Orientador : Aurora Trinidad Ramirez Pozo / Coorientador : Roberto Santana Hermida / Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 06/03/2017 / Inclui referências : f. 161-72 / Área de concentração : Computer Science / Resumo: Problemas multi-objetivo (MOPs) são caracterizados por terem duas ou mais funções objetivo a serem otimizadas simultaneamente. Nestes problemas, a meta é encontrar um conjunto de soluções não-dominadas geralmente chamado conjunto ótimo de Pareto cuja imagem no espaço de objetivos é chamada frente de Pareto. MOPs que apresentam mais de três funções objetivo a serem otimizadas são conhecidos como problemas com muitos objetivos (MaOPs) e vários estudos indicam que a capacidade de busca de algoritmos baseados em Pareto é severamente deteriorada nesses problemas. O desenvolvimento de otimizadores bio-inspirados para enfrentar MOPs e MaOPs é uma área que vem ganhando atenção na comunidade, no entanto, existem muitas oportunidades para inovar. O algoritmo de enxames de partículas multi-objetivo (MOPSO) é um dos algoritmos bio-inspirados adequados para ser modificado e melhorado, principalmente devido à sua simplicidade, flexibilidade e bons resultados. Para melhorar a capacidade de busca de MOPSOs, seguimos duas linhas de pesquisa diferentes: A primeira foca em métodos de líder e arquivamento. Trabalhos anteriores apontaram que esses componentes podem influenciar no desempenho do algoritmo, porém a seleção desses componentes pode ser dependente do problema. Uma alternativa para selecioná-los dinamicamente é empregando hiper-heurísticas. Ao combinar hiper-heurísticas e MOPSO, desenvolvemos um novo framework chamado H-MOPSO. A segunda linha de pesquisa também é baseada em trabalhos anteriores do grupo que focam em múltiplos enxames. Isso é feito selecionando como base o framework multi-enxame iterado (I-Multi), cujo procedimento de busca pode ser dividido em busca de diversidade e busca com múltiplos enxames, e a última usa agrupamento para dividir um enxame em vários sub-enxames. Para melhorar o desempenho do I-Multi, exploramos duas possibilidades: a primeira foi investigar o efeito de diferentes características do mecanismo de agrupamento do I-Multi. A segunda foi investigar alternativas para melhorar a convergência de cada sub-enxame, como hibridizá-lo com um algoritmo de estimativa de distribuição (EDA). Este trabalho com EDA aumentou nosso interesse nesta abordagem, portanto seguimos outra linha de pesquisa, investigando alternativas para criar versões multi-objetivo de um dos EDAs mais poderosos da literatura, chamado estratégia de evolução baseada na adaptação da matriz de covariância (CMA-ES). Para validar o nosso trabalho, vários estudos empíricos foram conduzidos para investigar a capacidade de busca das abordagens propostas. Em todos os estudos, nossos algoritmos investigados alcançaram resultados competitivos ou melhores do que algoritmos bem estabelecidos da literatura. Palavras-chave: multi-objetivo, algoritmo de estimativa de distribuição, otimização por enxame de partículas, multiplos enxames, híper-heuristicas. / Abstract: Multi-Objective Problems (MOPs) are characterized by having two or more objective functions to be simultaneously optimized. In these problems, the goal is to find a set of non-dominated solutions usually called Pareto optimal set whose image in the objective space is called Pareto front. MOPs presenting more than three objective functions to be optimized are known as Many-Objective Problems (MaOPs) and several studies indicate that the search ability of Pareto-based algorithms is severely deteriorated in such problems. The development of bio-inspired optimizers to tackle MOPs and MaOPs is a field that has been gaining attention in the community, however there are many opportunities to innovate. Multi-objective Particle Swarm Optimization (MOPSO) is one of the bio-inspired algorithms suitable to be modified and improved, mostly due to its simplicity, flexibility and good results. To enhance the search ability of MOPSOs, we followed two different research lines: The first focus on leader and archiving methods. Previous works have pointed that these components can influence the algorithm performance, however the selection of these components can be problem-dependent. An alternative to dynamically select them is by employing hyper-heuristics. By combining hyper-heuristics and MOPSO, we developed a new framework called H-MOPSO. The second research line, is also based on previous works of the group that focus on multi-swarm. This is done by selecting as base framework the iterated multi swarm (I-Multi) algorithm, whose search procedure can be divided into diversity and multi-swarm searches, and the latter employs clustering to split a swarm into several sub-swarms. In order to improve the performance of I-Multi, we explored two possibilities: the first was to further investigate the effect of different characteristics of the clustering mechanism of I-Multi. The second was to investigate alternatives to improve the convergence of each sub-swarm, like hybridizing it to an Estimation of Distribution Algorithm (EDA). This work on EDA increased our interest in this approach, hence we followed another research line by investigating alternatives to create multi-objective versions of one of the most powerful EDAs from the literature, the Covariance Matrix Adaptation Evolution Strategy (CMA-ES). In order to validate our work, several empirical studies were conducted to investigate the search ability of the approaches proposed. In all studies, our investigated algorithms have reached competitive or better results than well established algorithms from the literature. Keywords: multi-objective, estimation of distribution algorithms, particle swarm optimization, multi-swarm, hyper-heuristics.

Orientador : Prof. Dr. Neida Patias Volpi / Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 09/12/2011 / Inclui referências : f. 99-103 / Área de concentração : Métodos numéricos em engenharia / Resumo: O crescente aumento na demanda por energia elétrica torna necessária a expansão frequente dos sistemas de distribuição. A expansão de uma rede de distribuição tem como objetivo permitir que o sistema mantenha, ao longo do tempo, a qualidade do atendimento da demanda existente e esteja apto a atender novos consumidores com segurança e economia. Por envolver obras que exigem grandes investimentos e também levam tempo na sua execução, faz-se necessário um planejamento em longo prazo que respeite a característica dinâmica da evolução da demanda bem como da disponibilidade de recursos financeiros. Neste trabalho apresenta-se um modelo de programação multiobjetivo inteiro misto que considera duas funções objetivo conflitantes, relacionadas com custos e perdas elétricas, para o planejamento da expansão de redes de distribuição de energia elétrica. Restrições técnicas e operacionais são impostas para que as soluções atendam as especificidades das redes elétricas. Embora a resolução por técnicas de branch-and-bound do modelo proposto tenha apresentado soluções bastante interessantes quando aplicada a um problema de pequeno porte, verificou-se a inviabilidade de aplicação deste a redes reais, devido à dimensão das mesmas. A tentativa de aplicação da metaheurísticas Particle Swarm Optimization para resolução do problema proposto frustrou-se devido ao grande número de soluções infactíveis resultantes das atualizações das soluções. Para contornar esta dificuldade propõe-se a heurística PSOelétrico que resulta da aplicação da versão multiobjetivo da metaheurística PSO combinada com a associação SOLFAC descrita neste trabalho. A associação SOLFAC se propõe a reduzir fortemente o número de soluções inviáveis que ocorrem durante as atualizações das soluções pelo PSO. Essa heurística híbrida se mostra promissora para a resolução de problemas de planejamento elétrico. Palavras-chave: Planejamento de expansão. Particle Swarm Optimization. Otimização multiobjetivo. / Abstract: The increasing demand for electric power often necessitates the expansion of distribution systems. The expansion of a distribution network aims to allow the system to maintain, over time, the quality of care of existing demand and be able to meet new customers with safety and economy. By involving works that require large investments and also take time in its execution, it is necessary a long-term planning that respects the dynamic characteristic of the evolution of demand and the availability of financial resources. This paper presents a model of multiobjective mixed integer programming that considers two conflicting objective functions, related costs and power losses for the expansion planning of distribution networks of electricity. Technical and operational constraints are imposed so that the solutions meet the specific characteristics of electrical networks. The mathematical model when applied to a small network and solved by branch-and-bound techniques, presented some very interesting solutions. However, there is the impossibility of applying this to real networks due to their size. The attempt to apply Particle Swarm Optimization to solve the problem posed was frustrated due to the large number of infeasible solutions resulting from the updates of the solutions. To overcome this difficulty is proposed heuristics PSOelétrico that results from applying the multiobjective version of PSO metaheuristic combined with the SOLFAC association described in this paper. The SOLFAC association aims to reduce the number of infeasible solutions which occur during upgrades of the solutions by PSO. This heuristic hybrid shows promise for solving problems in electrical design. Key words: Expansion planning. Particle Swarm optimization. Multiobjective optimization.