Esta dissertaçãoo investiga a utilização de Particle Swarm Optimization (PSO) para a obtenção automática de sistemas fuzzy do tipo Mamdani, tendo como insumo apenas as definições das variáveis do problema, seus domínios e a função objetivo. Neste trabalho utilizam-se algumas técnicas conhecidas na tentativa de minimizar a obtenção de sistemas fuzzy que não sejam coerentes. As principais técnicas usadas são o método de Wang e Mendell, chamado de WM, para auxiliar na obtenção de regras, e os conceitos de clusterização para obtenção das funções de pertinência. Na função de avaliação proposta, considera-se não somente a acurácia do sistema fuzzy, através da medida do erro, mas também a sua interpretabilidade, através da medida da compacidade, que consiste da quantidade de regras e funções membro, da distinguibilidade, que permite evitar que as funções membro não se confundam, e da completude, que permite avaliar que as funções membro abranjam o máximo do domínio. O propósito deste trabalho consiste no desenvolvimento de um algoritmo baseado em PSO, cuja função de avaliação congregue todos esses objetivos. Com parâmetros bem definidos, o algoritmo pode ser utilizado em diversos tipos de problemas sem qualquer alteração, tornando totalmente automática a obtenção de sistemas fuzzy. Com este intuito, o algoritmo proposto é testado utilizando alguns problemas pré-selecionados, que foram classificados em dois grupos, com base no tipo de função: contínua ou discreta. Nos testes com funções contínuas, são utilizados sistemas tridimensionais, com duas variáveis de entrada e uma de saída, enquanto nos testes com funções discretas são utilizados problemas de classificação, sendo um com quatro variáveis e outro com seis variáveis de entrada. Os resultados gerados pelo algoritmo proposto são comparados com aqueles obtidos em outros trabalhos. / This dissertation investigates the use of Particle Swarm Optimization (PSO) to allow automatic modeling of Mamdani fuzzy systems taking as input only the variable definitions, their respective domains and the objective function. This work uses several known techniques to avoid the consideration of invalid fuzzy systems. The main used techniques are the WM method, which is used to generate rules, and the clustering concept, which assists in the generation of the membership functions. The evaluation function proposed considers not only the accuracy of the generated fuzzy system, but also the properties of interpretability and distinguishability. The accuracy of the fuzzy system is measured using the underlaying error. The system interpretability is evaluated using a compactness measure, which consists mainly of the number of employed rules and membership functions, while its distinguishability is quantified using the completeness measure, which consists of measuring how the used membership functions are covering the corresponding domain. The main goal of this work is to develop a PSO-based algorithm that uses a fitness function which congregates all these objectives. With well-defined parameters, the algorithm can be used with different kinds of problems without any change, allowing for a fully automatic generation process of an adequate fuzzy system. In this purpose, the proposed algorithm is tested for some benchmark problems, which are classified in two groups, based on the type of function to be modeled by the yield fuzzy system: completely or partially defined function. In the cases for fully-defined functions, three-dimensional functions are used. These functions have two input variables and one output variable. In the cases for partially-defined functions, two classification problems are used, one having four variables and other six input variables. The results obtained by the proposed algorithm are compared to related work.

Submitted by Maykon Nascimento (maykon.albani@hotmail.com) on 2015-08-03T18:48:30Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Um algoritmo PSO híbrido para planejamento de caminhos em navegação de veículos utilizando A.pdf: 2604695 bytes, checksum: ed8f69e49eaefe272bccd6025290c381 (MD5) / Approved for entry into archive by Elizabete Silva (elizabete.silva@ufes.br) on 2015-08-13T21:44:43Z (GMT) No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Um algoritmo PSO híbrido para planejamento de caminhos em navegação de veículos utilizando A.pdf: 2604695 bytes, checksum: ed8f69e49eaefe272bccd6025290c381 (MD5) / Made available in DSpace on 2015-08-13T21:44:43Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Um algoritmo PSO híbrido para planejamento de caminhos em navegação de veículos utilizando A.pdf: 2604695 bytes, checksum: ed8f69e49eaefe272bccd6025290c381 (MD5) Previous issue date: 2015 / Utilizar robôs autônomos capazes de planejar o seu caminho é um desafio que atrai vários pesquisadores na área de navegação de robôs. Neste contexto, este trabalho tem como objetivo implementar um algoritmo PSO híbrido para o planejamento de caminhos em ambientes estáticos para veículos holonômicos e não holonômicos. O algoritmo proposto possui duas fases: a primeira utiliza o algoritmo A* para encontrar uma trajetória inicial viável que o algoritmo PSO otimiza na segunda fase. Por fim, uma fase de pós planejamento pode ser aplicada no caminho a fim de adaptá-lo às restrições cinemáticas do veículo não holonômico. O modelo Ackerman foi considerado para os experimentos. O ambiente de simulação de robótica CARMEN (Carnegie Mellon Robot Navigation Toolkit) foi utilizado para realização de todos os experimentos computacionais considerando cinco instâncias de mapas geradas artificialmente com obstáculos. O desempenho do algoritmo desenvolvido, A*PSO, foi comparado com os algoritmos A*, PSO convencional e A* Estado Híbrido. A análise dos resultados indicou que o algoritmo A*PSO híbrido desenvolvido superou em qualidade de solução o PSO convencional. Apesar de ter encontrado melhores soluções em 40% das instâncias quando comparado com o A*, o A*PSO apresentou trajetórias com menos pontos de guinada. Investigando os resultados obtidos para o modelo não holonômico, o A*PSO obteve caminhos maiores entretanto mais suaves e seguros. / Autonomous robots with the ability of planning their own way is a challenge that attracts many researchers in the area of robot navigation. In this context, this work aims to implement a hybrid PSO algorithm for planning paths in static environments for holonomic and non-holonomic vehicles. The proposed algorithm has two phases: the first uses A* algorithm to generates an initial and feasible trajectory which is optimized by the PSO algorithm in the second stage. Finally a post path planning phase can be applied in order to adapt it to non-holonomic vehicle kinematic constraints. The Ackerman model has been considered for the experiments. The Carnegie Mellon Robot Navigation Toolkit (CARMEN) was used to perform the computational experiments considering five instances of maps artificially generated with obstacles. The performance of the A*PSO algorithm was compared with A*, PSO and A*-Hybrid State. The results of the dynamic instances were not compared with other algorithms. The computational results indicates that the algorithm A*PSO outperformes the PSO algorithm. With respect to the algorithm A*, the A*PSO achieved better solutions for 40% of the tested instances, but all of them, with less waypoints. For non-holonomic instances, the A*PSO obtained longer paths, however smoother and safer.

Submitted by Morgana Silva (morgana_linhares@yahoo.com.br) on 2016-09-27T17:05:15Z No. of bitstreams: 1 arquivototal.pdf: 2911484 bytes, checksum: a40eec3093de5890811339c6b3e86fa7 (MD5) / Made available in DSpace on 2016-09-27T17:05:15Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 2911484 bytes, checksum: a40eec3093de5890811339c6b3e86fa7 (MD5) Previous issue date: 2016-02-29 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work presents a method of sizing photovoltaic panels using modified Particle swarm (MPSO) in order to reduce power losses and improve the voltage profile. For implementation was used the PowerFactory® software, specifically programing language DIgSILENT (DPL). The proposed method was applied at the first time in the IEEE 13-bus system. After validating, it was applied to a real system, Federal University of Paraíba (UFPB). The results show that the proposed method have the ability to provide the best dimensions of photovoltaic panels distributed at the University, improving of the voltage profile and reducing energy losses / Este trabalho apresenta um método de dimensionamento de painéis fotovoltaicos usando enxame de partículas modificado (MPSO), a fim de reduzir as perdas de energia e melhorar o perfil de tensão. Para a implementação é utilizado o software PowerFactory®, especificamente a linguagem de programação em DIgSILENT (DPL). O método proposto foi aplicado inicialmente no sistema IEEE 13-barras. Após a validação, foi aplicada a um sistema real, Universidade Federal da Paraíba (UFPB). Os resultados mostram que o método proposto tem a capacidade de proporcionar as melhores dimensões de módulos fotovoltaicos distribuídos na micro rede da Universidade, melhorando o perfil de tensão e reduzindo as perdas de energia.

Submitted by Lucienne Costa (lucienneferreira@ufcg.edu.br) on 2018-04-17T17:28:24Z No. of bitstreams: 1 RENATA GUEDES DE ALMEIDA RIBEIRO – DISSERTAÇÃO (PPGEE) 2017.pdf: 1632479 bytes, checksum: 9b29fe9df4e8998b598b4b1a8fefacb0 (MD5) / Made available in DSpace on 2018-04-17T17:28:24Z (GMT). No. of bitstreams: 1 RENATA GUEDES DE ALMEIDA RIBEIRO – DISSERTAÇÃO (PPGEE) 2017.pdf: 1632479 bytes, checksum: 9b29fe9df4e8998b598b4b1a8fefacb0 (MD5) Previous issue date: 2017-02 / CNPq / Um algoritmo de enxame de partículas foi aplicado para determinar os locais ótimos de instalação de unidades geradoras fotovoltaicas, visando redução das perdas de potência no sistema de distribuição, as quais foram calculadas pelo método da soma das correntes. O estudo considerou o índice de radiação solar e a temperatura local, o que diferencia este trabalho de outros encontrados na literatura especializada no tema. O algoritmo foi validado tomando como referência a técnica de busca exaustiva e o seu desempenho avaliado em um sistema-teste de 36-barras, no qual três fontes fotovoltaicas foram inseridas. Análise minuciosa dos resultados mostrou que o algoritmo proposto conseguiu estimar os ótimos locais para instalação das fontes fotovoltaicas. / A particle swarm algorithm (PSO) is used to determine the optimal placement for the installation of photovoltaic generators, aiming to reduce the power loss in distribution systems, which are calculated by the sum of currents method (MSI). The solar radiation index and the local temperature are considered, what distinguish this work from others found on specialized literature about the theme. The algorithm was validated using the exhaustive search technique as a reference and its performance was evaluated in a 36-bus test system, in which three photovoltaic sources were included. The rigorous analysis of the results showed that the proposed algorithm achieved its purpose to estimate de optimal placement for the installation of photovoltaic sources.

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-29T10:40:19Z No. of bitstreams: 2 Dissertação - Leonardo Alves Moreira de Melo - 2018.pdf: 2693689 bytes, checksum: 850fbad5a82099825d2478ba3415dcac (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-29T11:09:58Z (GMT) No. of bitstreams: 2 Dissertação - Leonardo Alves Moreira de Melo - 2018.pdf: 2693689 bytes, checksum: 850fbad5a82099825d2478ba3415dcac (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-11-29T11:09:58Z (GMT). No. of bitstreams: 2 Dissertação - Leonardo Alves Moreira de Melo - 2018.pdf: 2693689 bytes, checksum: 850fbad5a82099825d2478ba3415dcac (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-10-26 / Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG / In order to address an issue concerning the increasing number of algorithms based on particle swarm optimization (PSO) applied to solve large-scale optimization problems (up to 2000 variables), this article presents analysis and comparisons among five state- of-the-art PSO algorithms (CCPSO2, LSS- PSO, OBL-PSO, SPSO and VCPSO). Tests were performed to illustrate the e ciency and feasibility of using the algorithms for this type of problem. Six benchmark functions most commonly used in the literature (Ackley 1, Griewank, Rastrigin, Rosenbrock, Schwefel 1.2 and Sphere) were tested. The experiments were performed using a high-dimensional problem (500 variables), varying the number of particles (50, 100 and 200 particles) in each algorithm, thus increasing the computational complexity. The analysis showed that the CCPSO2 and OBL-PSO algorithms found significantly better solutions than the other algorithms for more complex multimodal problems (which most resemble realworld problems). However, considering unimodal functions, the CCPSO2 algorithm stood out before the others. Our results and experimental analysis suggest that CCPSO2 and OBL- PSO seem to be highly competitive optimization algorithms to solve complex and multimodal optimization problems. / O número de algoritmos baseados na otimização por enxame de partículas (PSO) aplicados para resolver problemas de otimização em grande escala (até 2.000 variáveis) aumentou significativamente. Este trabalho apresenta análises e comparações entre cinco algoritmos (CCPSO2, LSSPSO, OBL-CPSO, SPSO e VCPSO). Testes foram realizados para ilustrar a eficiência e viabilidade de usar os algoritmos para resolver problemas em larga escala. Seis funções de referência que são comumente utilizadas na literatura (Ackley 1, Griewank, Rastrigin, Rosenbrock, Schwefel 1.2 e Sphere) foram utilizadas para testar a performancedesses algoritmos. Os experimentos foram realizados utilizando um problema de alta dimensionalidade (500 variáveis), variando o número de partículas (50, 100 e 200 partículas) em cada algoritmo, aumentando assim a complexidade computacional. A análise mostrou que os algoritmos CCPSO2 e OBL-CPSO mostraram-se significativamente melhores que os outros algoritmos para problemas multimodais mais complexos (que mais se assemelham a problemas reais). No entanto, considerando as funções unimodais, o algoritmo CCPSO2 destacou-se perante os demais. Nossos resultados e análises experimentais sugerem que o CCPSO2 e o OBL-CPSO são algoritmos de otimização altamente competitivos para resolver problemas de otimização complexos e multimodais em larga escala.

Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-10T14:29:06Z No. of bitstreams: 2 Dissertaçao Elliackin Figueiredo.pdf: 1432182 bytes, checksum: 136c5c376ae4f615d93145675c1f8a21 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-11T17:32:59Z (GMT). No. of bitstreams: 2 Dissertaçao Elliackin Figueiredo.pdf: 1432182 bytes, checksum: 136c5c376ae4f615d93145675c1f8a21 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-02-25 / Otimização de Muitos Objetivos consiste na otimização de problemas com muitos objetivos, isto é, problemas multiobjetivos com um elevado número de objetivos, geralmente mais de três. Atualmente, essa área é uma área ativa com respeito ao campo de algoritmos evolucionários. Em problemas como esses, algoritmos que utilizam a dominância de Pareto como critério de atribuição de aptidão tais como MOEAs e MOPSOs se tornam inefetivos, pois praticamente todas as soluções da população tendem a ser tornar não-dominadas, levando a perda da pressão de convergência para a Frente de Pareto. A ineficácia desses algoritmos levou os pesquisadores a proporem estratégias alternativas a dominância de Pareto para lidar com esses problemas, principalmente para os MOEAs. Contudo, pouco tem sido feito no sentido de tornar os MOPSOs efetivos em problemas com muitos objetivos. Na literatura, os MOPSOs propostos para lidar com esses problemas apresentam muitas dificuldades, tais como parâmetros difíceis de ajustar, necessidade de conhecimento sobre o problema, e a incapacidade de convergência em problemas com multimodalidade. Nesse trabalho, um novo algoritmo baseado em enxame de partículas para problemas com muitos objetivos foi proposto e foi denominado de MOPSO-GD. O MOPSO-GD caracteriza-se por esquemas melhorados para (i) a seleção dos líderes sociais, (ii) seleção dos líderes cognitivos e (iii) poda do arquivo externo. Todos esses esquemas são baseados em um método de alta granularidade denominado de Detrimento Global. O Detrimento Global foi usado como um método para promover a convergência e promover a habilidade do MOPSO-GD de lidar com um grande número de objetivos. Para validar o MOPSO-GD, ele foi avaliado usando quatro problemas de teste escaláveis bem conhecidos (DTLZ{1,3,4,6}) com 5, 10, 15, 20, 30 e 50 objetivos; e foi comparado com duas abordagens baseadas em enxame de partículas (MOPSO-CDR e SMPSO) e dois algoritmos evolucionários estado da arte para problemas com muitos objetivos (CEGA e MDFA). Os resultados mostraram que o MOPSO-GD obteve bom desempenho em termos de convergência, enquanto manteve os níveis de diversidade do CEGA e do MDFA.

Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-12T13:03:02Z No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-13T13:13:38Z (GMT) No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-13T13:13:38Z (GMT). No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-02-22 / Vem sendo dada grande atenção às Máquinas de Vetores de Suporte (SVMs) devido à sua fundamentação teórica e seu bom desempenho quando comparadas a outros algoritmos de aprendizado em diferentes aplicações. Porém, seu bom desempenho depende fortemente da escolha adequada de seus parâmetros de controle. Como a abordagem de tentativa e erro se torna impraticável devido às combinações entre os possíveis valores dos parâmetros, a seleção de parâmetros passou a ser tratada como um problema de otimização, de modo que o objetivo é encontrar a combinação de valores dos parâmetros mais adequada para um determinado problema. Embora a utilização de algoritmos de otimização e busca automatizem a seleção de parâmetros de SVM, ela pode se tornar inviável caso o número de parâmetros a serem selecionados aumente consideravelmente. Uma alternativa é o uso de Meta-Aprendizado (MA), que trata a tarefa de seleção de parâmetros como uma tarefa de aprendizado supervisionado. Cada exemplo de treinamento para o MA (meta-exemplo) armazena características de problemas passados e o desempenho obtido pelas configurações de parâmetros candidatas. Este conjunto de meta-exemplos forma a meta-base, sendo esta utilizada para auxiliar no módulo de sugestão ou meta-aprendiz. O meta-aprendiz tem a função de prever as configurações de parâmetros mais adequadas para um problema novo baseado em suas características. Deste modo, MA se torna uma alternativa menos custosa comparada aos algoritmos de otimização, pois faz uso de execuções passadas no processo de sugestão. Neste trabalho, as sugestões do meta-aprendiz são utilizadas como soluções iniciais da técnica de busca, sendo esta responsável pelo refinamento das soluções sugeridas. Neste trabalho, foi criada uma arquitetura híbrida multi-objetivo, que combina MA com algoritmos de otimização, inspirados em enxames de partículas, com múltiplos objetivos aplicado ao problema de seleção de parâmetros de SVMs. Os algoritmos de otimização utilizados no experimento foram: MOPSO, MOPSO-CDR, MOPSO-CDRS, CSS-MOPSO, m-DNPSO e MOPSO-CDLS, e os objetivos levados em consideração foram: maximização da taxa de acerto na classificação e minimização do número de vetores de suporte. De acordo com os resultados alcançados, ficou comprovado o potencial do MA na sugestão de soluções para os algoritmos de otimização. O início da busca em regiões promissoras favoreceu a convergência e geração de soluções ainda melhores, quando comparada a aplicação de algoritmos de busca tradicionais. Os Pareto fronts gerados foram analisado em 4 perspectivas (spacing, max. spread, hypervolume e coverage), sendo os resultados da abordagem híbrida superiores aos das técnicas de otimização tradicionais.

Made available in DSpace on 2014-06-12T15:49:31Z (GMT). No. of bitstreams: 2 arquivo1252_1.pdf: 1197397 bytes, checksum: 95159c131dcb5fed48e21ab1ea96a5ef (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Seleção automática de casos de teste (CTs) é uma tarefa importante para melhora da eficiência das atividades de Testes de Software. Essa tarefa pode ser tratada como um problema de otimização, cujo objetivo é encontrar um subconjunto de CTs que maximizem um dado critério de teste. No nosso trabalho, o critério de testes é a cobertura de requisitos funcionais formalmente especificados, e, além dele, o custo (esforço de execução) também é levado em consideração no processo de seleção. Mesmo sendo um aspecto importante, o esforço de execução ainda é negligenciado por outros trabalhos na área de seleção automática de CTs. Nesse trabalho, utilizamos o algoritmo conhecido como como Otimização por Enxame de Partículas (Particle Swarm Optimization - PSO), ainda não investigado na resolução desse tipo de problema, para criação de uma ferramenta de seleção automática de CTs. Nela, o esforço de execução é utilizado como um limiar no processo de seleção, onde, dada uma suíte de testes, busca-se selecionar um subconjunto de casos de testes que não ultrapassem esse limiar e que maximizem a cobertura de requisitos funcionais. Para tanto, o esforço de execução foi considerado uma restrição ao problema de otimização e a cobertura de requisitos como a função de fitness. Nessa ferramenta, sete módulos (que implementavam outras técnicas de busca), foram desenvolvidos e seus desempenhos comparados através de experimentos onde foi possível oberservar o bom desempenho do PSO se comparado às outras técnicas

Made available in DSpace on 2014-06-12T15:51:33Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsão

Made available in DSpace on 2014-06-12T15:51:59Z (GMT). No. of bitstreams: 2 arquivo3006_1.pdf: 934448 bytes, checksum: cfaf4b35b4e186dc40f91523ebe587bf (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os Sistemas de Múltiplos Classificadores (também conhecidos como Comitês de Classificadores) podem usar a combinação ou a seleção de hipóteses dos diferentes membros para determinar a hipótese de solução para um dado problema. O método de combinação de hipóteses é mais difundido, sendo possível encontrar diferentes estratégias que aprimoraram o seu desempenho desde a sua concepção. Por outro lado, o método de seleção não possui tantos avanços quanto o método de combinação, embora o seu potencial já tenha sido comprovado em trabalhos da literatura. A construção de sistemas de múltiplos classificadores usando o método de seleção envolve a busca pela estratégia de seleção, que pode ser através do agrupamento dos dados de treinamento e seleção de classificadores especializados nos dados de cada grupo encontrado. Os aprimoramentos realizados no método de seleção de classificadores ocorrem para a definição da estratégia de seleção, normalmente executada por um método manual. Por outro lado, os melhores aprimoramentos do método de combinação de classificadores foram obtidos com o uso de métodos evolucionários (automáticas) para o ajuste de parâametros. Devido à ausência da hibridização com métodos evolucionários para o aprimoramento do método de seleção; às dificuldades inerentes ao trabalho por tentativa e erro em atividades de busca e para avançoo do conhecimento sobre o potencial do método de seleção, faz-se necessária uma exploração do potencial do método de seleção usando métodos de busca evolucionários. Este trabalho explora a construção automática de sistemas de múltiplos classificadores usando o método de seleção. Nesta tese é proposto um novo método, que emprega a Otimização por Exame de Partículas e Evolução Diferencial acoplada ao Algoritmo Genético, utilizado para o aprimoramento da estratégia de seleção de classificadores. A combinação com métodos evolucionários tem o objetivo de explorar o potencial do método de seleção de classificadores, apresentando os benefícios de sua hibridização com métodos de busca evolucionários. A estratégia de seleção de classificadores adotada é composta por uma fase de agrupamento dos dados de treinamento e outra de busca por classificadores especializados para cada grupo de dados encontrado. Os experimentos realizados utilizaram os métodos K-médias e Mapas Auto-Organizáveis na fase de agrupamento e Redes Neurais Artificiais Lineares e Perceptrons de múltiplas camadas na fase de classificação. Algoritmos Evolucionários foram usados (Otimização por Exame de Partículas com ajuste dinâmico de parâmetros e Evolução Diferencial integrada a um Algoritmo Genético) no presente trabalho, com o propósito de otimizar os parâmetros e desempenho das diferentes técnicas empregadas nas fases de agrupamento e classificação. Os resultados experimentais mostraram que o método proposto possui um melhor desempenho quando comparado aos métodos manuais e supera de forma significativa a maioria dos métodos comumente usados para a construção de sistemas de múltiplos classificadores