Made available in DSpace on 2016-08-29T15:32:43Z (GMT). No. of bitstreams: 1 tese_2756_TeseDoutoradoWagnerTeixeiradaCosta.pdf: 7941931 bytes, checksum: a01506705f5c62256c787ad31940451a (MD5) Previous issue date: 2010-10-01 / O uso de sistemas fotovoltaicos vem crescendo nos últimos anos, exigindo necessidade de novas pesquisas para a redução dos custos e do aumento da eficiência e confiabilidade de novas tecnologias. Nesta Tese, um novo modelo para o módulo fotovoltaico, um novo método MPPT (seguidor do ponto de máxima potência) e um estimador das medidas de irradiância e temperatura são desenvolvidos. Também é apresentada uma nova aplicação do algoritmo evolutivo para a estimação de parâmetros do módulo fotovoltaico. O novo modelo é baseado na função de transferência da resposta ao degrau de um sistema linear de primeira ordem. Portanto, um modelo simples com poucos parâmetros e com baixo esforço computacional é mostrado. A partir do novo modelo é proposto um novo método MPPT. Este método calcula a tensão referente à máxima potência, considerando as condições ambientais. Ele apresenta as vantagens de não oscilar em torno do ponto de máxima potência do módulo fotovoltaico e de não depender do intervalo de amostragem. Junto com o novo modelo é desenvolvido um estimador para as medidas de irradiância e temperatura a partir dos valores de corrente e tensão de saída do módulo fotovoltaico, descartando a necessidade da aquisição de sensores para estas duas medidas, assim reduzindo custos. Este estimador pode trabalhar em conjunto com vários dispositivos MPPT sem afetar o seu funcionamento. Para a estimação de parâmetros é proposta a aplicação de um algoritmo evolutivo, inspirado na seleção natural e reprodução genética. Os dados utilizados para estimação dos parâmetros são provenientes dos fabricantes ou de ensaios. Esta metodologia tem como vantagens não necessitar de ajustes nos dados para condições ambientais diferentes, além de dispensar na sua aplicação, o uso das complexas equações que descrevem o módulo fotovoltaico. Para análise e validação de todos os modelos e métodos propostos, são implementados programas de simulação. Os resultados são comparados com as metodologias consolidadas na literatura.

Estágio realizado no INESC-Porto / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores - Major Energia. Faculdade de Engenharia. Universidade do Porto. 2008

Redes Bayesianas (RB) são ferramentas probabilísticas amplamente aceitas para modelar e fazer inferências em domínios sob incertezas. Uma das maiores dificuldades na construção de uma RB é determinar a sua estrutura de modelo, a qual representa a estrutura de interdependências entre as variáveis modeladas. A estimativa exata da estrutura de modelo a partir de dados observados é, de forma geral, impraticável já que o número de estruturas possíveis cresce de forma super-exponencial com o número de variáveis. Métodos eficientes de aprendizagem aproximada tornam-se, portanto, essenciais para a construção de RBs verossímeis. O presente trabalho apresenta o Sistema Evolutivo Eficiente para Aprendizagem Estrutural de RBs, ou abreviadamente, EES-BN. Duas etapas de aprendizagem compõem EES-BN. A primeira etapa é encarregada de reduzir o espaço de busca mediante a aprendizagem de uma superestrutura. Para tal fim foram desenvolvidos dois métodos efetivos: Opt01SS e OptHPC, ambos baseados em testes de independência. A segunda etapa de EES-BN é um esquema de busca evolutiva que aproxima a estrutura do modelo respeitando as restrições estruturais aprendidas na superestrutura. Três blocos principais integram esta etapa: recombinação, mutação e injeção de diversidade. Para recombinação foi desenvolvido um novo operador (MergePop) visando ganhar eficiência de busca, o qual melhora o operador Merge de Wong e Leung (2004). Os operadores nos blocos de mutação e injeção de diversidade foram também escolhidos procurando um adequado equilíbrio entre exploração e utilização de soluções. Todos os blocos de EES-BN foram estruturados para operar colaborativamente e de forma auto-ajustável. Em uma serie de avaliações experimentais em RBs conhecidas de variado tamanho foi encontrado que EES-BN consegue aprender estruturas de RBs significativamente mais próximas às estruturas verdadeiras do que vários outros métodos representativos estudados (dois evolutivos: CCGA e GAK2, e dois não evolutivos: GS e MMHC). EES-BN tem mostrado também tempos computacionais competitivos, melhorando marcadamente os tempos dos outros métodos evolutivos e superando também ao GS nas redes de grande porte. A efetividade de EES-BN foi também comprovada em dois problemas relevantes em Bioinformática: i) reconstrução da rede deinterações intergênicas a partir de dados de expressão gênica, e ii) modelagem do chamado desequilíbrio de ligação a partir de dados genotipados de marcadores genéticos de populações humanas. Em ambas as aplicações, EES-BN mostrou-se capaz de capturar relações interessantes de significância biológica estabelecida. / Bayesian networks (BN) are probabilistic tools widely accepted for modeling and reasoning in domains under uncertainty. One of the most difficult tasks in the construction of a BN is the determination of its model structure, which is the inter-dependence structure of the problem variables. The exact estimation of the model structure from observed data is generally infeasible, since the number of possible structures grows super-exponentially with the number of variables. Efficient approximate methods are therefore essential for the construction of credible BN. In this work we present the Efficient Evolutionary System for learning BN structures (EES-BN). This system is composed by two learning phases. The first phase is responsible for the reduction of the search space by estimating a superstructure. For this task were developed two methods (Opt01SS and OptHPC), both based in independence tests. The second phase of EES-BN is an evolutionary design for finding the optimal model structure using the superstructure as the search space. Three main blocks compose this phase: recombination, mutation and diversity injection. With the aim to gain search efficiency was developed a new recombination operator (MergePop), which improves the Merge operator of Wong e Leung (2004). The operators for mutation and recombination blocks were also selected aiming to have an appropriate balance between exploitation and exploration of the solutions. All blocks in EES-BN were structured to operate in a collaborative and self-regulated fashion. Through a series of experiments and comparisons on benchmark BNs of varied dimensionality was found that EES-BN is able to learn BN structures markedly closer to the gold standard networks than various other representative methods (two evolutionary: CCGA and GAK2, and two non-evolutionary methods: GS and MMHC). The computational times of EES-BN were also found competitive, improving notably the times of the evolutionary methods and also the GS in the larger networks. The effectiveness of EES-BN was also verified in two real problems in bioinformatics: i) the reconstruction of a gene regulatory network from gene-expression data, and ii) the modeling of the linkage disequilibrium structures from genetic marker genotyped data of human populations. In both applications EES-BN proved to be able to recover interesting relationships with proven biological meaning.

A partir da reestruturação dos serviços públicos de energia elétrica, foi criada uma série de novas ferramentas regulatórias, simulando e/ou criando um ambiente competitivo, para que as empresas busquem continuamente a evolução de seus indicadores e custos. Com a edição da Resolução nº 024, de 27 de janeiro de 2000, a Agência Nacional de Energia Elétrica (ANEEL) atualizou a regulamentação dos aspectos relativos à continuidade do fornecimento de energia elétrica. As metas de continuidade são definidas através do cluster ao qual cada conjunto de consumidores está vinculado. Os conjuntos são agrupados pelas suas características físicas: área, km de rede primária, número de consumidores, potência de transformadores instalada e consumo médio do conjunto. Um dos pontos focais desta resolução é a possibilidade de uma concessionária agrupar unidades consumidoras, considerando as características técnicas específicas de seu sistema elétrico. Desta forma, o agente regulador permite que as concessionárias modifiquem seus conjuntos de consumidores, desde que fiquem evidenciadas vantagens técnicas, econômicas e sociais da nova proposta em relação ao critério vigente de agrupamento. Visando aperfeiçoar a utilização dos recursos, direcionando as ações para modicidade tarifária e considerando a capacidade de prover condições de atendimento homogêneo, este trabalho busca combinar os consumidores de uma concessionária em conjuntos que minimizem o risco de multa e a necessidade de investimentos nas redes. Este é um problema semelhante ao de redistribuição de eleitores nos distritos de votação nos EUA, conhecido como Political Districting. Para resolver o problema de explosão combinatória resultante das possíveis combinações de áreas e minimizar as multas, o modelo proposto neste trabalho utiliza técnicas de computação evolutiva. A metodologia é ilustrada alterando os 419 conjuntos iniciais de uma concessionária por meio de um algoritmo genético (AG) e um algoritmo imunológico (AI) que otimiza o resultado proposto, minimizando o risco de multas pelo não cumprimento das metas de continuidade. / From the restructuring of the Public Electric Power Sector, new regulatory tools were devised to simulate and create a competitive environment for companies to continuously seek targets for their indicators and costs. With the issue of Resolution nº 024 of January 27, 2000, the National Agency of Electric Energy (ANEEL) updated the rules in dealing with electricity supply continuity. The goals related to the continuity of service are defined through the cluster in which each set of consumers is bound. Consumers are grouped by their physical characteristics: area, length (km) of primary network, the number of consumers, power transformers installed capacity and average consumption. ANEEL allows the utilities to modify their sets of consumers, whenever the technical advantages, economic and social implications of the new proposal in relation to the current criterion of grouping become evident. Considering the possibility of avoiding unnecessary investments in networks, burdening the distribution tariff, this paper attempts to combine the consumers of a utility in sets that minimize the risk of penalties and network investments. This problem is similar to the redistribution in voting districts in the U.S., known as Political Districting. In order to solve the combinatorial explosion problem resulting from the possible combinations of areas and minimization of penalties, the model proposed in this paper uses evolutionary computation techniques. The case study alters the initial 419 sets of consumers of a utility through a genetic algorithm and an artificial immune algorithm, which were proposed to optimize the outcome, minimizing the risk of penalties in not meeting the goals related to continuity of service.

Este projeto teve por objetivo a implementação de software para formulação de ração de frangos de corte utilizando Algoritmo Genético (AG). A geração da população inicial foi direcionada, impedindo a geração de indivíduos que possuíam características restritivas. Realizou-se três experimentos, sendo o primeiro para definição do tamanho da população, número de gerações e método de seleção de pais, o segundo para comparar a formulação de ração do AG com a do Simplex e o terceiro para verificar a variabilidade de resultados do AG. O experimento 1 foi realizado em delineamento inteiramente ao acaso, com tratamentos arranjados em esquema fatorial 2 x 5 x 19, sendo os fatores: métodos de seleção de pais (roleta e torneio de três), tamanho de população (200, 360, 500, 1.000 e 1.500 indivíduos) e número de geração (10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 200, 300, 400, 500, 600, 700, 800, 900 e 1.000), totalizando 190 tratamentos, com 20 repetições resultando em 3.800 observações. A cada observação registrou-se o fitness que foi submetido a análise de variância e quando significativa (P<0,05) aplicou-se o teste de Scott-Knott (5%). No experimento 2 foram formuladas três rações, sendo uma ração pelo método Simplex e duas pelo AG. As rações formuladas com AG utilizaram os parâmetros de tamanho de população, método de seleção de pais e número de gerações definidos no experimento 1. Os resultados obtidos pelo AG proporcionaram rações que apresentam uma diferença média no atendimento das necessidades nutricionais de 0,34% para a ração formulada pelo método roleta e de 0,16% pelo método torneio de três, sendo essas diferenças pequenas e que provavelmente não impactam sobre o desempenho animal e sobre as características de carcaça. A variação de resultados existente no AG, devido a sua característica heurística, foi testada no experimento 3 por intermédio de 100 execuções para cada método de seleção de pais, roleta e torneio de três, utilizando os mesmos parâmetros de tamanho de população e número de gerações das rações formuladas no experimento 2. Os resultados obtidos demonstram baixa dispersão nos dados. Conclui-se que o AG é uma estratégia de otimização eficiente para formulação de rações para frangos de corte, pois aproxima-se do atendimento exato da exigência nutricional, com variação pequena, e com mínimo custo. / The objective of the present project was to implement software for the formulation of broiler chicken feed using a Genetic Algorithm (GA). The generation of the initial population was directed, preventing the production of individuals with restrictive characteristics. A total of three experiments were carried out: the first one to define the population size, number of generations, and the method of parent selection; the second to compare ration formulation using the GA with that of the Simplex method, and the third to verify result variability using the GA. Experiment 1 was performed in a completely randomized design, with arranged treatments in a 2 x 5 x 19 factorial scheme, assessing the following factors: parent selection methods (roulette-wheel selection and tournament selection of three), population size (200, 360, 500, 1 000 and 1 500 individuals), and number of generations (10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 200, 300, 400, 500, 600, 700, 800, 900 and 1 000 ), totaling 190 treatments, with 20 repetitions each, resulting in 3 800 recordings. At each observation, the registered fitness was submitted to variance analysis, and if significant (P < 0.05), the Scott-Knott test (5%) was applied. In the second experiment, three rations were formulated: one by the Simplex method, and two employing the GA. The feeds formulated with the GA used the parameters of population size, parent selection method, and number of generations, defined in experiment 1. The results obtained by the GA provided feeds that exhibited a mean difference in nutritional requirements of 0.34% for the ration formulated by the roulette-wheel method and 0.16% for the tournament selection of three technique. These differences are considered small and may not impact on animal performance and carcass characteristics. The variation regarding the GA results, given its heuristic attribute, was tested in experiment 3 using 100 repetitions of each method of parent selection, employing the same parameters regarding population size and number of generations of the rations formulated in experiment 2. The obtained results demonstrate low data dispersion. In conclusion, the GA is an efficient optimization strategy for the formulation of broiler chicken feeds, since it approximates the exact fulfillment of the nutritional requirement, with small variation, and with minimum cost.

O planejamento operacional de redes de média e baixa tensão consiste em determinar as melhores intervenções a serem aplicadas nas redes atuais de forma a otimizar os investimentos e atender aos critérios técnicos de operação. Na Média Tensão (MT) são usuais alterações como alocação de capacitores, alteração de cabos e remanejamento de cargas para obter uma melhoria para o sistema. Normalmente os objetivos são a minimização de perdas, melhora do nível de tensão e redução do custo das intervenções realizadas. Na Baixa Tensão (BT) são aplicadas intervenções relacionadas a substituição de cabos, alteração da posição do transformador e balanceamento de cargas. As alterações propostas visam melhorar os índices de equilíbrio de cargas, carregamento de transformadores e queda de tensão ao longo da rede MT e BT. Neste trabalho considera-se a minimização dos investimentos para a realização de alterações nos alimentadores e circuitos de BT, levando em conta a inserção de Geração Distribuída (GD) como solução alternativa. As dificuldades do problema de otimização resultam do tamanho dos sistemas reais e da possibilidade de alternativas que podem ser aplicadas durante o estudo. Para resolver o problema de explosão combinatória resultante das possíveis combinações de alternativas, os modelos propostos neste trabalho utilizam técnicas de computação evolutiva. Os modelos desenvolvidos respeitam aspectos técnicos e econômicos envolvidos em cada solução. A metodologia é aplicada em uma rede real partindo-se de uma base de dados georrefenciada. / The operational planning of medium and low voltage networks consists in determining the best interventions to be applied to existing networks in order to optimize investments and meet the technical criteria for operation. In the Medium Voltage (MV) capacitor allocation, recabling and relocation of loads are useful to achieve an improvement to the system. Usually the objectives are power losses minimization, voltage level improvement and cost reduction of the interventions carried out. In the Low Voltage (LV) interventions for replacing cables and transformer position and load relocation are commonly considered. The proposed changes are aimed at improving the load balance, transformer loading and voltage drops across LV network circuits. This work considers the investment minimization to intervene inMV and LV networks, considering Distributed Generation (DG) insertion as an alternative solution. The dificulties of optimization problem result from the size of the real systems and the possibility of alternatives that can be applied during the study. In order to solve the combinatorial explosion problem resulting from possible combinations of alternatives, the model proposed in this work uses evolutionary computational techniques. The developed models take into account technical and economical aspects involved in each solution. The methodology is applied in a real network starting from a georeferenced database.

Este trabalho aborda o tema materiais absorvedores de radiação eletromagnética (MARE) multicamadas. Um estudo multidisciplinar é desenvolvido com o intuito de otimizar a perda por reflexão de sinais de micro-ondas incidentes sobre esses materiais, na banda X de frequências (8,2 a 12,4 GHz), sob incidência normal. Uma proposta para projeto e planejamento eficiente da fabricação de MARE é feita por meio da integração de metodologias de caracterização eletromagnética, simulação computacional e processamento de materiais. Este estudo tem como foco otimizar MARE compostos por 3 camadas, a partir de uma base de dados de dez materiais, ou seja, cinco dielétricos (negro de fumo) e cinco magnéticos (ferro carbonila). Tal estudo visa determinar a composição ótima de cada camada (espessuras, materiais, posicionamento) da estrutura absorvedora para obter a melhor atenuação da radiação eletromagnética incidente. A metodologia de busca utilizada é a otimização evolutiva por meio do algoritmo genético MOGA-II, instalado no software modeFRONTIER. Após as inserções, no algoritmo genético, de valores de medidas experimentais de permissividades elétricas e permeabilidades magnéticas dos 10 materiais, 18 simulações são realizadas, baseadas em 3 grupos de situações, quanto à composição das estruturas de 3 camadas: o primeiro composto apenas pelos 5 materiais dielétricos, o segundo pelos outros 5 materiais magnéticos e o terceiro grupo baseado em estruturas compostas pela combinação dos 10 materiais, dielétricos e magnéticos. As otimizações realizadas mostram que os melhores resultados foram obtidos para as estruturas com a presença de ferro carbonila e negro de fumo simultaneamente. O melhor resultado encontrado para a perda ótima por reflexão é -67,625 dB, com a espessura no valor de 0,0023 m. Bons resultados também são obtidos para as estruturas à base de ferro carbonila. Dentre esses podem ser citadas as perdas por reflexão de -46,298 dB e -54,703 dB, para as estruturas com espessuras de 0,0020 m e 0,0019 m, respectivamente. A estratégia de busca realizada por meio do software mostra-se satisfatória. É apresentado também um estudo comparativo entre as larguras de banda de frequências de operação dos absorvedores otimizados. Ao final, é feita uma análise de sensibilidade das espessuras do material multicamadas, em relação às perdas por reflexão obtidas após as simulações.

A maioria dos algoritmos de aprendizado de máquina simbólico utilizam regras de conhecimento if-then como linguagem de descrição para expressar o conhecimento aprendido. O objetivo desses algoritmos é encontrar um conjunto de regras de classificação que possam ser utilizadas na predição da classe de novos casos que não foram vistos a priori pelo algoritmo. Contudo, este tipo de algoritmo considera o problema da interação entre as regras, o qual consiste na avaliação da qualidade do conjunto de regras induzidas (classificador) como um todo, ao invés de avaliar a qualidade de cada regra de forma independente. Assim, como os classificadores têm por objetivo uma boa precisão nos casos não vistos, eles tendem a negligenciar outras propriedades desejáveis das regras de conhecimento, como a habilidade de causar surpresa ou trazer conhecimento novo ao especialista do domínio. Neste trabalho, estamos interessados em construir regras de conhecimento com propriedades específicas de forma isolada, i.e. sem considerar o problema da interação entre as regras. Para esse fim, propomos uma abordagem evolutiva na qual cada individuo da população do algoritmo representa uma única regra e as propriedades específicas são codificadas como medidas de qualidade da regra, as quais podem ser escolhidas pelo especialista do domínio para construir regras com as propriedades desejadas. O algoritmo evolutivo proposto utiliza uma rica estrutura para representar os indivíduos (regras), a qual possibilita considerar uma grande variedade de operadores evolutivos. O algoritmo utiliza uma função de aptidão multi-objetivo baseada em ranking que considera de forma concomitante mais que uma medida de avaliação de regra, transformando-as numa função simples-objetivo. Como a avaliação experimental é fundamental neste tipo de trabalho, para avaliar nossa proposta foi implementada a Evolutionary Computing Learning Environment --- ECLE --- que é uma biblioteca de classes para executar e avaliar o algoritmo evolutivo sob diferentes cenários. Além disso, a ECLE foi implementada considerando futuras implementações de novos operadores evolutivos. A ECLE está integrada ao projeto DISCOVER, que é um projeto de pesquisa em desenvolvimento em nosso laboratório para a aquisição automática de conhecimento. Analises experimentais do algoritmo evolutivo para construir regras de conhecimento com propriedades específicas, o qual pode ser considerado uma forma de análise inteligente de dados, foram realizadas utilizando a ECLE. Os resultados mostram a adequabilidade da nossa proposta / Most symbolic machine learning approaches use if-then know-ledge rules as the description language in which the learned knowledge is expressed. The aim of these learners is to find a set of classification rules that can be used to predict new instances that have not been seen by the learner before. However, these sorts of learners take into account the rule interaction problem, which consists of evaluating the quality of the set of rules (classifier) as a whole, rather than evaluating the quality of each rule in an independent manner. Thus, as classifiers aim at good precision to classify unseen instances, they tend to neglect other desirable properties of knowledge rules, such as the ability to cause surprise or bring new knowledge to the domain specialist. In this work, we are interested in building knowledge rules with specific properties in an isolated manner, i.e. not considering the rule interaction problem. To this end, we propose an evolutionary approach where each individual of the algorithm population represents a single rule and the specific properties are encoded as rule quality measure, a set of which can be freely selected by the domain specialist. The proposed evolutionary algorithm uses a rich structure for individual representation which enables one to consider a great variety of evolutionary operators. The algorithm uses a ranking-based multi-objective fitness function that considers more than one rule evaluation measure concomitantly into a single objective. As experimentation plays an important role in this sort of work, in order to evaluate our proposal we have implemented the Evolutionary Computing Learning Environment --- ECLE --- which is a framework to evaluate the evolutionary algorithm in different scenarios. Furthermore, the ECLE has been implemented taking into account future development of new evolutionary operators. The ECLE is integrated into the DISCOVER project, a major research project under constant development in our laboratory for automatic knowledge acquisition and analysis. Experimental analysis of the evolutionary algorithm to construct knowledge rules with specific properties, which can also be considered an important form of intelligent data analysis, was carried out using ECLE. Results show the suitability of our proposal

O planejamento operacional de redes de média e baixa tensão consiste em determinar as melhores intervenções a serem aplicadas nas redes atuais de forma a otimizar os investimentos e atender aos critérios técnicos de operação. Na Média Tensão (MT) são usuais alterações como alocação de capacitores, alteração de cabos e remanejamento de cargas para obter uma melhoria para o sistema. Normalmente os objetivos são a minimização de perdas, melhora do nível de tensão e redução do custo das intervenções realizadas. Na Baixa Tensão (BT) são aplicadas intervenções relacionadas a substituição de cabos, alteração da posição do transformador e balanceamento de cargas. As alterações propostas visam melhorar os índices de equilíbrio de cargas, carregamento de transformadores e queda de tensão ao longo da rede MT e BT. Neste trabalho considera-se a minimização dos investimentos para a realização de alterações nos alimentadores e circuitos de BT, levando em conta a inserção de Geração Distribuída (GD) como solução alternativa. As dificuldades do problema de otimização resultam do tamanho dos sistemas reais e da possibilidade de alternativas que podem ser aplicadas durante o estudo. Para resolver o problema de explosão combinatória resultante das possíveis combinações de alternativas, os modelos propostos neste trabalho utilizam técnicas de computação evolutiva. Os modelos desenvolvidos respeitam aspectos técnicos e econômicos envolvidos em cada solução. A metodologia é aplicada em uma rede real partindo-se de uma base de dados georrefenciada. / The operational planning of medium and low voltage networks consists in determining the best interventions to be applied to existing networks in order to optimize investments and meet the technical criteria for operation. In the Medium Voltage (MV) capacitor allocation, recabling and relocation of loads are useful to achieve an improvement to the system. Usually the objectives are power losses minimization, voltage level improvement and cost reduction of the interventions carried out. In the Low Voltage (LV) interventions for replacing cables and transformer position and load relocation are commonly considered. The proposed changes are aimed at improving the load balance, transformer loading and voltage drops across LV network circuits. This work considers the investment minimization to intervene inMV and LV networks, considering Distributed Generation (DG) insertion as an alternative solution. The dificulties of optimization problem result from the size of the real systems and the possibility of alternatives that can be applied during the study. In order to solve the combinatorial explosion problem resulting from possible combinations of alternatives, the model proposed in this work uses evolutionary computational techniques. The developed models take into account technical and economical aspects involved in each solution. The methodology is applied in a real network starting from a georeferenced database.

Redes Bayesianas (RB) são ferramentas probabilísticas amplamente aceitas para modelar e fazer inferências em domínios sob incertezas. Uma das maiores dificuldades na construção de uma RB é determinar a sua estrutura de modelo, a qual representa a estrutura de interdependências entre as variáveis modeladas. A estimativa exata da estrutura de modelo a partir de dados observados é, de forma geral, impraticável já que o número de estruturas possíveis cresce de forma super-exponencial com o número de variáveis. Métodos eficientes de aprendizagem aproximada tornam-se, portanto, essenciais para a construção de RBs verossímeis. O presente trabalho apresenta o Sistema Evolutivo Eficiente para Aprendizagem Estrutural de RBs, ou abreviadamente, EES-BN. Duas etapas de aprendizagem compõem EES-BN. A primeira etapa é encarregada de reduzir o espaço de busca mediante a aprendizagem de uma superestrutura. Para tal fim foram desenvolvidos dois métodos efetivos: Opt01SS e OptHPC, ambos baseados em testes de independência. A segunda etapa de EES-BN é um esquema de busca evolutiva que aproxima a estrutura do modelo respeitando as restrições estruturais aprendidas na superestrutura. Três blocos principais integram esta etapa: recombinação, mutação e injeção de diversidade. Para recombinação foi desenvolvido um novo operador (MergePop) visando ganhar eficiência de busca, o qual melhora o operador Merge de Wong e Leung (2004). Os operadores nos blocos de mutação e injeção de diversidade foram também escolhidos procurando um adequado equilíbrio entre exploração e utilização de soluções. Todos os blocos de EES-BN foram estruturados para operar colaborativamente e de forma auto-ajustável. Em uma serie de avaliações experimentais em RBs conhecidas de variado tamanho foi encontrado que EES-BN consegue aprender estruturas de RBs significativamente mais próximas às estruturas verdadeiras do que vários outros métodos representativos estudados (dois evolutivos: CCGA e GAK2, e dois não evolutivos: GS e MMHC). EES-BN tem mostrado também tempos computacionais competitivos, melhorando marcadamente os tempos dos outros métodos evolutivos e superando também ao GS nas redes de grande porte. A efetividade de EES-BN foi também comprovada em dois problemas relevantes em Bioinformática: i) reconstrução da rede deinterações intergênicas a partir de dados de expressão gênica, e ii) modelagem do chamado desequilíbrio de ligação a partir de dados genotipados de marcadores genéticos de populações humanas. Em ambas as aplicações, EES-BN mostrou-se capaz de capturar relações interessantes de significância biológica estabelecida. / Bayesian networks (BN) are probabilistic tools widely accepted for modeling and reasoning in domains under uncertainty. One of the most difficult tasks in the construction of a BN is the determination of its model structure, which is the inter-dependence structure of the problem variables. The exact estimation of the model structure from observed data is generally infeasible, since the number of possible structures grows super-exponentially with the number of variables. Efficient approximate methods are therefore essential for the construction of credible BN. In this work we present the Efficient Evolutionary System for learning BN structures (EES-BN). This system is composed by two learning phases. The first phase is responsible for the reduction of the search space by estimating a superstructure. For this task were developed two methods (Opt01SS and OptHPC), both based in independence tests. The second phase of EES-BN is an evolutionary design for finding the optimal model structure using the superstructure as the search space. Three main blocks compose this phase: recombination, mutation and diversity injection. With the aim to gain search efficiency was developed a new recombination operator (MergePop), which improves the Merge operator of Wong e Leung (2004). The operators for mutation and recombination blocks were also selected aiming to have an appropriate balance between exploitation and exploration of the solutions. All blocks in EES-BN were structured to operate in a collaborative and self-regulated fashion. Through a series of experiments and comparisons on benchmark BNs of varied dimensionality was found that EES-BN is able to learn BN structures markedly closer to the gold standard networks than various other representative methods (two evolutionary: CCGA and GAK2, and two non-evolutionary methods: GS and MMHC). The computational times of EES-BN were also found competitive, improving notably the times of the evolutionary methods and also the GS in the larger networks. The effectiveness of EES-BN was also verified in two real problems in bioinformatics: i) the reconstruction of a gene regulatory network from gene-expression data, and ii) the modeling of the linkage disequilibrium structures from genetic marker genotyped data of human populations. In both applications EES-BN proved to be able to recover interesting relationships with proven biological meaning.