166f. / Submitted by Suelen Reis (suziy.ellen@gmail.com) on 2013-04-10T19:35:07Z No. of bitstreams: 1 Luciana Pacheco seg.pdf: 3529890 bytes, checksum: 13857ac04543f1bbc9fd4d7ed9849eba (MD5) / Approved for entry into archive by Rodrigo Meirelles(rodrigomei@ufba.br) on 2013-05-11T15:30:28Z (GMT) No. of bitstreams: 1 Luciana Pacheco seg.pdf: 3529890 bytes, checksum: 13857ac04543f1bbc9fd4d7ed9849eba (MD5) / Made available in DSpace on 2013-05-11T15:30:28Z (GMT). No. of bitstreams: 1 Luciana Pacheco seg.pdf: 3529890 bytes, checksum: 13857ac04543f1bbc9fd4d7ed9849eba (MD5) Previous issue date: 2011 / Em sistemas industriais automatizados, a inatividade provocada pela escassez não planejada de recursos, ou por falhas de processo, tem grande influência no desempenho dos sistemas por conta das descontinuidades e instabilidades geradas. Sistemas de controle distribuídos e autônomos podem ajudar a lidar com esses tipos de problemas devido à melhoria de desempenho possibilitada. Entretanto, aspectos relativos à segurança e ao tempo de resposta devem ser bem tratados nesses sistemas devido aos riscos envolvidos (humanos, financeiros e ambientais). A proposta de sistemas autônomos e distribuídos visa a que decisões de controle sejam tomadas mais próximas do objeto controlado, reduzindo assim o tempo de atuação no processo e sistematizando algumas decisões, antes tomadas de forma empírica. Consequentemente, se espera aumentar a disponibilidade e a continuidade do processo, bem como garantir os aspectos de confiabilidade. Entretanto, quando tais sistemas se tornam mais autônomos e distribuídos, podem tender ao comportamento global caótico, caso suas interações não estejam bem definidas. Assim, é importante que seja avaliado e dimensionado o acoplamento entre os sistemas autônomos relacionados. O grau de inteligência de um sistema pode variar de uma entidade completamente controlada a entidades completamente autônomas. O primeiro nível de inteligência é verificado quando um sistema é capaz de gerenciar suas próprias informações, obtidas por meio de sensores e demais técnicas e dispositivos, e não somente manipular informações. Em um segundo nível, o sistema pode notificar o seu gestor quando há um problema. Em um terceiro nível, o sistema já é capaz de tomar decisões e se autogerenciar, mesmo sem intervenção externa. Neste caso, o sistema tem controle total sobre suas tarefas e não há nenhum controle externo a ele. A alternativa proposta pelo GCAD visa a que Sistemas Industriais Automatizados atinjam até o terceiro nível de inteligência, sendo que intervenções externas podem ser admitidas nos casos em que uma ação puramente local e autônoma de fato não é recomendável ou não é possível, por exemplo, havendo necessidade de substituição de equipamentos ou dispositivos. O GCAD propõe um módulo de controle inteligente instanciado predominantemente em nível local que visa a permitir que cada Sistema Industrial Automatizado, distribuído em células, tome decisões críticas de uma forma autônoma. Adicionalmente, um módulo remoto deve gerenciar situações mais complexas que estão além da capacidade de decisão ou atuação do sistema de controle local. O modelo proposto visa a permitir ajustes automáticos e autônomos no sistema, a fim de melhorar seu desempenho, e prevenir ou tratar as falhas inesperadas,assegurando a continuidade da operação. / Salvador

Compreender o comportamento emergente nos territórios urbanos é fundamental para estudar e direcionar com maior eficiência as políticas públicas. Considerando que as emergências urbanas são elementos presentes no cotidiano das cidades não é possível ao Estado não levá-las em conta ao formular suas ações púbicas. Tomando como premissa que a sociedade é um corpo vivo, onde cada órgão cumpre uma função, busca-se o caminho para instrumentalizar ações políticas adequadas às emergências urbanas. Assim, o objetivo do estudo é refletir sobre o comportamento emergente a partir do estudo de caso da Regional CIC, levando em conta os aspectos do planejamento político e aqueles relativos à auto-organização dos espaços e territórios. O estudo, em seus métodos de pesquisa, é exploratóriodescritivo, com delineamento analítico e configurando-se como estudo de caso. A análise realizada é qualitativa, buscando a relação do caso concreto descrito com a literatura estudada e o universo de pesquisa corresponde à cidade de Curitiba, tendo como amostragem direta a Regional CIC. Por meio do estudo literário levantou-se que o comportamento emergente nos espaços urbanos é uma constante, especialmente em cidades ou territórios em constante desenvolvimento como é o caso da cidade de Curitiba – PR. Os sistemas emergentes são resultado de processos que envolvem ordem e desordem e auto-organização, tendo os sistemas de redes como elemento para sua constituição. As emergências urbanas, seguindo os conceitos emergentistas, não podem ser previstas ou planejadas, surgem a partir de um processo auto-organizado, de baixo para cima, onde níveis inferiores produzem novas propriedades com características complexas. Ao analisar a criação da Regional CIC percebe-se que diversos elementos emergentes estão presentes, tendo destaque os seguintes: Criação da Cidade industrial de Curitiba, regionalização e territorialização, desterritorialização (desmembramento do bairro), redes setoriais planejadas ou não e interorganizacionais e ênfase aos aspectos humanos e éticos. Percebe-se que as políticas públicas analisadas têm elementos emergentes, pois são descentralizas, trabalham em sistema de redes, trocam informações constantes com a comunidade e procuram influenciar, sem controlar, os territórios em desenvolvimento. Pode-se concluir que as políticas públicas não devem buscar o controle dos movimentos urbanos e dos processos emergentes, mas incentivar a criatividade e a capacidade de auto-organização dos grupos sociais, sendo ela mesma, um dos componentes dos sistemas urbanos emergentes. / Understanding the emergent behavior in urban areas is essential to study more efficiently and drive public policy. Whereas the urban emergencies are elements present in the daily life of cities is not possible for the state not take them into account when formulating their actions pubic area. Taking as its premise that society is a living body, where each agency fulfills a function, we seek to equip the way for appropriate policy actions to urban emergencies. The objective of this study is to reflect on the emergent behavior from the case study of the Regional CIC, taking into account aspects of planning policy and those related to self-organization of spaces and territories. The study, in its methods of research is exploratory and descriptive, analytical and design configured as a case study. The analysis is qualitative, seeking the relationship of the case described in the literature studied and the universe of research is the city of Curitiba, with the direct sampling the Regional CIC. Through the literary study arose that the emergent behavior in urban areas is a constant, especially in cities or territories in constant development as is the case of Curitiba - PR. The emerging systems are the result of processes that involve order and disorder and self-organization, and network systems as an element in its constitution. The urban emergencies, following the emergentist concepts, can not be predicted or planned, arise from a self-organizing process, from the bottom up, which produce lower levels of new properties with complex traits. By analyzing the creation of the Regional CIC realizes that many emerging elements are present, and highlighted the following: Creation of the Industrial City of Curitiba, regionalization and territorialization, deterritorialization (dismemberment of the neighborhood), sectoral networks planned or unplanned, and interorganizational and emphasis to human and ethical aspects. It is felt that public policies have analyzed emerging elements because they are descentralizas, working in the system of networks, exchange information in the community and seek to influence, not control, the territories in development. It can be concluded that public policy should not seek control of urban movements and emerging processes, but encourage creativity and self-organization of social groups, being herself, one of the components of urban systems emerging.

O aprendizado de máquina consiste de conceitos e técnicas que permitem aos computadores melhorar seu desempenho com a experiência, ou, em outras palavras, aprender com dados. Um dos principais tópicos do aprendizado de máquina é o agrupamento de dados que, como o nome sugere, procura agrupar os dados de acordo com sua similaridade. Apesar de sua definição relativamente simples, o agrupamento é uma tarefa computacionalmente complexa, tornando proibitivo o emprego de algoritmos exaustivos, na busca pela solução ótima do problema. A importância do agrupamento de dados, aliada aos seus desafios, faz desse campo um ambiente de intensa pesquisa. Também a classe de fenômenos naturais conhecida como comportamento coletivo tem despertado muito interesse. Isso decorre da observação de um estado organizado e global que surge espontaneamente das interações locais presentes em grandes grupos de indivíduos, caracterizando, pois, o que se chama auto-organização ou emergência, para ser mais preciso. Os desafios intrínsecos e a relevância do tema vêm motivando sua pesquisa em diversos ramos da ciência e da engenharia. Ao mesmo tempo, técnicas baseadas em comportamento coletivo vêm sendo empregadas em tarefas de aprendizado de máquina, mostrando-se promissoras e ganhando bastante atenção. No presente trabalho, objetivou-se o desenvolvimento de técnicas de agrupamento baseadas em comportamento coletivo. Faz-se cada item do conjunto de dados corresponder a um indivíduo, definem-se as leis de interação local, e então os indivíduos são colocados a interagir entre si, de modo que os padrões que surgem reflitam os padrões originalmente presentes no conjunto de dados. Abordagens baseadas em dinâmica de troca de energia foram propostas. Os dados permanecem fixos em seu espaço de atributos, mas carregam certa informação a energia , a qual é progressivamente trocada entre eles. Os grupos são estabelecidos entre dados que tomam estados de energia semelhantes. Este trabalho abordou também o aprendizado semissupervisionado, cuja tarefa é rotular dados em bases parcialmente rotuladas. Nesse caso, foi adotada uma abordagem baseada na movimentação dos próprios dados pelo espaço de atributos. Procurou-se, durante todo este trabalho, não apenas propor novas técnicas de aprendizado, mas principalmente, por meio de muitas simulações e ilustrações, mostrar como elas se comportam em diferentes cenários, num esforço em mostrar onde reside a vantagem de se utilizar a dinâmica coletiva na concepção dessas técnicas / Machine learning consists of concepts and techniques that enable computers to improve their performance with experience, i.e., enable computers to learn from data. Data clustering (or just clustering) is one of its main topics, which aims to group data according to their similarities. Regardless of its simple definition, clustering is a complex computational task. Its relevance and challenges make this field an environment of intense research. The class of natural phenomena known as collective behavior has also attracted much interest. This is due to the observation that global patterns may spontaneously arise from local interactions among large groups of individuals, what is know as self-organization (or emergence). The challenges and relevance of the subject are encouraging its research in many branches of science and engineering. At the same time, techniques based on collective behavior are being employed in machine learning tasks, showing to be promising. The objective of the present work was to develop clustering techniques based on collective behavior. Each dataset item corresponds to an individual. Once the local interactions are defined, the individuals begin to interact with each other. It is expected that the patterns arising from these interactions match the patterns originally present in the dataset. Approaches based on dynamics of energy exchange have been proposed. The data are kept fixed in their feature space, but they carry some sort of information (the energy), which is progressively exchanged among them. The groups are established among data that take similar energy states. This work has also addressed the semi-supervised learning task, which aims to label data in partially labeled datasets. In this case, it has been proposed an approach based on the motion of the data themselves around the feature space. More than just providing new machine learning techniques, this research has tried to show how the techniques behave in different scenarios, in an effort to show where lies the advantage of using collective dynamics in the design of such techniques