Yes / In this paper, a new population-based and nature-inspired metaheuristic algorithm, Discrete Flower Pollination Algorithm (DFPA), is presented to solve the Resource Constrained Project Scheduling Problem (RCPSP). The DFPA is a modification of existing Flower Pollination Algorithm adapted for solving combinatorial optimization problems by changing some of the algorithm's core concepts, such as flower, global pollination, Lévy flight, local pollination. The proposed DFPA is then tested on sets of benchmark instances and its performance is compared against other existing metaheuristic algorithms. The numerical results have shown that the proposed algorithm is efficient and outperforms several other popular metaheuristic algorithms, both in terms of quality of the results and execution time. Being discrete, the proposed algorithm can be used to solve any other combinatorial optimization problems. / Innovate UK / Awarded 'Best paper of the Month'

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2017-12-22T14:54:33Z No. of bitstreams: 1 patriciasilvaneves.pdf: 1941458 bytes, checksum: 16ab3b743d0b75134d320f08de292905 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T18:33:39Z (GMT) No. of bitstreams: 1 patriciasilvaneves.pdf: 1941458 bytes, checksum: 16ab3b743d0b75134d320f08de292905 (MD5) / Made available in DSpace on 2018-01-22T18:33:39Z (GMT). No. of bitstreams: 1 patriciasilvaneves.pdf: 1941458 bytes, checksum: 16ab3b743d0b75134d320f08de292905 (MD5) Previous issue date: 2017-08-31 / O presente trabalho apresenta a aplicação conjunta de uma técnica de otimização bioinspirada e de um Algoritmo Heurístico Construtivo (AHC) na resolução do problema de planejamento estático da expansão de sistemas de transmissão de energia elétrica. O algoritmo bioinspirado utilizado é uma versão modificada do Flower Pollination Algorithm (FPA), no qual foi introduzido o operador de seleção clonal, oriundo do Algoritmo de Seleção Clonal (CLONALG), com o objetivo de potencializar o processo de busca local do FPA. A versão modificada proposta neste trabalho foi nomeada de Clonal Flower Pollination Algorithm (CFPA). O CFPA realiza a otimização da expansão de sistemas de transmissão de energia elétrica, determinando, entre um conjunto de linhas (circuitos) de transmissão previamente definidas, quais devem ser construídas de modo a minimizar os custos de investimento e de operação do sistema elétrico, suprindo a demanda prevista para um dado horizonte de planejamento. De modo a aumentar a eficiência do processo de busca pelo CFPA, fez-se o uso de informações provenientes de um Algoritmo Heurístico Construtivo. Tais informações heurísticas são utilizadas na inicialização do CFPA e também na seleção de um conjunto reduzido das rotas mais relevantes à expansão, reduzindo o espaço de busca. Para aferir os resultados da metodologia proposta foram simulados os sistemas Garver, IEEE 24 Barras e o equivalente da região Sul do Brasil. Diante dos resultados, pode-se verificar que tanto a inclusão do operador de seleção clonal quanto as informações heurísticas foram capazes de aumentar a eficiência do FPA na resolução do problema aqui em estudo. / This work presents the application of a bio-inspired algorithm, together with a Heuristic Constructive Algorithm (HCA) in the solution of a power system static transmission expansion planning problem. The algorithm used is a modified version of the Flower Pollination Algorithm (FPA) that includes a clonal selection operator, from the clonal selection algorithm (CLONALG) that aims to improve the FPA local search process. The modified version proposed is entitled Clonal Flower Pollination Algorithm (CFPA). The CFPA realizes the power system transmission expansion planning, that is, it determines between a set of predefined transmission lines (circuits), which of them must be constructed in order to minimize the power systems investments and operation costs, while meeting the forecast demand in a given planning horizon. In order to increase the efficiency of the search process by the CFPA, information from an HCA has been utilized. That heuristic information has been used in the initialization process of the CFPA and also in the selection of a reduced set of most relevant lines candidates to the expansion plan, thus reducing the search space. To evaluate the results of the proposed methodology, the Garver, IEEE 24 Buses and South Brazilian Systems were simulated. Considering the results it can be verified that both the inclusion of the clonal selection algorithm and the heuristic information were able to increase the efficiency of the FPA in solving this problem.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-04-07T11:44:34Z No. of bitstreams: 1 Marilia Marta.pdf: 1791339 bytes, checksum: 4b1d16d2c77f148ff69597765e114fa2 (MD5) / Made available in DSpace on 2017-04-07T11:44:34Z (GMT). No. of bitstreams: 1 Marilia Marta.pdf: 1791339 bytes, checksum: 4b1d16d2c77f148ff69597765e114fa2 (MD5) Previous issue date: 2017-02-20 / CAPES / Artificial intelligence (AI) is a branch of computer science that studies the intelligent behavior of living beings, and mimics this intelligence by deploying it in computer programs, machines and systems in order to solve problems related to searching, optimization, planning, control, automation, etc. One of the areas of artificial intelligence is evolutionary computation, which is inspired by the principle of natural evolution of species. Within the evolutionary computation several methods based on the intelligence of plants have been recently proposed. How the plants survive and adapt in harsh environments has aroused great interest of researchers in AI. It is remarkable that the life cycle of a plant is extremely intriguing. The way the plants reproduce, propagate, disperse their seeds and select the most resistant is undoubtedly an evidence of intelligence of plants when optimize their existence. In this sense, several computer algorithms based on the intelligent lifecycle of plants have been proposed recently, these algorithms are in many cases, simple to implement, and very efficient in solving complex problems. In this work, the performance of some algorithms, the flower pollination algorithm, strawberry plant algorithm, invasive weed optimization and plant life cycle algorithm, all of them based on the intelligent behavior of plants, are analyzed when applied to optimization of test functions, and they are also compared with classical genetic algorithms. / A inteligência artificial (IA) é um ramo da ciência da computação que estuda o comportamento inteligente dos seres vivos e imita essa inteligência implantando-a em programas de computador, máquinas e sistemas para resolver problemas relacionados à busca, otimização, planejamento, controle, automação, etc. Uma das áreas da inteligência artificial é a computação evolutiva, que é inspirada pelo princípio da evolução natural das espécies. Dentro da computação evolutiva vários métodos baseados na informação de plantas têm sido recentemente proposto. Como as plantas sobrevivem e se adaptam em ambientes agressivos tem despertado grande interesse dos pesquisadores em IA. O ciclo de vida de uma planta é extremamente intrigante. A maneira como as plantas se reproduzem, propagam, dispersam suas sementes e selecionam as mais resistentes é, sem dúvida, uma evidência de inteligência das plantas quando otimizam sua existência. Nesse sentido, diversos algoritmos computacionais baseados no ciclo de vida inteligente das plantas têm sido propostos nos anos recentes, esses algoritmos são, em muitos casos, simples de implementar e muito eficientes na solução de problemas complexos. Neste trabalho é analisado o desempenho de alguns desses algoritmos, o algoritmo de polinização de flores, o algoritmo de planta de morango, otimização invasiva de ervas daninhas e algoritmo do ciclo de vida da planta, todos baseados no comportamento inteligente das plantas, quando aplicados à otimização de funções teste e também comparados com algoritmos genéticos clássicos.