1bdbdc4119bde6f919 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-05-05T20:16:14Z (GMT) No. of bitstreams: 1 LeonardoWaylandTorresSilva_TESE.pdf: 3255016 bytes, checksum: 1c9f68f3968c7c1bdbdc4119bde6f919 (MD5) / Made available in DSpace on 2016-05-05T20:16:14Z (GMT). No. of bitstreams: 1 LeonardoWaylandTorresSilva_TESE.pdf: 3255016 bytes, checksum: 1c9f68f3968c7c1bdbdc4119bde6f919 (MD5) Previous issue date: 2015-06-19 / Os centros de lan?amento e rastreio t?m por finalidade realizar atividades cient?ficas e comerciais com ve?culos aeroespaciais. Os Sistemas de Rastreio de Foguetes (SRF) integram a infraestrutura desses centros, sendo respons?veis pela coleta e processamento dos dados da trajet?ria dos ve?culos. Os sensores dos SRFs normalmente s?o Radares com Refletores Parab?licos (RRPs), mas tamb?m ? poss?vel usar radares com arranjos de antenas, chamados de Arranjos de Varredura (AVs), originando os Radares com Arranjos de Varredura (RAVs). Nos AVs, o sinal de alimenta??o de cada elemento radiante do arranjo pode ser ajustado para fazer o controle eletr?nico do diagrama de radia??o, a fim de aumentar as funcionalidades e reduzir as manuten??es do sistema. Com isso, nos projetos de implanta??o e reutiliza??o de RAVs, a modelagem est? sujeita a v?rias combina??es de sinais de alimenta??o, produzindo um problema de otimiza??o complexo, devido ao grande n?mero de solu??es dispon?veis. Para solucionar tal problema, ? poss?vel usar m?todos de otimiza??o off-line, tais como Algoritmos Gen?ticos (AGs), cujas solu??es calculadas s?o armazenadas para aplica??es on-line. Nesse contexto, o m?todo do Algoritmo Gen?tico com Crossover M?ximo-M?nimo (Genetic Algorithm with Maximum-Minimum Crossover - GAMMC) foi usado para desenvolver o algoritmo GAMMC-P, que otimiza a etapa de modelagem do controle do diagrama de radia??o de AVs planares. Comparado a um AG com recombina??o convencional, o GAMMC tem uma abordagem diferente, pois realiza a recombina??o de indiv?duos mais aptos com indiv?duos menos aptos, para aumentar a diversidade gen?tica da popula??o, evitando a converg?ncia prematura, aumentando o fitness e reduzindo o tempo de processamento. Assim, o GAMMC-P utiliza um algoritmo reconfigur?vel, com m?ltiplos objetivos, codifica??o real diferenciada e o operador gen?tico MMC, tendo atingido com sucesso os requisitos propostos para diferentes condi??es de opera??o de um RAV planar. / Launching centers are designed for scientific and commercial activities with aerospace vehicles. Rockets Tracking Systems (RTS) are part of the infrastructure of these centers and they are responsible for collecting and processing the data trajectory of vehicles. Generally, Parabolic Reflector Radars (PRRs) are used in RTS. However, it is possible to use radars with antenna arrays, or Phased Arrays (PAs), so called Phased Arrays Radars (PARs). Thus, the excitation signal of each radiating element of the array can be adjusted to perform electronic control of the radiation pattern in order to improve functionality and maintenance of the system. Therefore, in the implementation and reuse projects of PARs, modeling is subject to various combinations of excitation signals, producing a complex optimization problem due to the large number of available solutions. In this case, it is possible to use offline optimization methods, such as Genetic Algorithms (GAs), to calculate the problem solutions, which are stored for online applications. Hence, the Genetic Algorithm with Maximum-Minimum Crossover (GAMMC) optimization method was used to develop the GAMMC-P algorithm that optimizes the modeling step of radiation pattern control from planar PAs. Compared with a conventional crossover GA, the GAMMC has a different approach from the conventional one, because it performs the crossover of the fittest individuals with the least fit individuals in order to enhance the genetic diversity. Thus, the GAMMC prevents premature convergence, increases population fitness and reduces the processing time. Therefore, the GAMMC-P uses a reconfigurable algorithm with multiple objectives, different coding and genetic operator MMC. The test results show that GAMMC-P reached the proposed requirements for different operating conditions of a planar RAV.

Made available in DSpace on 2014-12-17T14:56:13Z (GMT). No. of bitstreams: 1 CarlosAAP_DISSERT.pdf: 1150903 bytes, checksum: a90e625336bbabe7e96da74cb85ee7aa (MD5) Previous issue date: 2013-01-31 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The pattern classification is one of the machine learning subareas that has the most outstanding. Among the various approaches to solve pattern classification problems, the Support Vector Machines (SVM) receive great emphasis, due to its ease of use and good generalization performance. The Least Squares formulation of SVM (LS-SVM) finds the solution by solving a set of linear equations instead of quadratic programming implemented in SVM. The LS-SVMs provide some free parameters that have to be correctly chosen to achieve satisfactory results in a given task. Despite the LS-SVMs having high performance, lots of tools have been developed to improve them, mainly the development of new classifying methods and the employment of ensembles, in other words, a combination of several classifiers. In this work, our proposal is to use an ensemble and a Genetic Algorithm (GA), search algorithm based on the evolution of species, to enhance the LSSVM classification. In the construction of this ensemble, we use a random selection of attributes of the original problem, which it splits the original problem into smaller ones where each classifier will act. So, we apply a genetic algorithm to find effective values of the LS-SVM parameters and also to find a weight vector, measuring the importance of each machine in the final classification. Finally, the final classification is obtained by a linear combination of the decision values of the LS-SVMs with the weight vector. We used several classification problems, taken as benchmarks to evaluate the performance of the algorithm and compared the results with other classifiers / A classifica??o de padr?es ? uma das sub?reas do aprendizado de m?quina que possui maior destaque. Entre as v?rias t?cnicas para resolver problemas de classifica??o de padr?es, as M?quinas de Vetor de Suporte (do ingl?s, Support Vector Machines ou SVM) recebem grande ?nfase, devido a sua facilidade de uso e boa capacidade de generaliza??o. A formula??o por M?nimos Quadrados da SVM (do ingl?s, Least Squares Support Vector Machines ou LS-SVM) encontra um hiperplano de separa??o ?tima atrav?s da solu??o de um sistema de equa??es lineares, evitando assim o uso da programa??o quadr?tica implementada na SVM. As LS-SVMs fornecem alguns par?metros livres que precisam ser corretamente selecionados para alcan?ar resultados satisfat?rios em uma determinada tarefa. Apesar das LS-SVMs possuir elevado desempenho, v?rias ferramentas tem sido desenvolvidas para aprimor?-la, principalmente o desenvolvimento de novos m?todos de classifica??o e a utiliza??o de comit?s de m?quinas, ou seja, a combina??o de v?rios classificadores. Neste trabalho, n?s propomos tanto o uso de um comit? de m?quinas quanto o uso de um Algoritmo Gen?tico (AG), algoritmo de busca baseada na evolu??o das esp?cies, para aprimorar o poder de classifica??o da LS-SVM. Na constru??o desse comit?, utilizamos uma sele??o aleat?ria de atributos do problema original, que divide o problema original em outros menores onde cada classificador do comit? vai atuar. Ent?o, aplicamos o AG para encontrar valores efetivos para os par?metros de cada LS-SVM e tamb?m encontrando um vetor de pesos, medindo a import?ncia de cada m?quina na classifica??o final. Por fim, a classifica??o final ? dada por uma combina??o linear das respostas de cada m?quina ponderadas pelos pesos. Foram utilizados v?rios problemas de classifica??o, tidos como benchmarks, para avaliar o desempenho do algoritmo e comparamos os resultados obtidos com outros classificadores

Made available in DSpace on 2014-12-17T15:46:59Z (GMT). No. of bitstreams: 1 LauraEASS_TESE.pdf: 2447411 bytes, checksum: 3e442431965058383423623bc7751de0 (MD5) Previous issue date: 2012-02-02 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / Traditional applications of feature selection in areas such as data mining, machine learning and pattern recognition aim to improve the accuracy and to reduce the computational cost of the model. It is done through the removal of redundant, irrelevant or noisy data, finding a representative subset of data that reduces its dimensionality without loss of performance. With the development of research in ensemble of classifiers and the verification that this type of model has better performance than the individual models, if the base classifiers are diverse, comes a new field of application to the research of feature selection. In this new field, it is desired to find diverse subsets of features for the construction of base classifiers for the ensemble systems. This work proposes an approach that maximizes the diversity of the ensembles by selecting subsets of features using a model independent of the learning algorithm and with low computational cost. This is done using bio-inspired metaheuristics with evaluation filter-based criteria / A aplica??o tradicional da sele??o de atributos em diversas ?reas como minera??o de dados, aprendizado de m?quina e reconhecimento de padr?es visa melhorar a acur?cia dos modelos constru?dos com a base de dados, ao retirar dados ruidosos, redundantes ou irrelevantes, e diminuir o custo computacional do modelo, ao encontrar um subconjunto representativo dos dados que diminua sua dimensionalidade sem perda de desempenho. Com o desenvolvimento das pesquisas com comit?s de classificadores e a verifica??o de que esse tipo de modelo possui melhor desempenho que os modelos individuais, dado que os classificadores base sejam diversos, surge uma nova aplica??o ?s pesquisas com sele??o de atributos, que ? a de encontrar subconjuntos diversos de atributos para a constru??o dos classificadores base de comit?s de classificadores. O presente trabalho prop?e uma abordagem que maximiza a diversidade de comit?s de classificadores atrav?s da sele??o de subconjuntos de atributos utilizando um modelo independente do algoritmo de aprendizagem e de baixo custo computacional. Isso ? feito utilizando metaheur?sticas bioinspiradas com crit?rios de avalia??o baseados em filtro