Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2017-03-16T12:00:50Z No. of bitstreams: 1 Márcio Joel Barth_.pdf: 2194609 bytes, checksum: 0c1a7161c69d20257d7c5bbfd9340a30 (MD5) / Made available in DSpace on 2017-03-16T12:00:50Z (GMT). No. of bitstreams: 1 Márcio Joel Barth_.pdf: 2194609 bytes, checksum: 0c1a7161c69d20257d7c5bbfd9340a30 (MD5) Previous issue date: 2016-11-25 / PROCERGS - Companhia de Processamento de Dados do Estado do Rio Grande do Sul / Estudos sobre infraestrutura de redes têm sido realizados e aplicados em várias indústrias de serviços, tais como telecomunicações, distribuição de energia, água e mais recentemente para atendimento das necessidades de infraestrutura de cidades inteligentes que requerem soluções de infraestrutura híbridas. Entretanto, o planejamento de infraestrutura de redes em vários níveis e também com máxima cobertura, é um problema em aberto, pois, geralmente, a literatura apresenta soluções nas quais somente um nível é processado e os problemas são solucionados de forma individual. O planejamento da distribuição e conexão de equipamentos em vários níveis de uma infraestrutura de rede é uma tarefa árdua, pois é necessário avaliar a quantidade e a melhor distribuição geográfica de equipamentos em cada nível da rede, ou seja, no nível 1 são avaliadas as necessidades que atendem diretamente aos clientes, já o nível 2 atenderá as necessidades do nível 1, e que também sejam observados os níveis adjacentes. O resultado que um projetista obtém ao realizar manualmente o planejamento torna-se superficial, devido a inviabilidade de analisar todos os cenários que podem ser obtidos com as informações de quantidades e de distribuição dos equipamentos na região do projeto. Ainda mais complexo é alterar um nível já projetado, visto que é necessário rever a quantidade, localização e caminho entre os equipamentos, refazendo os cálculos do nível alterado, e, consequentemente, o nível anterior e todos os níveis subsequentes. Esta pesquisa apresenta um algoritmo baseado na metaheuristica de colônia de formigas, capaz de procurar por uma solução para o planejamento de infraestrutura de redes híbridas multiníveis capacitadas, resolvendo o problema de recobrimento e planejamento de redes de forma conjunta e obtendo resultados melhores na ordem de 20% no custo da solução quando comparado com outra solução que utiliza algoritmo genético. / Studies on network infrastructure have been used and applied in various service industries, such as telecommunications, power distribution, water, and more recently to meet the smart city infrastructure needs, that require hybrid infrastructure solutions. However, planning multilevel network infrastructures and also with maximum coverage is an open problem, since the literature generally presents solutions in which only one level is processed and problems solved individually. The distribution plan and equipment connection at various levels of a network infrastructure is a ardous task, it is necessary to evaluate the quantity and better geographical distribution of equipment at each level of the network, ie at level 1 are evaluated needs to meet directly to customers, since the level 2 from level 1 will meet the needs, and the adjacent levels are also observed. The result that a designer gets to manually carry out the planning becomes shallow due to impossibility of analyzing all scenarious that can be obtained with the amounts and distribution of information equipment in the project region. Even more complex is change a level already designed, since it is necessary to review the amount, location and path between devices, redoing the calculations of the modified level, and hence the previous level and all subsequent levels. This research presents an algorithm based on ant colony metaheuristics, capable of searching for a solution to the infrastructure planning of hybrid multilevel networks, solving the network planning and coverage problem together and obtaining better results in the order of 20% on the cost of the solution when compared to another solution using genetic algorithm.