Nos últimos anos, um dos principais desafios globais está relacionado com a eficiência energética, sendo o desperdício de energia um dos fatores a ser destacado. Tal desperdício pode ser superado com o uso do Sistema de Automação Residencial (SAR). Vale frisar que os SARs são fortemente dependentes da sua infraestrutura interna, visto que esta é a base de uma casa inteligente. A Rede de Sensores e Atuadores sem Fio (RSASF) é uma solução promissora e de fácil implantação para ser utilizada como infraestrutura em um SAR. Entretanto, o uso das RSASFs como infraestrutura para monitorar e atuar (isto é, processo de tomada de decisão) no contexto de um SAR traz um novo problema. Tal problema remete não apenas a falta de um método para realizar a decisão dentro do próprio nó da RSASF, mas também a ausência em investigar um trade-off entre a precisão nas tomadas de decisões e o consumo de energia dos nós da rede. Além disso, a falta de uma infraestrutura distribuída, com baixo overhead e que reduza a latência do serviço são algumas das novas problemáticas para serem exploradas. Com isso, tem-se como desafio embarcar uma maior inteligência em dispositivos com recursos escassos, característica presente em uma RSASF. Para superar tais limitações, esta tese apresenta duas soluções de decisões inteligentes para uma infraestrutura residencial, nomeadas como ResiDI e ImPeRIum. O ResiDI é baseado em uma rede neural para atuar no processo de tomada de decisão dentro da RSASF, bem como em um mecanismo de correlação temporal para maximizar a eficiência energética da infraestrutura de comunicação. Já o ImPeRIum é baseado em um conjunto heterogêneo de dispositivos inteligentes para formar um ambiente computacional de fog, o qual gerencia as aplicações da residência por meio de uma rede neural. As soluções foram avaliadas extensivamente em diferentes cenários e comparadas com um trabalho da literatura. Os resultados reais e simulados, avaliados mediante uma análise estatística paramétrica e não-paramétrica, mostrou atingir o objetivo desta tese, sendo quatro deles notáveis: (i) aumento da precisão nas tomadas de decisões; (ii) redução no consumo de energia dos nós da rede; (iii) redução no tempo de resposta da atuação com baixa sobrecarrega; e (iv) eficiência na disseminação das informações. / In recent years, energy efficiency has become a major global challenge, and energy waste is a factor that needs to be highlighted. Such waste can be overcome with the use of Home Automation System (HAS). It should be stressed that the HASs are strongly dependent on its internal network, since this is the basis of a smart home. Wireless Sensor and Actuator Networks (WSANs) provide a modern and ubiquitous infrastructure for a smart home. However, the use of WSANs to monitor and act (i.e. decision-making process) as a control infrastructure within the context of HAS poses a new problem. Such problem refers not only to the lack of a method to execute the decision-making process within the WSAN, but also to the lack of investigating a trade-off between the decision-making accuracy and the extension of the WSAN nodes life-time. In addition, the lack of a distributed infrastructure, with low overhead in processing and that reduces service latency are some of the new problems to be addressed in the literature. With this, one has as a challenge to embark on greater intelligence in devices with scarce resources, a feature present in a WSAN. To overcome such limitations, this thesis presents two intelligent decision-making solutions for residential infrastructures, named ResiDI and ImPeRIum. ResiDI was developed based on a neural network to act in the decision-making process within the network, as well as a temporal correlation mechanism to maximize the energy consumption in the networks nodes. ImPeRIum was based on a heterogeneous set of smart objects to form a fog computational environment, which manages the applications of the residence through a neural network. The solutions were evaluated extensively in different scenarios and compared with an approach in the literature. The real and simulated results, evaluated through parametric and non-parametric tests, show that solutions make four key contributions: (i) increased decisionmaking; (ii) reduction in node energy consumption; (iii) reduction in action response time with low overload; and (iv) efficiency in the transmission of information.

Nos últimos anos, um dos principais desafios globais está relacionado com a eficiência energética, sendo o desperdício de energia um dos fatores a ser destacado. Tal desperdício pode ser superado com o uso do Sistema de Automação Residencial (SAR). Vale frisar que os SARs são fortemente dependentes da sua infraestrutura interna, visto que esta é a base de uma casa inteligente. A Rede de Sensores e Atuadores sem Fio (RSASF) é uma solução promissora e de fácil implantação para ser utilizada como infraestrutura em um SAR. Entretanto, o uso das RSASFs como infraestrutura para monitorar e atuar (isto é, processo de tomada de decisão) no contexto de um SAR traz um novo problema. Tal problema remete não apenas a falta de um método para realizar a decisão dentro do próprio nó da RSASF, mas também a ausência em investigar um trade-off entre a precisão nas tomadas de decisões e o consumo de energia dos nós da rede. Além disso, a falta de uma infraestrutura distribuída, com baixo overhead e que reduza a latência do serviço são algumas das novas problemáticas para serem exploradas. Com isso, tem-se como desafio embarcar uma maior inteligência em dispositivos com recursos escassos, característica presente em uma RSASF. Para superar tais limitações, esta tese apresenta duas soluções de decisões inteligentes para uma infraestrutura residencial, nomeadas como ResiDI e ImPeRIum. O ResiDI é baseado em uma rede neural para atuar no processo de tomada de decisão dentro da RSASF, bem como em um mecanismo de correlação temporal para maximizar a eficiência energética da infraestrutura de comunicação. Já o ImPeRIum é baseado em um conjunto heterogêneo de dispositivos inteligentes para formar um ambiente computacional de fog, o qual gerencia as aplicações da residência por meio de uma rede neural. As soluções foram avaliadas extensivamente em diferentes cenários e comparadas com um trabalho da literatura. Os resultados reais e simulados, avaliados mediante uma análise estatística paramétrica e não-paramétrica, mostrou atingir o objetivo desta tese, sendo quatro deles notáveis: (i) aumento da precisão nas tomadas de decisões; (ii) redução no consumo de energia dos nós da rede; (iii) redução no tempo de resposta da atuação com baixa sobrecarrega; e (iv) eficiência na disseminação das informações. / In recent years, energy efficiency has become a major global challenge, and energy waste is a factor that needs to be highlighted. Such waste can be overcome with the use of Home Automation System (HAS). It should be stressed that the HASs are strongly dependent on its internal network, since this is the basis of a smart home. Wireless Sensor and Actuator Networks (WSANs) provide a modern and ubiquitous infrastructure for a smart home. However, the use of WSANs to monitor and act (i.e. decision-making process) as a control infrastructure within the context of HAS poses a new problem. Such problem refers not only to the lack of a method to execute the decision-making process within the WSAN, but also to the lack of investigating a trade-off between the decision-making accuracy and the extension of the WSAN nodes life-time. In addition, the lack of a distributed infrastructure, with low overhead in processing and that reduces service latency are some of the new problems to be addressed in the literature. With this, one has as a challenge to embark on greater intelligence in devices with scarce resources, a feature present in a WSAN. To overcome such limitations, this thesis presents two intelligent decision-making solutions for residential infrastructures, named ResiDI and ImPeRIum. ResiDI was developed based on a neural network to act in the decision-making process within the network, as well as a temporal correlation mechanism to maximize the energy consumption in the networks nodes. ImPeRIum was based on a heterogeneous set of smart objects to form a fog computational environment, which manages the applications of the residence through a neural network. The solutions were evaluated extensively in different scenarios and compared with an approach in the literature. The real and simulated results, evaluated through parametric and non-parametric tests, show that solutions make four key contributions: (i) increased decisionmaking; (ii) reduction in node energy consumption; (iii) reduction in action response time with low overload; and (iv) efficiency in the transmission of information.