Neste trabalho foi realizada uma proposta de utilização de Sistemas de Inferência Nebulosos para controlar, em tempo de execução, parâmetros de Algoritmos Genéticos. Esta utilização busca melhorar o desempenho de Algoritmos Genéticos diminuindo, ao mesmo tempo: a média de iterações necessárias para que um Algoritmo Genético encontre o valor ótimo global procurado; bem como diminuindo o número de execuções do mesmo que não são capazes de encontrar o valor ótimo global procurado, nem mesmo para quantidades elevadas de iterações. Para isso, foram analisados os resultados de diversos experimentos com Algoritmos Genéticos, resolvendo instâncias dos problemas de Minimização de Funções e do Caixeiro Viajante, sob diferentes configurações de parâmetros. Com base nos resultados obtidos a partir destes experimentos, foi proposto um modelo com a troca de valores de parâmetros de Algoritmos Genéticos, em tempo de execução, pela utilização de Sistemas de Inferência Nebulosos, de forma a melhorar o desempenho do sistema, minimizando ambas as medidas citadas anteriormente. / This work addressed a proposal of the application of Fuzzy Systems to adjust parameters of Genetic Algorithms, during execution time. This application attempts to improve the performance of Genetic Algorithms by diminishing, at the same time: the average number of necessary generations for a Genetic Algorithm to find the desired global optimum value, as well as diminishing the number of executions of a Genetic Algorithm that are not capable of finding the desired global optimum value even for high numbers of generations. For that purpose, the results of many experiments with Genetic Algorithms were analyzed; addressing instances of the Function Minimization and the Travelling Salesman problems, under different parameter configurations. With the results obtained from these experiments, a model was proposed, for the exchange of parameter values of Genetic Algorithms, in execution time, by using Fuzzy Systems, in order to improve the performance of the system, minimizing both of the measures previously cited.

Sistemas de Aprendizagem Adaptativos e Inteligentes, tema de pesquisa recente no mundo, são ambientes com arquitetura e algoritmos específicos, que consideram as características individuais de cada estudante para selecionar o objeto de aprendizagem mais adequado a ser oferecido ao aluno. O rápido desenvolvimento da infraestrutura sem fio e o amplo uso de dispositivos móveis na vida diária das pessoas motivam as pesquisas relativas ao uso desses dispositivos na educação, proporcionando o m-learning. Assim, relacionado a essas linhas de pesquisa, este trabalho propõe a arquitetura AdaptMLearning, elaborada para prover a aprendizagem em plataformas móveis e não móveis, considerando a seleção de objetos de aprendizagem que melhor se adaptam a diversos aspectos, tais como: dados sobre a tecnologia utilizada para acesso; informações sobre o estilo de aprendizagem de um estudante; desempenho e tempo associados à interação do estudante com o objeto de aprendizagem; conhecimentos adquiridos pelo estudante em consonância ao conteúdo do curso; e a garantia de que não só o professor possa configurar as adaptações a serem oferecidas ao seu curso, como também o aluno tenha a possibilidade de informar sua preferência pelos tipos de mídia. Essa arquitetura é baseada no modelo de referência AHAM para sistemas adaptativos AEHS, contemplando a quádrupla: espaço do conhecimento, modelo do usuário, observações e modelo de adaptação, referente à definição lógica desses sistemas. Na AdaptMLearning, foram desenvolvidos alguns algoritmos, utilizando-se o modelo FSLSM, relacionado aos estilos de aprendizagem de um estudante e o padrão IEEE 1484 para catalogação dos objetos de aprendizagem e uso de alguns atributos de suas categorias, associados às dimensões dos estilos de aprendizagem do modelo FSLSM. O algoritmo calcula um peso para um objeto catalogado em cada dimensão e permite uma busca pelo objeto mais adequado ao estilo do estudante, além de usar a computação fuzzy, para avaliar se o estudante pode sofrer mudanças no seu estilo, deve receber reforço ou necessita de um reestudo em determinado assunto de um curso, por meio de resultados obtidos com o tempo de estudo e desempenho. Também, este trabalho apresenta o desenvolvimento e a avaliação de um simulador para a arquitetura AdaptMLearning e seus algoritmos, realizada utilizando diversos cenários de simulação, envolvendo estudantes, cursos e tecnologias com diferentes configurações. Assim sendo, com base nos resultados obtidos por meio da avaliação, foi possível discutir, analisar e identificar o potencial de uso da AdaptMLearning e de seus algoritmos em uma situação real para elaboração de um ambiente de aprendizagem ou agregação a um ambiente existente. / Intelligent and Adaptive Learning Systems, subject of recent research in the world, are environments with specific architectures and algorithms, designed considering the individual characteristics of each student. The rapid development of wireless infrastructures and wide use of mobile devices in people\'s everyday life encourage research about the use of these devices in education, providing the mlearning. In the context of such research, this work proposes the AdaptMLearning architecture that was designed to be a learning infrastructure for mobile and nonmobile platforms. This architecture provides a selection of learning objects that takes into account as adaptation criteria the following data: the mobile device\'s technological specification; the student\'s learning style information, his/her performance and spent time associated to the student\'s interaction with the learning object; previously acquired knowledge by the student related to the course\'s content. In addition, it also allows the teacher to interfere in the adaptation criteria used during the study simulation, and allows the student to indicate his/her preferences for media types. This architecture is based on AHAM reference model for adaptive systems AEHS and uses the quadruple: the knowledge space, the user model, the observations and the model adaptation, referring to the logical definition of these systems. To implement the AdaptMLearning architecture some algorithms using the FSLSM model related to the student\'s learning styles were developed. The algorithms use the IEEE 1484 for cataloging learning objects and some of its categories and attributes associated with dimensions of learning styles FSLSM model, are used to compute a weight of an object in each dimension allowing a search of the most appropriate object according to the student\'s learning styles; and the use of fuzzy computing, considering that the student\'s learning style can change, determines if the student has to receive reinforcement or need a new study in a particular subject of a course, when the student gets unsatisfactory results in terms of timing and performance in a course\'s subject. Also, this work also presents the development and evaluation of a simulator for the AdaptMLearning architecture and their algorithms. The evaluation of the simulator was done by means of many simulations scenarios, considering students, courses and technologies with different settings. Based on the results obtained from the evaluation it was possible to discuss, analyze and identify the potential use of AdaptMLearning architecture and their algorithms in a real situation for developing a learning environment or its aggregation to an existing environment.