Made available in DSpace on 2014-06-12T15:53:49Z (GMT). No. of bitstreams: 2 arquivo6171_1.pdf: 2423042 bytes, checksum: 949507b002f02df43a3c9f1955b129d9 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Esta tese propõe um novo método híbrido que utiliza simulated annealing e o algoritmo de treinamento padrão de retro-propagação dos erros para otimizar redes MLP (Multi Layer Perceptron) aplicadas ao problema de previsão de séries temporais. Este método, denominado aqui de ANNSATS (Artificial Neural Networks and Simulated Annealing for Time Series Forecasting), começa a partir de uma topologia inicial completamente conectada e com um número pré-definido de neurônios e pesos. O sistema híbrido proposto executa ciclos compostos por uma etapa de otimização de topologia de redes neurais seguida por outra etapa de otimização de pesos. Estes ciclos continuam até que são encontrados uma topologia otimizada de rede neural e um ajuste otimizado para os pesos das conexões. Em cada ciclo, primeiramente é criada uma nova rede neural MLP candidata, que é potencialmente mais adequada para resolver o problema específico de previsão. A nova rede é criada habilitando e desabilitando neurônios de entrada e escondidos. Em seguida, os pesos desta nova topologia são ajustados utilizando o algoritmo padrão de retro-propagação dos erros, empregando um número pré-especificado e pequeno de épocas. Após este ajuste, a rede neural candidata é avaliada de acordo com uma função objetivo. Esta função objetivo é proporcional ao número de neurônios correntemente ativos na topologia e ao erro de modelagem para a série temporal. Dependendo do valor calculado para a função objetivo e dos parâmetros correntes do simulated annealing, a topologia candidata pode ser aceita ou rejeitada. Se esta for aceita, então a mesma é utilizada como base para a geração de uma nova rede neural candidata. Se a topologia candidata não for aceita, então a última topologia válida é utilizada para começar um novo ciclo. Resultados experimentais com uma série simulada (série de Hénon) e com outras oito séries de fenômenos reais mostraram que o novo método é capaz de produzir redes MLP com os retardos esperados e com o número de neurônios escondidos suficientes para obter previsões, em média, melhores do que as calculadas por redes MLP treinadas pelo algoritmo padrão de retro-propagação e melhor do que outros resultados disponíveis na literatura relacionada