[pt] O problema da predição das estruturas de proteínas (Protein Structure Prediction (PSP)) é um dos desafios mais importantes na biologia molecular. Pelo fato deste problema ser muito difícil, têm sido propostos diferentes modelos simplificados para resolvê-lo. Um dos mais estudados é o modelo, Hidrofóbico-Polar (HP), o modelo HP fornece uma estimativa da energia da proteína com base na soma de interações entre pares de aminoácidos hidrofóbicos (contatos H-H). Entretanto, apesar das simplificações feitas no modelo HP, o problema permanece complexo, pertencendo à classe NP-Difícil. Muitas técnicas têm sido propostas para resolver este problema entre elas, técnicas baseadas em algoritmos genéticos. Em muitos casos, as técnicas baseadas em AG foram usadas com sucesso, mas, no entanto, abordagens utilizando AG muitas vezes não tratam adequadamente as soluções geradas, prejudicando o desempenho da busca. Além disso, mesmo que eles, em alguns casos, consigam atingir o mínimo de energia conhecido para uma conformação, estes modelos não levam em conta a forma da proteína um fator muito importante na hora de obter proteínas mais compactas. Foi desenvolvido um algoritmo genético multiobjetivo para PSP no modelo HP, de modo de avaliar de forma mais eficiente, as conformações produzidas. O modelo utiliza como avaliação uma combinação baseada no número de colisões, número de contatos hidrofóbicos, compactação dos aminoácidos hidrofóbicos e hidrofílicos, obtendo, desta forma estruturas mais naturais e de mínima energia. Os resultados obtidos demonstram a eficiência desse algoritmo na obtenção de estruturas proteicas compactas providenciando indicadores da compactação dos aminoácidos hidrofóbicos e hidrofílicos da proteína. / [en] The problem of protein structured prediction (PSP) is one of the most important challenges in molecular biology. Because this problem is very difficult, different simplified models have been proposed to solve it. One of the most studied is the Hydrophobic-Polar model HP this model provides an estimate of the protein energy based on the sum of hydrophobic contacts. However, despite the simplifications made in the HP model, the problem remains complex, belonging to the class of NP-Hard problems. Many techniques have been proposed to solve this problem as genetic algorithms. In many cases the GA techniques have been used successfully, but, however, with GA approaches often do not adequately address the generated solutions, impairing the performance of the search. Furthermore, in some cases would attain the minimum energy for a known conformation, these models do not take care the protein shape, a very important factor to obtain more compact proteins. This work developed a multiobjective genetic algorithm to PSP in HP model evaluating more efficiently, the conformations produced. This model is a combination of assessment based on the collisions numbers, hydrophobic contacts, hydrophobic and hydrophilic core compression, obtaining thus more natural structures with minimum energy. The results demonstrate the efficiency of this algorithm to obtain protein structures indicators providing compact compression of the hydrophobic and hydrophilic core protein.

A qualidade da água de abastecimento é de vital importância à saúde da população dos núcleos urbanos do mundo todo. Por essa razão, muitas pesquisas enfocam esse tema. Além disso, os ataques terroristas recentes ocorridos nos Estados Unidos e Europa, vêm fomentando a antiga preocupação relativa a possíveis injeções de contaminantes em redes de distribuição de água para abastecimento, evidenciando a importância da efetiva vigilância de tais sistemas. O presente trabalho investiga a rede de monitoramento ótima para detecção de injeções intencionais de poluentes e/ou contaminantes em concentrações e/ou quantidades suficientes para que se propaguem nas direções do fluxo da água no interior das redes, do ponto de vista de objetivos múltiplos. A metodologia aqui apresentada representa uma extensão de propostas anteriores e é demonstrada ilustrativamente, através de redes já utilizadas na literatura. Com base no conceito da rede auxiliar proposto por Kessler et al. (1998), propõe-se o emprego de algoritmos genéticos multiobjetivo para considerar os níveis de serviço em termos do volume consumido, do tempo e da extensão da rede atingida antes da detecção. São criadas matrizes de poluição para os níveis de serviço considerados e, então, o algoritmo genético multiobjetivo SPEA é aplicado para identificar as soluções não-dominadas, em conformidade com o conceito de otimalidade de Pareto. Os resultados demonstram o potencial do método proposto em identificar tais soluções / The water supply quality is very important to the healthy of urban nucleus populations around the world. This is the reason why many researches focus on such theme. Besides this, recent terrorist attacks occurred in USA and Europe, have incited the old apprehension related to possible deliberate intrusions of contaminants into the water supply networks, making evident the importance of the effective vigilance of such systems. This work investigates the optimal monitoring network for detection of deliberate intrusions of pollutes and/or contaminants at concentrations and/or quantities enough for propagation inside the networks, on the point of view of multiple objectives. The method here proposed represents an extension to earlier proposals and is demonstrated with the support of networks from literature. Based on the concept of auxiliary network proposed by Kessler et al. (1998), a multiobjective genetic algorithm is used in order to consider the levels of service in terms of the consumed volume, time period and length of the network reached before detection. Pollution matrixes are built for the levels of service considered and the multiobjective genetic algorithm SPEA applied in the identification of the non-dominated solutions, according to the Paretto optimality concept. The results demonstrate the potential of the method in the identification of such solutions

In Multi-Skill Project Scheduling Problem (MSPSP) with hierarchical levels of skills, there are more than one skill type and for each skill type there are levels corresponding to proficiencies in that skill. The purpose of the problem is to minimize or maximize an objective by assigning resources with different kinds of skills and skill levels to the project activities according to the activity requirements while satisfying the other problem dependent constraints. Although single-objective case of the problem has been studied by a few researchers, biobjective case has not been studied yet. In this study, two objectives, which are the makespan and the total skill wasted, are taken into account and while trying to minimize the makespan, minimizing the total skills wasted is aimed. By the second objective, overqualification for the jobs is tried to be minimized in order to prevent job dissatisfaction. The biobjective problem is solved using a Multiobjective Genetic Algorithm, NSGA-II. The results of the proposed algorithm are compared with the GAMS results for small-sized problems and with the random search for larger problem sizes.

A qualidade da água de abastecimento é de vital importância à saúde da população dos núcleos urbanos do mundo todo. Por essa razão, muitas pesquisas enfocam esse tema. Além disso, os ataques terroristas recentes ocorridos nos Estados Unidos e Europa, vêm fomentando a antiga preocupação relativa a possíveis injeções de contaminantes em redes de distribuição de água para abastecimento, evidenciando a importância da efetiva vigilância de tais sistemas. O presente trabalho investiga a rede de monitoramento ótima para detecção de injeções intencionais de poluentes e/ou contaminantes em concentrações e/ou quantidades suficientes para que se propaguem nas direções do fluxo da água no interior das redes, do ponto de vista de objetivos múltiplos. A metodologia aqui apresentada representa uma extensão de propostas anteriores e é demonstrada ilustrativamente, através de redes já utilizadas na literatura. Com base no conceito da rede auxiliar proposto por Kessler et al. (1998), propõe-se o emprego de algoritmos genéticos multiobjetivo para considerar os níveis de serviço em termos do volume consumido, do tempo e da extensão da rede atingida antes da detecção. São criadas matrizes de poluição para os níveis de serviço considerados e, então, o algoritmo genético multiobjetivo SPEA é aplicado para identificar as soluções não-dominadas, em conformidade com o conceito de otimalidade de Pareto. Os resultados demonstram o potencial do método proposto em identificar tais soluções / The water supply quality is very important to the healthy of urban nucleus populations around the world. This is the reason why many researches focus on such theme. Besides this, recent terrorist attacks occurred in USA and Europe, have incited the old apprehension related to possible deliberate intrusions of contaminants into the water supply networks, making evident the importance of the effective vigilance of such systems. This work investigates the optimal monitoring network for detection of deliberate intrusions of pollutes and/or contaminants at concentrations and/or quantities enough for propagation inside the networks, on the point of view of multiple objectives. The method here proposed represents an extension to earlier proposals and is demonstrated with the support of networks from literature. Based on the concept of auxiliary network proposed by Kessler et al. (1998), a multiobjective genetic algorithm is used in order to consider the levels of service in terms of the consumed volume, time period and length of the network reached before detection. Pollution matrixes are built for the levels of service considered and the multiobjective genetic algorithm SPEA applied in the identification of the non-dominated solutions, according to the Paretto optimality concept. The results demonstrate the potential of the method in the identification of such solutions

A Otimização Multidisciplinar em Projeto (em inglês, Multidisciplinary Design Optimization - MDO) é uma ferramenta de projeto importante e versátil e seu uso está se expandindo em diversos campos da engenharia. O foco desta metodologia é unir disciplinas envolvidas no projeto para que trabalhem suas variáveis concomitantemente em um ambiente de otimização, para obter soluções melhores. É possível utilizar MDO em qualquer fase do projeto, seja a fase conceitual, preliminar ou detalhada, desde que os modelos numéricos sejam ajustados às necessidades de cada uma delas. Este trabalho descreve o desenvolvimento de um código de MDO para o projeto conceitual de asas flexíveis de aeronaves, com restrição quanto ao fenômeno denominado flutter. Como uma ferramenta para o projetista na fase conceitual, os modelos numéricos devem ser razoavelmente precisos e rápidos. O intuito deste estudo é analisar o uso de metamodelos para a previsão do flutter de asas de aeronaves no código de MDO, ao invés de um modelo convencional, o que pode alterar significativamente o custo computacional da otimização. Para este fim são avaliados três técnicas diferentes de metamodelagem, que foram escolhidas por representarem duas classes básicas de metamodelos, a classe de métodos de interpolação e a de métodos de aproximação. Para representá-las foram escolhidos o método de interpolação por funções de base radial e o método de redes neurais artificiais, respectivamente. O terceiro método, que é considerado um método híbrido dos dois anteriores, é chamado de redes neurais por funções de bases radiais e é uma tentativa de acoplar as características de ambos em um único metamodelo. Os metamodelos são preparados utilizando um código para solução aeroelástica baseado no método dos elementos finitos acoplado com um modelo aerodinâmico linear de faixas. São apresentados resultados de desempenho dos três metamodelos, de onde se pode notar que a rede neural artificial é a mais adequada para previsão de flutter. O processo de MDO é realizado com o uso de um algoritmo genético multi-objetivo baseado em não-dominância, cujos objetivos são a maximização da velocidade crítica de flutter e a minimização da massa estrutural. Dois estudos de caso são apresentados para avaliar o desempenho do código de MDO, revelando que o processo global de otimização realiza de fato a busca pela fronteira de Pareto. / The Multidisciplinary Design Optimization, MDO, is an important and versatile design tool and its use is spreading out in several fields of engineering. The focus of this methodology is to put together disciplines involved with the design to work all their variables concomitantly, at an optimization environment to obtain better solutions. It is possible to use MDO in any stage of the design process, that is in the conceptual, preliminary or detailed design, as long as the numerical models are fitted to the needs of each of these stages. This work describes the development of a MDO code for the conceptual design of flexible aircraft wings, with restrictions regarding the phenomenon called flutter. As a tool for the designer at the conceptual stage, the numerical models must be fairly accurate and fast. The aim of this study is to analyze the use of metamodels for the flutter prediction of aircraft wings in the MDO code, instead of a conventional model itself, what may affect significantly the computational cost of the optimization. For this purpose, three different metamodeling techniques have been evaluated, representing two basic metamodel classes, that are, the interpolation and the approximation class. These classes are represented by the radial basis function interpolation method and the artificial neural networks method, respectively. The third method, which is considered as a hybrid of the other two, is called radial basis function neural networks and is an attempt of coupling the features of both in single code. Metamodels are prepared using an aeroelastic code based on finite element model coupled with linear aerodynamics. Results of the three metamodels performance are presented, from where one can note that the artificial neural network is best suited for flutter prediction. The MDO process is achieved using a non-dominance based multi-objective genetic algorithm, whose objectives are the maximization of critical flutter speed and minimization of structural mass. Two case studies are presented to evaluate the performance of the MDO code, revealing that overall optimization process actually performs the search for the Pareto frontier.

Made available in DSpace on 2016-06-02T19:05:54Z (GMT). No. of bitstreams: 1 3998.pdf: 3486824 bytes, checksum: f1c040adfdc7d0672bc93a058f8a413d (MD5) Previous issue date: 2011-06-28 / Financiadora de Estudos e Projetos / The goal of this work is to study, expand and evaluate the use of multiobjective genetic algorithms and the iterative rule learning approach in fuzzy system generation, especially, in fuzzy rule-based systems, both in automatic fuzzy rule generation from datasets and in fuzzy sets optimization. This work investigates the use of multi-objective genetic algorithms with a focus on the trade-off between accuracy and interpretability, considered contradictory objectives in the representation of fuzzy systems. With this purpose, we propose and implement an evolutive multi-objective genetic model composed of three stages. In the first stage uniformly distributed fuzzy sets are created. In the second stage, the rule base is generated by using an iterative rule learning approach and a multiobjective genetic algorithm. Finally the fuzzy sets created in the first stage are optimized through a multi-objective genetic algorithm. The proposed model was evaluated with a number of benchmark datasets and the results were compared to three other methods found in the literature. The results obtained with the optimization of the fuzzy sets were compared to the result of another fuzzy set optimizer found in the literature. Statistical comparison methods usually applied in similar context show that the proposed method has an improved classification rate and interpretability in comparison with the other methods. / O objetivo deste trabalho é estudar, expandir e avaliar o uso dos algoritmos genéticos multiobjetivo e a abordagem iterativa na geração de sistemas fuzzy, mais especificamente para sistemas fuzzy baseados em regras, tanto na geração automática da base de regras fuzzy a partir de conjuntos de dados, como a otimização dos conjuntos fuzzy. Esse trabalho investiga o uso dos algoritmos genéticos multiobjetivo com enfoque na questão de balanceamento entre precisão e interpretabilidade, ambos considerados contraditórios entre si na representação de sistemas fuzzy. Com este intuito, é proposto e implementado um modelo evolutivo multiobjetivo genético composto por três etapas. Na primeira etapa são criados os conjuntos fuzzy uniformemente distribuídos. Na segunda etapa é tratada a geração da base de regras usando a abordagem iterativa e um algoritmo genético multiobjetivo. Por fim, na terceira etapa os conjuntos fuzzy criados na primeira etapa são otimizados mediante um algoritmo genético multiobjetivo. O modelo desenvolvido foi avaliado em diversos conjuntos de dados benchmark e os resultados obtidos foram comparados com outros três métodos, que geram regras de classificação, encontrados na literatura. Os resultados obtidos após a otimização dos conjuntos fuzzy foram comparados com resultados de outro otimizador de conjuntos fuzzy encontrado na literatura. Métodos estatísticos de comparação usualmente aplicados em contextos semelhantes mostram uma melhor taxa de classificação e interpretabilidade do método proposto com relação a outros métodos.

Submitted by Alison Vanceto (alison-vanceto@hotmail.com) on 2017-02-14T11:18:13Z No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-03-20T13:12:18Z (GMT) No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-03-20T13:12:31Z (GMT) No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) / Made available in DSpace on 2017-03-20T13:23:55Z (GMT). No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) Previous issue date: 2014-12-02 / Não recebi financiamento / The process of building the knowledge base of fuzzy systems has benefited extensively of methods to automatically extract the necessary knowledge from data sets that represent examples of the problem. Among the topics investigated in the most recent research is the matter of balance between accuracy and interpretability, which has been addressed by means of multi-objective genetiv algorithms, NSGA-II being on of the most popular. In this scope, we identified the need to control the diversity of solutions found by these algorithms, so that each solution would balance the Pareto frontier with respect to the goals optimized by the multi-objective genetic algorithm. In this PhD thesis a multi-objective genetic algorithm, named NSGA-DO, is proposed. It is able to find non dominated solutions that balance the Pareto frontier with respect optimization of the objectives. The main characteristicof NSGA-DO is the distance oriented selection of solutions. Once the Pareto frontier is found, the algorithm uses the locations of the solutions in the frontier to find the best distribution of solutions. As for the validation of the proposal, NSGA-DO was applied to a methodology for the generation of fuzzy knowledge bases. Experiments show the superiority of NSGADO when compared to NSGA-II in all three issues analyzed: dispersion, accuracy and interpretability. / A construção da base de conhecimento de sistemas fuzzy tem sido beneficiada intensamente por métodos automáticos que extraem o conhecimento necessário a partir de conjuntos de dados que representam exemplos do problema. Entre os tópicos mais investigados nas pesquisas recentes está a questão do balanceamento entre acuidade e interpretabilidade, que têm sido abordada por meio dos algoritmos genéticos multiobjetivo, sendo o NSGA-II um dos mais populares. Neste escopo, identificou-se a necessidade do controle da distribuição das soluções encontradas por estes algoritmos, a fim de que cada solução possa equilibrar a fronteira de Pareto com relação aos objetivos otimizados pelo algoritmo genético multiobjetivo. Neste sentido, desenvolveu-se neste projeto de doutorado um algoritmo genético multiobjetivo, chamado NSGA-DO, capaz de encontrar soluções não dominadas que equilibram a fronteira de Pareto nos objetivos a serem otimizados. A principal característica do NSGA-DO é a seleção de soluções orientada à distância. Uma vez encontrada a fronteira de Pareto, o algoritmo usa a localização das soluções nesta fronteira para encontrar a melhor distribuição das soluções. Para a validação da proposta, aplicou-se o NSGA-DO em uma metodologia para a geração de bases de conhecimento fuzzy. Experimentos realizados comprovaram a superioridade do NSGA-DO com relação ao NSGA-II nos três quesitos analisados: dispersão, acurácia e interpretabilidade.

A Otimização Multidisciplinar em Projeto (em inglês, Multidisciplinary Design Optimization - MDO) é uma ferramenta de projeto importante e versátil e seu uso está se expandindo em diversos campos da engenharia. O foco desta metodologia é unir disciplinas envolvidas no projeto para que trabalhem suas variáveis concomitantemente em um ambiente de otimização, para obter soluções melhores. É possível utilizar MDO em qualquer fase do projeto, seja a fase conceitual, preliminar ou detalhada, desde que os modelos numéricos sejam ajustados às necessidades de cada uma delas. Este trabalho descreve o desenvolvimento de um código de MDO para o projeto conceitual de asas flexíveis de aeronaves, com restrição quanto ao fenômeno denominado flutter. Como uma ferramenta para o projetista na fase conceitual, os modelos numéricos devem ser razoavelmente precisos e rápidos. O intuito deste estudo é analisar o uso de metamodelos para a previsão do flutter de asas de aeronaves no código de MDO, ao invés de um modelo convencional, o que pode alterar significativamente o custo computacional da otimização. Para este fim são avaliados três técnicas diferentes de metamodelagem, que foram escolhidas por representarem duas classes básicas de metamodelos, a classe de métodos de interpolação e a de métodos de aproximação. Para representá-las foram escolhidos o método de interpolação por funções de base radial e o método de redes neurais artificiais, respectivamente. O terceiro método, que é considerado um método híbrido dos dois anteriores, é chamado de redes neurais por funções de bases radiais e é uma tentativa de acoplar as características de ambos em um único metamodelo. Os metamodelos são preparados utilizando um código para solução aeroelástica baseado no método dos elementos finitos acoplado com um modelo aerodinâmico linear de faixas. São apresentados resultados de desempenho dos três metamodelos, de onde se pode notar que a rede neural artificial é a mais adequada para previsão de flutter. O processo de MDO é realizado com o uso de um algoritmo genético multi-objetivo baseado em não-dominância, cujos objetivos são a maximização da velocidade crítica de flutter e a minimização da massa estrutural. Dois estudos de caso são apresentados para avaliar o desempenho do código de MDO, revelando que o processo global de otimização realiza de fato a busca pela fronteira de Pareto. / The Multidisciplinary Design Optimization, MDO, is an important and versatile design tool and its use is spreading out in several fields of engineering. The focus of this methodology is to put together disciplines involved with the design to work all their variables concomitantly, at an optimization environment to obtain better solutions. It is possible to use MDO in any stage of the design process, that is in the conceptual, preliminary or detailed design, as long as the numerical models are fitted to the needs of each of these stages. This work describes the development of a MDO code for the conceptual design of flexible aircraft wings, with restrictions regarding the phenomenon called flutter. As a tool for the designer at the conceptual stage, the numerical models must be fairly accurate and fast. The aim of this study is to analyze the use of metamodels for the flutter prediction of aircraft wings in the MDO code, instead of a conventional model itself, what may affect significantly the computational cost of the optimization. For this purpose, three different metamodeling techniques have been evaluated, representing two basic metamodel classes, that are, the interpolation and the approximation class. These classes are represented by the radial basis function interpolation method and the artificial neural networks method, respectively. The third method, which is considered as a hybrid of the other two, is called radial basis function neural networks and is an attempt of coupling the features of both in single code. Metamodels are prepared using an aeroelastic code based on finite element model coupled with linear aerodynamics. Results of the three metamodels performance are presented, from where one can note that the artificial neural network is best suited for flutter prediction. The MDO process is achieved using a non-dominance based multi-objective genetic algorithm, whose objectives are the maximization of critical flutter speed and minimization of structural mass. Two case studies are presented to evaluate the performance of the MDO code, revealing that overall optimization process actually performs the search for the Pareto frontier.