Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-07-31T22:06:58Z No. of bitstreams: 1 RaimundoLeandroAndradeMarques_DISSERT.pdf: 2113159 bytes, checksum: 05abba5f2d3fdeb23f1c146143f0833c (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-07-31T22:11:47Z (GMT) No. of bitstreams: 1 RaimundoLeandroAndradeMarques_DISSERT.pdf: 2113159 bytes, checksum: 05abba5f2d3fdeb23f1c146143f0833c (MD5) / Made available in DSpace on 2018-07-31T22:11:47Z (GMT). No. of bitstreams: 1 RaimundoLeandroAndradeMarques_DISSERT.pdf: 2113159 bytes, checksum: 05abba5f2d3fdeb23f1c146143f0833c (MD5) Previous issue date: 2017-02-17 / O problema da árvore geradora mínima com restrição de grau multiobjetiva, vem sendo estudado por pesquisadores da área de otimização combinatória há pouco mais de uma década, em grande parte por sua ampla aplicação em problemas práticos relacionados à modelagem de redes. Esse problema é considerado NP-difícil, ainda em sua versão mono-objetiva, para um grau de restrição de pelo menos = 3. Esse trabalho propõe a resolução do problema através de um algoritmo evolucionário chamado AEMPH. Essa abordagem utiliza-se de arquivos externos compartilhados e de diferentes técnicas de otimização multiobjetiva executadas paralelamente, visando uma melhor cobertura do espaço de busca. As técnicas escolhidas para sua implementação foram o MPAES, o NSGA2, e o SPEA2, as quais também foram utilizadas para comparação de desempenho computacional. Foram realizados 5040 testes ao todo, envolvendo instâncias de 3 diferentes tipos, com tamanhos variando entre 50 e 1000 vértices. Devido à natureza multiobjetiva do problema, os resultados dos experimentos são expressos através dos indicadores de qualidade hipervolume e épsilon binário, e avaliados quanto a sua significância através do teste estatístico de Mann-Whitney / The Multiobjective Degree Constrained Minimum Spanning Tree Problem, has been studied by combinatorial optimization researchers within a little more than a decade, especially due to its wide usability in network modeling design problems. This is a NP-hard problem, even in its mono-objective version for a degree of at least = 3. The new algorithm proposed here called AEMPH, uses shared external archives and different multiobjective optimization techniques in a parallel execution to a better survey of the search space. This AEMPH version adopts the MPAES, NSGA2 and SPEA2 algorithms in its implementation which also are used in the comparison tests. A total of 5040 empirical tests are presented here, involving 3 different graph generators, and instances of size 50 up to 1000 nodes. For a matter of multi-objective trait, the results for these experiments are presented by means of hypervolume and -binary indicators. The significance of computational experiments is evaluated by the Mann-Whitney statistical test.

Submitted by Jaqueline Silva (jtas29@gmail.com) on 2014-09-26T21:10:33Z No. of bitstreams: 2 Caetano, Samuel Sabino-2013-dissertação.pdf: 1031464 bytes, checksum: 39f6a5947aed90b8f7c8e56b76d93e5a (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Jaqueline Silva (jtas29@gmail.com) on 2014-09-26T21:12:31Z (GMT) No. of bitstreams: 2 Caetano, Samuel Sabino-2013-dissertação.pdf: 1031464 bytes, checksum: 39f6a5947aed90b8f7c8e56b76d93e5a (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2014-09-26T21:12:31Z (GMT). No. of bitstreams: 2 Caetano, Samuel Sabino-2013-dissertação.pdf: 1031464 bytes, checksum: 39f6a5947aed90b8f7c8e56b76d93e5a (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2013-09-09 / Increasingly, learning in groups has become present in school environments. This fact is also part of the organizations, when considers learning in the workplace. Conscious of the importance of group learning at the workplace (CSCL@Work) emerges as an application area. In Computer Supported Collaborative Learning(CSCL), researchers have been struggling to maximize the performance of groups by techniques for forming groups. Is that why this study developed three (3) algorithmic approaches to formation of intraheterogeneous and inter-homogeneous groups, as well as a model proposed in this work in which integrates dichotomous functional characteristics and preferred roles. We made an algorithm that generates random groups, a Canonical Genetic Algorithm and Hybrid Genetic Algorithm. We obtained the input data of the algorithm by a survey conducted at the Court of the State of Goiás to identify dichotomous functional characteristics, and after we categorize these characteristics, based on the data found and the model proposed group formation. Starting at real data provided of employees whom participated in a course by Distance Education (EaD), we apply the model and we obtained the input data related to functional features. As regards the favorite roles, we assigned randomly values to the employees aforementioned, from a statistical statement made by Belbin into companies in the United Kingdom. Then, we executed the algorithms in three test cases, one considering the preferred papers and functional characteristics, while the other two separately considering each of these perspectives. Based on the results obtained, we found that the hybrid genetic algorithm outperforms the canonical genetic algorithm and random generator. / A aprendizagem em grupos tem se tornado realidade cada vez mais presente nos ambientes de ensino. Esta realidade também faz parte das organizações quando considera-se a aprendizagem no contexto do trabalho. Cientes da importância da aprendizagem em grupo no ambiente de trabalho, uma nova abordagem, denominada CSCL@Work, surge como uma aplicação da área Aprendizagem Colaborativa Apoiada pelo Computador, no inglês, Computer Supported Collaborative Learning (CSCL), no ambiente de trabalho. Em CSCL, pesquisadores tem se esforçado cada vez mais para maximizar o desempenho dos grupos através de técnicas para formação de grupos. Por isso neste trabalho desenvolvemos 3 (três) abordagens algorítmicas para formação de grupos intra-heterogêneos e inter-homogêneos, a partir de um modelo proposto nesta pesquisa, que integra características funcionais dicotômicas e papéis preferidos. Confeccionamos um algoritmo que gera grupos aleatoriamente, um algoritmo genético canônico e um algoritmo genético híbrido. Para obter os dados de entrada do algoritmo, realizamos uma pesquisa no Tribunal de Justiça do Estado de Goiás para identificar características funcionais dicotômicas, categorizamos estas características, com base nos dados encontrados e no modelo de formação de grupos proposto. A partir de dados reais fornecidos de funcionários que participaram de um curso por Educação a Distância (EaD), aplicamos o modelo e obtivemos os dados de entrada relativos às características funcionais. Quanto aos papéis preferidos, atribuímos os valores aleatoriamente aos funcionários mencionados, partindo de um levantamento estatístico feito por Belbin em empresas no Reino Unido. Em seguida, executamos os algoritmos em três casos de testes, um considerando as características funcionais e papéis preferidos, e os outros dois considerando separadamente cada uma destas perspectivas. A partir dos resultados obtidos, constatamos que o algoritmo genético híbrido obtém resultados superiores ao algoritmo genético canônico e método aleatório.