Made available in DSpace on 2014-06-12T15:58:49Z (GMT). No. of bitstreams: 2 arquivo4719_1.pdf: 676732 bytes, checksum: 49d0c3f980e3fb50bb7e6c70f248211d (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Nas Redes Neurais Sem Peso (RNSP), o padrão de conectividade dos nós desempenha um papel fundamental, pois é diretamente responsável pela performance da rede, determinando o custo computacional, a eficiência, a velocidade, a tolerância a falhas e ruídos e a capacidade de generalização. Porém, apesar de sua importância, de um modo geral, o padrão de conectividade é escolhido empiricamente, por meio de um método manual de tentativas e erros ou com a ajuda de um especialista, o que nem sempre é viável. Por outro lado, essa escolha do melhor padrão de conectividade pode ser visto como um problema de otimização, no qual cada rede é um ponto no espaço de soluções possíveis. Portanto, vários métodos de otimização, principalmente os métodos globais de otimização, têm sido propostos para automatização da geração do padrão de conectividade. Esses métodos fazem busca no espaço global, evitando cair em soluções de mínimos locais. Nesse contexto, uma das principais contribuições desta dissertação é um estudo experimental sobre o uso de métodos de otimização global, tais como Algoritmos Genéticos, Simulated Annealing e Tabu Search, aplicados à escolha do padrão de conectividade das RNSPs. Os resultados obtidos com esses métodos, junto com aqueles baseados na escolha empírica, são avaliados no contexto de um problema de classificação de caracteres numéricos manuscritos, em que testes de hipótese são aplicados. Por exemplo, o uso de Tabu Search conseguiu diminuir em 17,27% o erro médio de classificação obtido inicialmente com o método de escolha empírica. Em outro experimento, o uso de algoritmos genéticos conseguiu diminuir em 89% o uso de memória alocada, com erros médios de classificação menores que os obtidos inicialmente, pelo método baseado na escolha empírica