Entrepreneurs have to constantly make decisions about the various opportunities available to them. Bad decisions can lead to the failure of a business while good decisions will enable the business to grow and make a positive contribution to society and the economy. Understanding how successful entrepreneurs make decisions about business opportunities will assist other entrepreneurs because this knowledge will equip them to run their own businesses more successfully. In this particular research study, twelve successful entrepreneurs were interviewed and asked about the way in which they make decisions about business opportunities. Through a process of thematic analysis, the data collected was woven into an innovative Grounded Theory that identified and explained the heuristics entrepreneurs use when making decisions about opportunities. Seven heuristics emerged from the data and were ordered according to the frequency of observation. The two most common heuristics included inputs required/outcomes desired and formal/emotional processes. The five less frequent heuristics were classified as influence, environmental factors, risk and control, commitment and balance. An additional insight that was gained through the research process was that the entrepreneurial idea itself contributes little to the overall success of the business and an “action-orientated” focus was a far better contributor to ultimate success / Dissertation (MBA)--University of Pretoria, 2013. / zkgibs2014 / Gordon Institute of Business Science (GIBS) / MBA / Unrestricted

Este trabalho discorre sobre o emprego de sistemas híbridos voltados resolução de problemas de otimizando. Como problemas de otimizando entende-se como sendo o emprego de técnicas que visam aumentar a produtividade de alguma tarefa, otimizando seus procedimentos. Desta forma, utiliza-se neste trabalho o paradigma de Algoritmos Genéticos sobre um modelo de Redes Neurais para otimizar seu funcionamento, tornando-o mais rapido e de tamanho menor na tarefa de reconhecimento de padrões. O modelo de Rede Neural escolhido para o reconhecimento de padrões foi o modelo de Teuvo Kohonen, também conhecido como modelo dos mapas auto organizados (SOM - Self Organization Feature Map). Este modelo tem sido empregado, obtendo ótimos resultados, no reconhecimento dos mais diversos padrões, como padrões fonéticos e padrões visuais, destacando sua aplicação em sistemas de reconhecimento 6tico de caracteres (OCR - Optical Character Recognization), que será explorado em detalhes no decorrer deste trabalho. O paradigma de Algoritmos Genéticos, criado por John Holland, alcança ótimo desempenho na resolução de problemas de otimizando, seja na classificação e seleção do melhor procedimento, seja no desenvolvimento de um novo procedimento baseado na interação do sistema com procedimentos anteriores. Desta forma, os algoritmos genéticos podem ser aplicados em atividades como seleção e classificação, tal como a aplicação para resolver o problema do caixeiro viajante, ou na geração de uma nova estrutura baseada em estruturas anteriores, a citar o redimensionamento de uma rede neural artificial para reduzir o seu tamanho. Em última instância, este trabalho se propõe a otimizar um sistema de reconhecimento de caracteres utilizando o melhor dos dois paradigmas anteriormente discutidos, obtendo resultados muito satisfatórios na realização dos procedimentos. / This work is about applying hybrid systems to the solving of optimization problems. We consider optimization problems as the productivity increase of some tasks by fine tuning their procedures using a Genetic Algorithm paradigm on a neural network model, optimizing its functionality, making it faster and decreasing the size of neural network. We choose Teuvo Kohonen's model for pattern recognition, also know as Self-Organization Feature Map - SOM, which has been used on a wide range of pattern recognition problems, such as phonetic an visual patterns, specially on Optical Character Recognition - OCR systems, which we will discuss later. The Genetic Algorithm paradigm, created by John Holland, reaches high score performances on solving optimization problems applyed on classification and selection process. In this way, genetic algorithms are suitable for selection and classification problems, such as solving the travelling sales person problem or on generating new structures based on prior ones as neural network redimensioning to reduce its size. The proposal is optimizing the Optical Character Recognition mixing the best properties of both paradigm, aimed very satisfactory results on process execution.

Este trabalho discorre sobre o emprego de sistemas híbridos voltados resolução de problemas de otimizando. Como problemas de otimizando entende-se como sendo o emprego de técnicas que visam aumentar a produtividade de alguma tarefa, otimizando seus procedimentos. Desta forma, utiliza-se neste trabalho o paradigma de Algoritmos Genéticos sobre um modelo de Redes Neurais para otimizar seu funcionamento, tornando-o mais rapido e de tamanho menor na tarefa de reconhecimento de padrões. O modelo de Rede Neural escolhido para o reconhecimento de padrões foi o modelo de Teuvo Kohonen, também conhecido como modelo dos mapas auto organizados (SOM - Self Organization Feature Map). Este modelo tem sido empregado, obtendo ótimos resultados, no reconhecimento dos mais diversos padrões, como padrões fonéticos e padrões visuais, destacando sua aplicação em sistemas de reconhecimento 6tico de caracteres (OCR - Optical Character Recognization), que será explorado em detalhes no decorrer deste trabalho. O paradigma de Algoritmos Genéticos, criado por John Holland, alcança ótimo desempenho na resolução de problemas de otimizando, seja na classificação e seleção do melhor procedimento, seja no desenvolvimento de um novo procedimento baseado na interação do sistema com procedimentos anteriores. Desta forma, os algoritmos genéticos podem ser aplicados em atividades como seleção e classificação, tal como a aplicação para resolver o problema do caixeiro viajante, ou na geração de uma nova estrutura baseada em estruturas anteriores, a citar o redimensionamento de uma rede neural artificial para reduzir o seu tamanho. Em última instância, este trabalho se propõe a otimizar um sistema de reconhecimento de caracteres utilizando o melhor dos dois paradigmas anteriormente discutidos, obtendo resultados muito satisfatórios na realização dos procedimentos. / This work is about applying hybrid systems to the solving of optimization problems. We consider optimization problems as the productivity increase of some tasks by fine tuning their procedures using a Genetic Algorithm paradigm on a neural network model, optimizing its functionality, making it faster and decreasing the size of neural network. We choose Teuvo Kohonen's model for pattern recognition, also know as Self-Organization Feature Map - SOM, which has been used on a wide range of pattern recognition problems, such as phonetic an visual patterns, specially on Optical Character Recognition - OCR systems, which we will discuss later. The Genetic Algorithm paradigm, created by John Holland, reaches high score performances on solving optimization problems applyed on classification and selection process. In this way, genetic algorithms are suitable for selection and classification problems, such as solving the travelling sales person problem or on generating new structures based on prior ones as neural network redimensioning to reduce its size. The proposal is optimizing the Optical Character Recognition mixing the best properties of both paradigm, aimed very satisfactory results on process execution.

Este trabalho discorre sobre o emprego de sistemas híbridos voltados resolução de problemas de otimizando. Como problemas de otimizando entende-se como sendo o emprego de técnicas que visam aumentar a produtividade de alguma tarefa, otimizando seus procedimentos. Desta forma, utiliza-se neste trabalho o paradigma de Algoritmos Genéticos sobre um modelo de Redes Neurais para otimizar seu funcionamento, tornando-o mais rapido e de tamanho menor na tarefa de reconhecimento de padrões. O modelo de Rede Neural escolhido para o reconhecimento de padrões foi o modelo de Teuvo Kohonen, também conhecido como modelo dos mapas auto organizados (SOM - Self Organization Feature Map). Este modelo tem sido empregado, obtendo ótimos resultados, no reconhecimento dos mais diversos padrões, como padrões fonéticos e padrões visuais, destacando sua aplicação em sistemas de reconhecimento 6tico de caracteres (OCR - Optical Character Recognization), que será explorado em detalhes no decorrer deste trabalho. O paradigma de Algoritmos Genéticos, criado por John Holland, alcança ótimo desempenho na resolução de problemas de otimizando, seja na classificação e seleção do melhor procedimento, seja no desenvolvimento de um novo procedimento baseado na interação do sistema com procedimentos anteriores. Desta forma, os algoritmos genéticos podem ser aplicados em atividades como seleção e classificação, tal como a aplicação para resolver o problema do caixeiro viajante, ou na geração de uma nova estrutura baseada em estruturas anteriores, a citar o redimensionamento de uma rede neural artificial para reduzir o seu tamanho. Em última instância, este trabalho se propõe a otimizar um sistema de reconhecimento de caracteres utilizando o melhor dos dois paradigmas anteriormente discutidos, obtendo resultados muito satisfatórios na realização dos procedimentos. / This work is about applying hybrid systems to the solving of optimization problems. We consider optimization problems as the productivity increase of some tasks by fine tuning their procedures using a Genetic Algorithm paradigm on a neural network model, optimizing its functionality, making it faster and decreasing the size of neural network. We choose Teuvo Kohonen's model for pattern recognition, also know as Self-Organization Feature Map - SOM, which has been used on a wide range of pattern recognition problems, such as phonetic an visual patterns, specially on Optical Character Recognition - OCR systems, which we will discuss later. The Genetic Algorithm paradigm, created by John Holland, reaches high score performances on solving optimization problems applyed on classification and selection process. In this way, genetic algorithms are suitable for selection and classification problems, such as solving the travelling sales person problem or on generating new structures based on prior ones as neural network redimensioning to reduce its size. The proposal is optimizing the Optical Character Recognition mixing the best properties of both paradigm, aimed very satisfactory results on process execution.