A demanda criada pelos estudos biológicos resultou para predição da estrutura terciária de proteínas ser uma alternativa, uma vez que menos de 1% das sequências conhecidas possuem sua estrutura terciária determinada experimentalmente. As predições Ab initio foca nas funções baseadas da física, a qual se trata apenas das informações providas pela sequência primária. Por consequência, um espaço de busca com muitos mínimos locais ótimos deve ser pesquisado. Este cenário complexo evidencia uma carência de algoritmos eficientes para este espaço, tornando-se assim o principal obstáculo para este tipo de predição. A optimização Multi-Objetiva, principalmente os Algoritmos Evolutivos, vem sendo aplicados na predição da estrutura terciária já que na mesma se envolve um compromisso entre os objetivos. Este trabalho apresenta o framework ProtPred-PEO-GROMACS, ou simplesmente 3PG, que não somente faz predições com a mesma acurácia encontrada na literatura, mas também, permite investigar a predição por meio da manipulação de combinações de objetivos, tanto no aspecto energético quanto no estrutural. Além disso, o 3PG facilita a implementação de novas opções, métodos de análises e também novos algoritmos evolutivos. A fim de salientar a capacidade do 3PG, foi então discorrida uma comparação entre os algoritmos NSGA-II e SPEA2 aplicados na predição Ab initio da estrutura terciária de proteínas em seis combinações de objetivos. Ademais, o uso da técnica de refinamento por Dinâmica Molecular é avaliado. Os resultados foram adequados quando comparado com outras técnicas de predições: Algoritmos Evolutivo Multi-Objetivo, Replica Exchange Molecular Dynamics, PEP-FOLD e Folding@Home. / The demand created by biological studies resulted the structure prediction as an alternative, since less than 1% of the known protein primary sequences have their 3D structure experimentally determined. Ab initio predictions focus on physics-based functions, which regard only information about the primary sequence. As a consequence, a search space with several local optima must be sampled, leading to insucient sampling of this space, which is the main hindrance towards better predictions. Multi-Objective Optimization approaches, particularly the Evolutionary Algorithms, have been applied in protein structure prediction as it involves a compromise among conicting objectives. In this paper we present the ProtPred-PEO-GROMACS framework, or 3PG, which can not only make protein structure predictions with the same accuracy standards as those found in the literature, but also allows the study of protein structures by handling several energetic and structural objective combinations. Moreover, the 3PG framework facilitates the fast implementation of new objective options, method analysis and even new evolutionary algorithms. In this study, we perform a comparison between the NSGA-II and SPEA2 algorithms applied on six dierent combinations of objectives to the protein structure. Besides, the use of Molecular Dynamics simulations as a renement technique is assessed. The results were suitable when comparated with other prediction methodologies, such as: Multi-Objective Evolutionary Algorithms, Replica Exchange Molecular Dynamics, PEP-FOLD and Folding@Home.

A demanda criada pelos estudos biológicos resultou para predição da estrutura terciária de proteínas ser uma alternativa, uma vez que menos de 1% das sequências conhecidas possuem sua estrutura terciária determinada experimentalmente. As predições Ab initio foca nas funções baseadas da física, a qual se trata apenas das informações providas pela sequência primária. Por consequência, um espaço de busca com muitos mínimos locais ótimos deve ser pesquisado. Este cenário complexo evidencia uma carência de algoritmos eficientes para este espaço, tornando-se assim o principal obstáculo para este tipo de predição. A optimização Multi-Objetiva, principalmente os Algoritmos Evolutivos, vem sendo aplicados na predição da estrutura terciária já que na mesma se envolve um compromisso entre os objetivos. Este trabalho apresenta o framework ProtPred-PEO-GROMACS, ou simplesmente 3PG, que não somente faz predições com a mesma acurácia encontrada na literatura, mas também, permite investigar a predição por meio da manipulação de combinações de objetivos, tanto no aspecto energético quanto no estrutural. Além disso, o 3PG facilita a implementação de novas opções, métodos de análises e também novos algoritmos evolutivos. A fim de salientar a capacidade do 3PG, foi então discorrida uma comparação entre os algoritmos NSGA-II e SPEA2 aplicados na predição Ab initio da estrutura terciária de proteínas em seis combinações de objetivos. Ademais, o uso da técnica de refinamento por Dinâmica Molecular é avaliado. Os resultados foram adequados quando comparado com outras técnicas de predições: Algoritmos Evolutivo Multi-Objetivo, Replica Exchange Molecular Dynamics, PEP-FOLD e Folding@Home. / The demand created by biological studies resulted the structure prediction as an alternative, since less than 1% of the known protein primary sequences have their 3D structure experimentally determined. Ab initio predictions focus on physics-based functions, which regard only information about the primary sequence. As a consequence, a search space with several local optima must be sampled, leading to insucient sampling of this space, which is the main hindrance towards better predictions. Multi-Objective Optimization approaches, particularly the Evolutionary Algorithms, have been applied in protein structure prediction as it involves a compromise among conicting objectives. In this paper we present the ProtPred-PEO-GROMACS framework, or 3PG, which can not only make protein structure predictions with the same accuracy standards as those found in the literature, but also allows the study of protein structures by handling several energetic and structural objective combinations. Moreover, the 3PG framework facilitates the fast implementation of new objective options, method analysis and even new evolutionary algorithms. In this study, we perform a comparison between the NSGA-II and SPEA2 algorithms applied on six dierent combinations of objectives to the protein structure. Besides, the use of Molecular Dynamics simulations as a renement technique is assessed. The results were suitable when comparated with other prediction methodologies, such as: Multi-Objective Evolutionary Algorithms, Replica Exchange Molecular Dynamics, PEP-FOLD and Folding@Home.

Encontrar a configuração de mínimas perdas ôhmicas ou que forneça um adequado plano de restabelecimento aptos a ocorrência de faltas permanentes são problemas de natureza combinatorial, com múltiplos objetivos e restrições, que envolvem funções cujas características, em geral, dificultam o uso de técnicas de programação matemática. Algoritmos Evolutivos têm apresentado resultados animadores para esses problemas, especialmente quando aplicados em sistemas de distribuição de grande porte. Neste trabalho são propostas duas novas metodologias, baseadas em Algoritmos Evolutivos Multi-Objetivo, para reconfiguração de redes em sistemas de distribuição, que podem ser aplicadas para o tratamento dos problemas de redução de perdas ôhmicas e restabelecimento de energia em sistemas de grande porte (com milhares de barras, linhas e chaves). Para o desenvolvimento dessas metodologias, foi utilizado uma estrutura de dados para manipular grafos produzindo exclusivamente configurações radiais e conexas, chamada Representação Nó-profundidade. As metodologias propostas foram testadas para diversos sistemas, dentre os quais destaca-se um com 30:880 barras, tendo sido satisfatórios os resultados obtidos. Para o problema de restabelecimento de energia foram testados falta única e múltiplas faltas. / Find the distribution system configuration of minimum power losses or that provides an adequate service restoration plan is a combinatorial, multi-objective and multi constraint problems, which involves functions whose characteristics, in general, difficult the use of mathematical programming techniques. Evolutionary Algorithms have shown relevant results for these problems, especially for Large-Scale Distribution Systems. This work proposes two methodologies for network reconfiguration based on Multi-Objective Evolutionary Algorithms, which can be applied to treat the problems of power loss reduction and service restoration in large scale distribution systems (with thousands of buses, lines and switches). In order to develop these methodolgies, it was used a data structure to manipulate graphs producing exclusively radial and connected connections, called Node Depth Encoding. The proposed methodologies were successfully tested in several distribution systems, among them one with 30,880 buses. The problem of service restoration is analyzed considering cases of single and multiple faults.

Encontrar a configuração de mínimas perdas ôhmicas ou que forneça um adequado plano de restabelecimento aptos a ocorrência de faltas permanentes são problemas de natureza combinatorial, com múltiplos objetivos e restrições, que envolvem funções cujas características, em geral, dificultam o uso de técnicas de programação matemática. Algoritmos Evolutivos têm apresentado resultados animadores para esses problemas, especialmente quando aplicados em sistemas de distribuição de grande porte. Neste trabalho são propostas duas novas metodologias, baseadas em Algoritmos Evolutivos Multi-Objetivo, para reconfiguração de redes em sistemas de distribuição, que podem ser aplicadas para o tratamento dos problemas de redução de perdas ôhmicas e restabelecimento de energia em sistemas de grande porte (com milhares de barras, linhas e chaves). Para o desenvolvimento dessas metodologias, foi utilizado uma estrutura de dados para manipular grafos produzindo exclusivamente configurações radiais e conexas, chamada Representação Nó-profundidade. As metodologias propostas foram testadas para diversos sistemas, dentre os quais destaca-se um com 30:880 barras, tendo sido satisfatórios os resultados obtidos. Para o problema de restabelecimento de energia foram testados falta única e múltiplas faltas. / Find the distribution system configuration of minimum power losses or that provides an adequate service restoration plan is a combinatorial, multi-objective and multi constraint problems, which involves functions whose characteristics, in general, difficult the use of mathematical programming techniques. Evolutionary Algorithms have shown relevant results for these problems, especially for Large-Scale Distribution Systems. This work proposes two methodologies for network reconfiguration based on Multi-Objective Evolutionary Algorithms, which can be applied to treat the problems of power loss reduction and service restoration in large scale distribution systems (with thousands of buses, lines and switches). In order to develop these methodolgies, it was used a data structure to manipulate graphs producing exclusively radial and connected connections, called Node Depth Encoding. The proposed methodologies were successfully tested in several distribution systems, among them one with 30,880 buses. The problem of service restoration is analyzed considering cases of single and multiple faults.