FundaÃÃo Cearense de Apoio ao Desenvolvimento Cientifico e TecnolÃgico / The infrastructure expansion planning in cellular networks, so called Base Station Placement (BSP) problem, is a challenging task that must consider a large set of aspects, and which cannot be expressed as a linear optimization function. The BSP is known to be a NP-hard problem unable to be solved by any deterministic method. Based on some fundamental assumptions of Long Term Evolution - Advanced (LTE-A) networks, this work proceeds to investigate the use of two methods for BSP optimization task: the Particle Swarm Optimization (PSO) and the Differential Evolution (DE), which were adapted for placement of many new network nodes simultaneously. The optimization process follows two multi-objective functions used as fitness criteria for measuring the performance of each node and of the network. The optimization process is performed in three scenarios where one of them presents actual data collected from a real city. For each scenario, the fitness performance of both methods as well as the optimized points found by each technique are presented. / O planejamento de expansÃo de infraestrutura em redes celulares à uma desafio que exige considerar diversos aspectos que nÃo podem ser separados em uma funÃÃo de otimizaÃÃo linear. Tal problema de posicionamento de estaÃÃes base à conhecido por ser do tipo NP-hard, que nÃo pode ser resolvido por qualquer mÃtodo determinÃstico. Assumindo caracterÃsticas bÃsicas da tecnologia Long Term Evolution (LTE)-Advanced (LTE-A), este trabalho procede à investigaÃÃo do uso de dois mÃtodos para otimizaÃÃo de posicionamento de estaÃÃes base: OtimizaÃÃo por Enxame de PartÃculas â Particle Swarm Optimization (PSO) â e EvoluÃÃo Diferencial â Differential Evolution (DE) â adaptados para posicionamento de mÃltiplas estaÃÃes base simultaneamente. O processo de otimizaÃÃo à orientado por dois tipos de funÃÃes custo com multiobjetivos, que medem o desempenho dos novos nÃs individualmente e de toda a rede coletivamente. A otimizaÃÃo à realizada em trÃs cenÃrios, dos quais um deles apresenta dados reais coletados de uma cidade. Para cada cenÃrio, sÃo exibidos o desempenho dos dois algoritmos em termos da melhoria na funÃÃo objetivo e os pontos encontrados no processo de otimizaÃÃo por cada uma das tÃcnicas

Nesta dissertaÃÃo à apresentada uma abordagem evolucionÃria para o projeto eciente de classificadores baseados em protÃtipos utilizando EvoluÃÃo Diferencial. Para esta finalidade foram reunidos conceitos presentes na famÃlia de redes neurais LVQ (Learning Vector Quantization, introduzida por Kohonen para classificaÃÃo supervisionada, juntamente com conceitos extraÃdos da tÃcnica de clusterizaÃÃo automÃtica proposta por Das et al. baseada na metaheurÃstica EvoluÃÃo Diferencial. A abordagem proposta visa determinar tanto o nÃmero Ãtimo de protÃtipos por classe, quanto as posiÃÃes correspondentes de cada protÃtipo no espaÃo de cobertura do problema. AtravÃs de simulaÃÃes computacionais abrangentes realizadas sobre vÃrios conjuntos de dados comumente utilizados em estudos de comparaÃÃo de desempenho, foi demonstrado que o classificador resultante, denominado LVQ-DE, alcanÃa resultados equivalentes (ou muitas vezes atà melhores) que o estado da arte em classificadores baseados em protÃtipos, com um nÃmero muito menor de protÃtipos. / In this Master's dissertation we introduce an evolutionary approach for the eficient design of prototyp e-based classiers using dierential evolution (DE). For this purp ose we amalgamate ideas from the Learning Vector Quantization (LVQ) framework for sup ervised classication by Kohonen (KOHONEN, 2001), with the DE-based automatic clustering approach by Das et al. (DAS; ABRAHAM; KONAR, 2008) in order to evolve sup ervised classiers. The prop osed approach is able to determine b oth the optimal numb er of prototyp es p er class and the corresp onding p ositions of these prototyp es in the data space. By means of comprehensive computer simulations on b enchmarking datasets, we show that the resulting classier, named LVQ-DE, consistently outp erforms state-of-the-art prototyp e-based classiers.