Made available in DSpace on 2016-08-29T15:33:16Z (GMT). No. of bitstreams: 1 tese_4927_.pdf: 3369847 bytes, checksum: 4cc5621710c503204596b4b258684b3b (MD5) Previous issue date: 2011-07-01 / O objetivo principal deste trabalho é a realização de um estudo investigativo experimental de algoritmos populacionais em ambientes ruidosos. Quatro versões do algoritmo Particle Swarm (PSO) foram adotadas nos experimentos. São elas: PSO canônico (topologia global), PSO padrão (topologia local), Bare Bones (BBPSO) e Fully Informed Particle Swarm (FIPS). Através de cooperação, as abordagens de otimização baseadas em população frequentemente encontram soluções satisfatórias com eficácia e eficiência. Entretanto, a maioria das versões desenvolvidas nos últimos anos apresenta dificuldades na otimização de funções com muitos mínimos locais em espaços de alta dimensão. Foi analisado o comportamento de uma estratégia denominada de estratégia de jump em ambientes incertos com a finalidade de estudar melhorias no desempenho dos métodos investigados, tanto no contexto estático quanto ruidoso. Inicialmente, os algoritmos populacionais foram investigados com a estratégia de jump com objetivo de escapar de mínimos locais. O jump é utilizado quando não são observadas melhorias durante o processo de otimização. Essa abordagem foi apresentada primeiramente com base nas distribuições de probabilidade Gaussiana e de Cauchy. Testes experimentais foram conduzidos em um conjunto bem conhecido de problemas multimodais, com muitos mínimos locais. Os resultados obtidos sugerem que as versões híbridas dos algoritmos populacionais são capazes de superar o desempenho de suas respectivas versões originais. Conclui-se que a estratégia de jump é bastante eficaz no combate à convergência prematura. A melhoria no desempenho é consequência de um pequeno, mas importante, número de saltos bem sucedidos. Em virtude dos resultados promissores obtidos com os algoritmos populacionais combinados com a estratégia de jump, essa abordagem foi expandida e, ao invés, de gerar números randômicos segundo distribuições de probabilidade, optou-se por utilizar sequências caóticas. As quatro versões do PSO foram novamente investigadas com objetivo de analisar a habilidade da estratégia modificada em permitir que indivíduos em regime de estagnação escapem de atratores sub-ótimos. Resultados de simulação demonstram que a adição de saltos caóticos impulsiona o desempenho dos algoritmos em comparação com as abordagens utilizando distribuição de probabilidade. Além disso, a estratégia populacional com caos possui custo computacional inferior. Na sequência do trabalho, o foco é a investigação da introdução de jump com caos nos algoritmos populacionais aplicados, entretanto, a problemas de otimização ruidosos, com adição de incerteza às funções de teste. O método híbrido é analisado experimentalmente em diversas funções benchmarks. Resultados de simulação indicam que a adição da estratégia de jump é benéfica em termos de robustez. Em ambientes ruidosos, um algoritmo para ser considerado robusto precisa alcançar sistematicamente uma solução satisfatória. Não é suficiente obter bons resultados sob baixos níveis de ruídos e degradar a solução à proporção que o nível de ruído aumenta. Conclui-se que embora o desempenho dos algoritmos populacionais deteriore com o aumento no nível de ruído, as soluções encontradas pelas versões modificadas são superiores às soluções obtidas pelas versões originais. A estratégia de saltos, adicionada aos algoritmos populacionais, aplicada tanto em funções estáticas quanto em funções ruidosas demonstrou ser bastante eficiente e eficaz, pois aumenta a chance do algoritmo escapar de mínimos locais. A abordagem analisada é simples e de fácil implementação, sem nenhum acréscimo de esforço computacional. O uso de sequências caóticas em substituição às distribuições de probabilidade contribui para a eficiência da abordagem.

Made available in DSpace on 2014-06-12T17:36:38Z (GMT). No. of bitstreams: 2 arquivo2276_1.pdf: 2642883 bytes, checksum: 1f303d82998032e2904934b949150f26 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nas ciências em geral, o termo otimização se refere ao estudo de um conjunto de técnicas que têm como objetivo a obtenção de um melhor resultado para uma função e parâmetros (variáveis de projeto) pré-especificados dentro de um conjunto permitido (espaço de projeto). A otimização em geral é feita através de procedimentos numéricos computacionais. A maioria desses procedimentos utiliza algoritmos que fazem uso de gradientes devido principalmente à eficiência computacional dos mesmos no processo de obtenção de pontos de ótimo. No entanto, nas últimas décadas, algoritmos metaheurísticos (algoritmos que não requerem cálculos de gradientes no processo de otimização) têm atraído grande atenção da comunidade científica. Os algoritmos dessa classe geralmente imitam algum fenômeno da natureza e são comumente chamados de algoritmos evolucionários. Dentre as alternativas existentes nessa classe de algoritmos, podem ser citados: o algoritmo genético (genetic algorithm GA), o recozimento simulado (simulated annealing SA) e o enxame de partículas (particle swarm PS). Embora as técnicas citadas requeiram mais avaliações de funções para encontrar uma solução ótima, quando comparadas com algoritmos que utilizam o cálculo de gradientes, os algoritmos baseados em procedimentos evolucionários apresentam várias vantagens, a saber: facilidade de programação; não necessitam da garantia de continuidade nas funções envolvidas na definição do problema; mais adequado na determinação de um ótimo global ou próximo do global; e adequados na solução de problemas discretos. Nos últimos três anos, o nosso grupo de pesquisa tem se empenhado na implementação computacional e uso do algoritmo de otimização do enxame de partículas (Particle Swarm Optimization - PSO). O algoritmo PSO se desenvolveu de experiências com algoritmos que modelavam o comportamento de muitas espécies de pássaros. A metodologia estudada tem fortes raízes em vida artificial e na psicologia social. Neste trabalho, o procedimento desenvolvido é aplicado a uma diversidade de problemas que têm o intuito de enfatizar a eficácia e versatilidade da metodologia estudada nos diversos tipos de problemas existentes, inclusive em problemas práticos da engenharia.Várias versões foram desenvolvidas no ambiente MATLAB, onde o algoritmo PSO está implementado, tanto para problemas que envolvem uma única função objetivo como para aqueles que envolvem várias funções (otimização multiobjetivo). As várias opções disponíveis estão configuradas em um ambiente bastante fácil de entender e de operar. A utilização de modelos substitutos de baixo custo computacional, porém de precisão aferida, constitui uma alternativa bastante promissora a ser utilizadas em tais algoritmos, evitando desta forma uma grande demanda de tempo computacional, característica inerente das metodologias evolucionárias acopladas a simuladores numéricos. Nesta combinação de estratégias, o grande número de avaliações de funções requeridas pelo algoritmo evolucionário não mais se darão através de simulações numéricas do problema real, e sim através de cálculos rápidos que consideram o uso de modelos aproximados. Neste contexto, a técnica escolhida foi o método das Bases Reduzidas. Além da opção de modelos substitutos, uma implementação alternativa utilizando os paradigmas da computação paralela foi realizada objetivando a eficiência computacional. Para essa implementação, as operações realizadas no algoritmo PSO, como atualizações no decorrer das iterações e cálculo de funções de avaliação, foram distribuídas entre as várias unidades de processamento disponíveis. Ambos os aspectos acima mencionados são de crucial importância, especificamente para o caso da aplicação dos algoritmos PSO em problemas da engenharia prática. As aplicações deste trabalho se dirigiram ao uso de funções empíricas multimodais objetivando mostrar a potencialidade da metodologia em se determinar a solução global, bem como as funções provenientes da simulação numérica de treliças planas sob várias condições de solicitação. Foram conduzidas otimizações uni e multiobjetivo considerando a abordagem PSO, no contexto do uso de modelos reais e substitutos, e também alguns estudos utilizando o algoritmo na versão da implementação computacional paralela

Made available in DSpace on 2014-06-12T15:57:07Z (GMT). No. of bitstreams: 2 arquivo3141_1.pdf: 1187523 bytes, checksum: aeae95bc618434f1a50b6e6a9d701689 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / SERVIÇO FEDERAL DE PROCESSAMENTO / Técnicas baseadas em biometria têm sido aplicadas com sucesso em sistemas de identificação pessoal. Entre essas técnicas, uma bastante promissora é a que utiliza a dinâmica de digitação de cada usuário para reconhecê-lo. Neste trabalho investigamos uma arquitetura de um sistema de identificação pessoal através da dinâmica da digitação dos usuários. Os principais objetivos deste trabalho são desenvolver um sistema totalmente automatizado, ou seja, sem qualquer intervenção humana, e um estudo sobre como o módulo de seleção das características pode aumentar a aptidão do sistema. Em primeiro lugar, testamos a dificuldade de aprendizado dos dados através de um sistema sem seleção de características e com classificadores baseados em distância e máquinas de vetores suporte (SVM). Em seguida combinamos ao classificador SVM, um módulo de seleção das características da categoria filtro e da categoria wrapper. Avaliamos uma técnica da abordagem filtro e duas técnicas de otimização para a abordagem wrapper: algoritmos genéticos (AG) e otimização por enxame de partículas (PSO). Como AG é uma técnica bastante conhecida e pesquisada em trabalhos anteriores, nos concentramos mais no desenvolvimento de abordagens baseadas no algoritmo PSO padrão para a seleção das características. Duas novas técnicas baseadas no PSO foram criadas e comparadas aos AGs. A avaliação dessas técnicas foram feitas através de três medidas de desempenho: erro de classificação (formado pelas taxas de falsa aceitação e falsa rejeição), tempo de processamento e taxa de redução dos conjuntos das características

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2013-12-09T17:01:17Z No. of bitstreams: 1 dissertacao_mestrado_ien_2009_04.pdf: 364384 bytes, checksum: 6cf84681f737a44ede3a92963b0caf3f (MD5) / Made available in DSpace on 2013-12-09T17:01:17Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2009_04.pdf: 364384 bytes, checksum: 6cf84681f737a44ede3a92963b0caf3f (MD5) Previous issue date: 2009 / Neste trabalho, um algoritmo de Otimização por Enxame de Partículas (PSO, do inglês “Particle Swarm Optimization”) é desenvolvido para aplicação na otimização de políticas de manutenção preventiva. A metodologia proposta que permite intervalos flexíveis entre manutenções, ao invés de considerar os períodos fixos, possibilita uma melhor adaptação dos agendamentos, a fim de lidar com as taxas de falha dos componentes em envelhecimento. Por outro lado, devido a essa flexibilidade, o planejamento de manutenção preventiva se torna uma tarefa difícil. Motivada pelo fato do PSO ter demonstrado ser muito competitivo em relação a outras ferramentas de otimização, este trabalho investiga a sua utilização como uma ferramenta alternativa de otimização. Considerando que o PSO trabalha em espaço real e contínuo, torna-se um desafio sua aplicação a um problema de otimização discreto considerando agendamentos onde a quantidade de intervenções pode ser variável. O PSO desenvolvido neste trabalho apresenta uma modelagem original que contorna tal dificuldade, permitindo a aplicação do mesmo ao problema proposto. O PSO proposto destina-se a pesquisa para a melhor política de manutenção e considera vários aspectos relevantes, tais como: i) a probabilidade de necessitar uma reparação (manutenção corretiva), ii) o custo de tais reparos, iii) tempos de parada típicos, iv) os custos de manutenção preventiva, v) o impacto da manutenção na confiabilidade dos sistemas como um todo, e vi) a probabilidade de manutenção imperfeita. A fim de avaliar a metodologia proposta, optou-se por investigar um sistema eletromecânico composto por três bombas e quatro válvulas, o “Sistema de Injeção à Alta Pressão (HPIS)’ de um reator nuclear tipo PWR. Os resultados demonstram que o PSO com a modelagem proposta é eficiente na busca ótima da manutenção preventiva para as políticas de manutenção preventiva para o HPIS. / In this work, a Particle Swarm Optimization Algorithm (PSO) is developed for preventive maintenance optimization. The proposed methodology, which allows the use flexible intervals between maintenance interventions, instead of considering fixed periods (as usual), allows a better adaptation of scheduling in order to deal with the failure rates of components under aging. Moreover, because of this flexibility, the planning of preventive maintenance becomes a difficult task. Motivated by the fact that the PSO has proved to be very competitive compared to other optimization tools, this work investigates the use of PSO as an alternative tool of optimization. Considering that PSO works in a real and continuous space, it is a challenge to use it for discrete optimization, in which schedulings may comprise variable number of maintenance interventions. The PSO model developed in this work overcome such difficulty. The proposed PSO searches for the best policy for maintaining and considers several aspects, such as: i) probability of needing repair (corrective maintenance), ii) the cost of such repairs, iii) typical outage times, iv) costs of preventive maintenance, v) the impact of maintaining the reliability of systems as a whole, and vi) the probability of imperfect maintenance. To evaluate the proposed methodology, we investigate an electro-mechanical system consists of three pumps and four valves, "High Pressure Injection System (HPIS) of a PWR. Results show that PSO is quite efficient in finding the optimum preventive maintenance policies for the HPIS.

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2014-01-15T11:33:15Z No. of bitstreams: 1 dissertacao_mestrado_ien_2006_02.pdf: 387445 bytes, checksum: 255065d79e3220f3ddfa7c2492d6f253 (MD5) / Made available in DSpace on 2014-01-15T11:33:15Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2006_02.pdf: 387445 bytes, checksum: 255065d79e3220f3ddfa7c2492d6f253 (MD5) Previous issue date: 2006 / Este trabalho apresenta uma nova abordagem para resolução de problemas de maximização da disponibilidade em sistemas eletro-mecânicos, submetidos a políticas de testes periódicos para supervisão e inspeção. A nova abordagem utiliza ferramenta de otimização recém desenvolvida, Particle Swarm Optimization (PSO) criada por Kennedy e Eberhart (2001), integrada a modelos probabilísticos. São resolvidos dois problemas envolvendo otimização de políticas de manutenção, o primeiro utiliza um sistema eletromecânico clássico hipotético, e o segundo utiliza o sistema de geradores a diesel de emergência da planta nuclear de Angra 1. Para ambos os casos, o PSO é comparado com o algoritmo genético (AG). Nos experimentos realizados, o PSO foi capaz de obter resultados comparáveis aos do AG, ou até, ligeiramente superiores. Entretanto, o algoritmo do PSO é mais simples e a convergência mais rápida, apontando para uma boa alternativa para solução desta classe de problemas. / This work shows a new approach to solve availability maximization problems in electromechanical systems, under periodic preventive schedules tests. This approach uses a new optimization tool called PSO developed by Kennedy and Eberhart (2001), Particle Swarm Optimization, integrated with probabilistic safety analisys model. Two maintenance optimization problems are solved by the proposed technique, the first one is a hypothetical electromechanical configuration and the second one is a real clase from a nuclear power plant (Emergency Diesel Generators). For both problem PSO is compared to a genetic algorithm (GA). In the experiments made, PSO was able to obtain results comparable or even slightly better than those obtained GA. Therefore, the PSO algorithm is simpler and it´s convergence is faster, indicating that PSO is a good alternative for solving such kind of problems

Um sistema elétrico de potência agrega toda a estrutura pela qual a energia elétrica percorre, desde a sua geração até o seu consumo final. Nas últimas décadas observou-se um significativo aumento da demanda e, consequentemente, um aumento das interligações entre sistemas, tornando assim a operação e o controle destes extremamente complexos. Com o fim de obter a desejada operação destes sistemas, inúmeros estudos na área de Proteção de Sistemas Elétricos são realizados, pois é sabido que a interrupção desses serviços causam transtornos que podem assumir proporções desastrosas. Em sistemas elétricos malhados, nos quais as correntes de curto-circuito podem ser bidirecionais e podem ter intensidades diferentes devido a alterações topológicas nos mesmos, coordenar relés de sobrecorrente pode ser uma tarefa muito trabalhosa caso não haja nenhuma ferramenta de apoio. Neste contexto, este trabalho visa o desenvolvimento de uma metodologia eficiente que determine os ajustes otimizados dos relés de sobrecorrente direcionais instalados em sistemas elétricos malhados de forma a garantir a rapidez na eliminação da falta, bem como a coordenação e seletividade, considerando as várias intensidades das correntes de curto-circuito. Seguindo essa linha de raciocínio, observou-se que o uso de técnicas metaheurísticas para lidar com o problema da coordenação de relés é capaz de alcançar resultados significativos. No presente projeto, dentre os algoritmos inteligentes estudados, optou-se por pesquisar a aplicação do Algoritmo Enxame de Partículas Evolutivo (Evolutionary Particle Swarm Optimization) por este apresentar como características as vantagens tanto do Algoritmo Enxame de Partículas (Particle Swarm Optimization) quanto as dos Algoritmos Genéticos, possuindo assim grande potencial para solução destes tipos de problemas. / An electric power system aggregates all the structure in which the electric energy travels, from its generation to the final user. In the last decades it has been observed a significative increase of the demand and, consequently, an increment of the number of interconnections between systems, making the operation and control of them extremely complex. Aiming to obtain a good operation of this kind of systems, a lot of effort in the research area of power system protection has been spent, because it is known that the interruption of this service causes disorders that may assume disastrous proportions. In meshed power systems, in which the shortcircuit currents might be bidirectional and might have different magnitudes due to topological changes on them, to coordinate overcurrent relays may be a really hard task if you do not have a support tool. Look in this context, this work aims the development of and efficient methodology thats determine the optimal parameters of the directional overcurrent relays in a meshed electric power system ensuring the quickness in the fault elimination, as well as the coordination and selectivity of the protection system, considering the various intensities of the short-circuit currents. Maintaining this line, it has been noticed that the use of metaheuristics to deal with the problem of relay coordination is capable of achieving promissory results. In the present research, among the studied intelligent algorithms, it was chosen to use in it the Evolutionary Particle Swarm Optimization, due to its features thats is the advantages of the Particle Swarm Optimization as well as the Genetic Algorithms ones, hence it has great potential do solve theses kind of problems.

Um sistema elétrico de potência agrega toda a estrutura pela qual a energia elétrica percorre, desde a sua geração até o seu consumo final. Nas últimas décadas observou-se um significativo aumento da demanda e, consequentemente, um aumento das interligações entre sistemas, tornando assim a operação e o controle destes extremamente complexos. Com o fim de obter a desejada operação destes sistemas, inúmeros estudos na área de Proteção de Sistemas Elétricos são realizados, pois é sabido que a interrupção desses serviços causam transtornos que podem assumir proporções desastrosas. Em sistemas elétricos malhados, nos quais as correntes de curto-circuito podem ser bidirecionais e podem ter intensidades diferentes devido a alterações topológicas nos mesmos, coordenar relés de sobrecorrente pode ser uma tarefa muito trabalhosa caso não haja nenhuma ferramenta de apoio. Neste contexto, este trabalho visa o desenvolvimento de uma metodologia eficiente que determine os ajustes otimizados dos relés de sobrecorrente direcionais instalados em sistemas elétricos malhados de forma a garantir a rapidez na eliminação da falta, bem como a coordenação e seletividade, considerando as várias intensidades das correntes de curto-circuito. Seguindo essa linha de raciocínio, observou-se que o uso de técnicas metaheurísticas para lidar com o problema da coordenação de relés é capaz de alcançar resultados significativos. No presente projeto, dentre os algoritmos inteligentes estudados, optou-se por pesquisar a aplicação do Algoritmo Enxame de Partículas Evolutivo (Evolutionary Particle Swarm Optimization) por este apresentar como características as vantagens tanto do Algoritmo Enxame de Partículas (Particle Swarm Optimization) quanto as dos Algoritmos Genéticos, possuindo assim grande potencial para solução destes tipos de problemas. / An electric power system aggregates all the structure in which the electric energy travels, from its generation to the final user. In the last decades it has been observed a significative increase of the demand and, consequently, an increment of the number of interconnections between systems, making the operation and control of them extremely complex. Aiming to obtain a good operation of this kind of systems, a lot of effort in the research area of power system protection has been spent, because it is known that the interruption of this service causes disorders that may assume disastrous proportions. In meshed power systems, in which the shortcircuit currents might be bidirectional and might have different magnitudes due to topological changes on them, to coordinate overcurrent relays may be a really hard task if you do not have a support tool. Look in this context, this work aims the development of and efficient methodology thats determine the optimal parameters of the directional overcurrent relays in a meshed electric power system ensuring the quickness in the fault elimination, as well as the coordination and selectivity of the protection system, considering the various intensities of the short-circuit currents. Maintaining this line, it has been noticed that the use of metaheuristics to deal with the problem of relay coordination is capable of achieving promissory results. In the present research, among the studied intelligent algorithms, it was chosen to use in it the Evolutionary Particle Swarm Optimization, due to its features thats is the advantages of the Particle Swarm Optimization as well as the Genetic Algorithms ones, hence it has great potential do solve theses kind of problems.

Made available in DSpace on 2014-07-29T15:08:18Z (GMT). No. of bitstreams: 1 Dissertacao Sistemas Hidrotermicos.pdf: 1921130 bytes, checksum: 988097a7877583ede959085e07eade65 (MD5) Previous issue date: 2012-06-21 / Particle Swarm Optimization has been widely used to solve real-world problems, including the operation planning of hydrothermal generation systems, where the main goal is to achieve rational strategies of operation. This can be accomplished by minimizing the high-cost thermoelectric generation, while maximizing the low-cost hydroelectric generation. The optimization process must consider a set of complex constrains. This work presents the application of some recently proposed Particle Swarm Optimizers for a group of hydroelectric power plants of the Brazilian interconnected system, using real data from existing plants. There were performed some tests by using the standard PSO, PSO-TVAC, Clan PSO, Clan PSO with migration, Center PSO, and one approach proposed in this work, called Center Clan PSO, over three different mid-term periods. All PSO approaches were compared to the results achieved by a Non-linear Programming algorithm (NLP). Furthermore, another approach was proposed, based on Center PSO, named Extended Center PSO. It was observed that the PSO approaches presented as promising solutions to the problem, even better than NLP in some cases. / A Otimização por Enxame de Partículas tem sido amplamente utilizada na solução de problemas do mundo real, inclusive para o problema do planejamento da operação de sistemas de geração hidrotérmicos, em que o principal objetivo é encontrar estratégias racionais de operação. A solução é obtida através da minimização da geração térmica, alto custo, enquanto maximiza-se a geração hidrelétrica, que é de baixo custo. O processo de otimização deve considerar um conjunto complexo de restrições. Este trabalho apresenta a aplicação de uma abordagem recente chamada de Otimização por Enxame de Partículas para o problema com um grupo de usinas hidrelétricas do sistema interligado brasileiro, utilizando dados reais das usinas existentes. Foram realizados testes usando o PSO original, PSO-TVAC, Clan PSO, Clan PSO com a migração, Center PSO, e uma abordagem proposta neste trabalho, denominada Center Clan PSO, ao longo de três diferentes períodos de médio prazo. Todas as abordagens PSO foram comparadas com os resultados obtidos por um algoritmo de programação não linear (NLP). Além disso, uma outra abordagem foi proposta, com base no algoritmo Center PSO, chamada Extended Center PSO. Observou-se que as abordagens PSO apresentaram resultados promissores na solução do problema, com resultados até mesmo melhores, em alguns casos, que os obtidos pelo NLP.

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.