[pt] Esta dissertação investiga a convergência e o desempenho de Algoritmos Genéticos: os problemas, soluções e medidas propostas. O trabalho consiste de cinco partes principais: uma discussão sobre os fundamentos matemáticos que buscam explicar o funcionamento de um Algoritmo genético; um estudo dos principais problemas associados à  convergência e ao desempenho de Algoritmos genéticos; uma análise das técnicas e algoritmos alternativos para a melhoria da convergência; um estudo de medidas para estimar o grau de dificuldade esperado para a convergência de Algoritmos Genéticos; e estudo de casos. Os fundamentos matemáticos de Algoritmos Genéticos têm por base os conceitos de schema e blocos construtores, desenvolvidos por Holland (apud Goldberb, 1989a). Embora estes conceitos constituam a teoria fundamental sobre a qual a convergência se baseia, há, no entanto, questões importantes sobre o processo através do qual schemata interagem durante a evolução de um Algoritmo genético (Forrest et al, 1993b). Este trabalho apresenta uma discussão sobre os principais questionamentos que têm sido levantados sobre a validade destes fundamentos. São discutidas as controvérsias geradas pela necessidade de uma visão dinâmica dos Algoritmos Genéticos, onde a amostra da população e os resultados obtidos pela recombinação sejam considerados. Em especial, as objeções apontadas pro Thornton (1995) quanto à  coerência da associação dos conceitos de schema e blocos construtores, a contradição entre os Teoremas schema e Price vista por Altemberg (1994), e as idéias de adequação do Teorema Fundamental de Algoritmos Genéticos ao conceito de variância dentro de uma população. Os principais problemas de convergência e desempenho de um Algoritmo Genético foram discutidos: a Decepção e a Epistasia. É apresentada a idéia de que a Decepção, embora esteja fortemente ligada à  dificuldade de convergência de Algoritmos Genéticos, não constitui fator suficiente para que um problema seja considerado difí­cil para um Algoritmo genético (GA-hard problems) (Grefenstette, 1993). São também apresentados os coeficientes de Walsh (Goldberg, 1989b) e demonstrada a sua relação com as idéias de schema e epistasia, e sua utilização em funções decepcionantes. São analisadas diversas funções decepcionantes. São analisadas diversas funções, associadas aos conceitos de Decepção e Epistasia: as funções fully-deceptive e fully easy com 6 bits, propostas por Deb e Goldberg (1994); as funções deceptive but easy e non-deceptive but hard de Grefenstette (op. Cit.); as funções F2 e F3 de Whitley (1992), e ainda, as funções NK (apud Harvey, 1993) e Royal Road (Forrest et al, op. Cit.) Técnicas alternativas para melhorar a convergência incluem basicamente algoritmos evolucionários com características especí­ficas a determinado tipo de problema. São analisados alguns algoritmos alternativos, como o Messy de Goldberg et alli (1989), o Estruturado de Dasgupta et al (s.d.), o aumentado de Grefenstette (ibidem) e os algoritmos propostos por Paredis (1996b). É ainda discutida e exemplificada a importância da escolha adequada de parâmetros e da representação de cromossomas, para que a convergência seja mais facilmente alcançada. O estudo de medidas de convergêcia de Algoritmos Genéticos fornece uma classificação: medidas probabilísticas e medidas baseadas em landscapes. São apresentadas também as colocações de Koza (1994) e Altemberg (op. Cit.) sobre a convergência de Algoritmos Evolucionários. É dado destaque para medida da dificuldade esperada para convergência baseada no Coeficiente de Correlação entre a Aptidão e a Distância (FDC - Fitness Distance Correlation), como proposto por Jones e Forrest (1995b). O estudo de casos consiste da análise do comportamento de Algoritmos Genéticos pela medida FDC, quando aplicados a um conjunto de funções matemáticas, incluindo as já citadas, e ainda as funções de teste propostas por De Jong (apud Goldberg, op. cit) e a função decepcionante de Liepins e Vose (apud Deb et al, 1994). Também é realizada uma extensão da medida de dificuldade FDC estudada, buscando adequá-la a uma visão mais dinâmica de Algoritmos Genéticos. Para executar estes testes, o ambiente GENEsYs 1.0, desenvolvido por Thomas Bäck (1992) (a partir de seu precursor Genesis de JOhn Grefenstette (apud Ribeiro et alli, 1994), foi adaptado e extendido. / [en] This wok investigates the convergence and the performance of Genetic Algorithms: the problems, solutions and proposed measures. It is divided into five topics: a discussion on the mathematical foundations that explains how Genetic Algorithms work: a study of the most important problems associated to their convergence and performance; an analysis of techniques and alternative Genetic Algorithms to achieve better convergence; a study of measures trying to estimate the level of difficulty for the convergence of GA s; and case study. The mathematical foundations are based in conceps of schema and building blocks, developed by Holland (apud Goldberg, 1989a). Although they constitute the fundamental theory about Genetic Algorithms convergence, there has been a lot of questions about the process in which schemata interact during the evolution of GA s (Forrest et al, 1993b). This work presents a discussion on the most important questions that have been raised about the validity of these foundations. Specifically the objections pointed out by Thorton (1995) about the conference of the association between schema and building blocks; the contradiction between schema theorem and Price theorem, mentioned by Altenberg (1994); and the new ideas raised by the variance of fitness concept. The most important problems related to the convergence and performance of GA s are discussed, i.e. the Deception and the Epistasis. Even though Deception can difficult the convergence, the former does not constitute a sufficient factor for the late (Grefenstette, 1993). The Walsh coefficients (Goldberg, 1989b0 and their relation with schema are presented, and also their utilization in deceptive fuctions. Some functions are analised, based on the concepts of Deception and Epistasis: the 6-bits fully- deceptive function by Deb et all (1994): the 3-bits fully- deceptive functions, by Deb et alli (1989); the functions deceptive but easy and non-deceptive but hard of Grefenstette (op. cit.) the F2 and F3 functions of Whitley (1992) as well as the NK functions (apud Harvey, 1993) and the Royal Road functions (Forrest et al, op. cit.). The techniques included the alternative GA s, with special carachteristics. The Messy GA of Goldberg (1989), the Structured GA of Dasgupta (s.d.), the Augmenated GA of Grefenstette (ibidem) and GA s fo Paredis (1996b). The importance of a correct choice of parameters is also discussed. The study of measures classifies those Ga´s into two types: probabilistics and based on landscapes. The considerations of Koza (1994) and Altenberg (op. cit.) are also discussed. It is given special enfasis to the FDC ( Fitness Distance Correlacion) measure, proposed by Jones and Forrest (1995b). The case study consists of the analysis of the behavior of GA by the measure FDC, applied to a set of mathematical functions. The environment used is GENEsYs 1.0, developed by Thomas Bäck (1992) over the Genesis of Grefenstette. The GENEsys 1.0 was adapted and expanded to fullfil the requirements of this work.

[pt] Atualmente as Unidades de Saúde, em um grande número de países do mundo, apresentam demandas de serviços que superam suas capacidades reais. Por esta razão, o surgimento das listas de espera é inevitável. Preparar o planejamento das mesmas, de modo otimizado resulta, portanto, em um grande desafio, devido à quantidade de recursos que devem ser considerados. O caso particular dos procedimentos cirúrgicos é particularmente crítico pela quantidade de recursos que se precisam para a realização do mesmo. Poucos projetos têm sido desenvolvidos para a gestão completa dessas listas. O trabalho desenvolvido nesta Dissertação propõe o uso de um modelo, baseado em algoritmos genéticos com inspiração quântica, para a automatização e otimização do planejamento de procedimentos cirúrgicos eletivos. Este modelo, denominado Algoritmo Evolucionário com Inspiração Quântica para a Área de Saúde (AEIQ-AS), além de alocar os pacientes e os recursos necessários para que o processo cirúrgico seja exitoso, procura reduzir o tempo total para que todas as cirurgias sejam realizadas. Este trabalho apresenta também uma ferramenta que permite a modelagem, de modo simplificado, de uma Unidade Cirúrgica de Saúde. Esta ferramenta possibilita a realização de simulações com o objetivo de ver o efeito de diferentes configurações dos recursos nas Unidades de Saúde. Para a validação do modelo proposto foi criada, de modo artificial e fazendo uso da ferramenta de simulação, uma lista de espera de 2000 cirurgias. Caso as cirurgias fossem realizadas seguindo a ordem de chegada, seriam necessárias pouco mais de 37 semanas e teria 1066 operações fora do prazo. Foram feitos vários experimentos onde se buscava a otimização destes valores. Esta busca foi feita, primeiramente, tomando em consideração só um dos parâmetros e a continuação eles em conjunto. Na primeira abordagem o AEIQ-AS consegue a realização das mesmas cirurgias em aproximadamente 31 semanas. Assim, observa se que há uma redução de aproximadamente 16,25 porcento do tempo. O número de operações fora do prazo, por sua vez, foi reduzido pelo modelo para 927 (13,04 porcento). Na abordagem simultânea, o AEIQ-AS, consegue uma diminuição do tempo total de alocação em 16,22 porcento e o número de operações fora do prazo em 9,76 porcento. Foram feitas, também, várias simulações da Unidade de Saúde mantendo as caraterísticas da lista de cirurgias para ver seu efeito no tempo total de alocação de todos os processos cirúrgicos. / [en] Currently, Health Units in a large number of countries in the world present service demand that exceed their real capacities. For this reason, is inevitable the emergence of the waiting lists. To prepare the planning of this in an optimized manner results in a substantial challenge due to the number of resources that should be considered. The case of chirurgical procedures is particularly critical by the number of resources needed for their realization. A small quantity of projects has been developed to fully manage these lists. The work developed in this Dissertation proposes the use of a model based on evolutionary algorithms with quantum inspiration for the automation and optimization of the planning of elective chirurgical procedures. This model, denominated Evolutionary Algorithm with Quantum Inspiration for the Health Field (AEIQ-AS), beyond patients and necessary resources for the successful completion of the chirurgical procedure allocation, pursue the reduction of the total time of realization of all the surgeries. The work presents also a tool that allows the modeling, in a simplified manner, of a Chirurgical Health Unit. This tool enables the realization of simulations with the objective of seeing the effect of different configurations of the resources in the Health Units. To validate the proposed model was created, in artificial mode and employing the simulation tool, a waiting list of 2000 surgeries. In case that the surgeries were realized following the arrival order, will be needed a little more than 37 weeks and will have 1066 surgeries out of time. Several experiments were conducted in order to optimize these values. This search was executed, firstly, considering only one of the parameters and, in continuation, all together. In the first approach, the AEIQ-AS obtains the realization of the same surgeries in approximately 16,25 percent of the time. The number of operations out of time was reduced by the model to 927 (13,04 percent). In the simultaneous approach, the AEIQAS achieves a decrease of the allocation total time in 16,22 percent and the number of operations out of time in 9,76 percent. It were done, also, several simulations of the Health Unit maintaining the characteristics of the surgeries list in order to look the effect in the allocation total time of all the chirurgical procedures.

[pt] Na análise de séries temporais, os modelos lineares amplamente difundidos e utilizados, como regressões lineares e modelos auto-regressivos, não são capazes de capturar sua natureza muitas vezes não-linear,oferecendo resultados insatisfatórios. Séries financeiras, por exemplo, apresentam este tipo de comportamento. Ao longo dos últimos anos, houve o surgimento de muitos modelos não lineares para análise de séries temporais, tanto estatísticos como de inteligência computacional, baseados em redes neurais. Esta dissertação se propõe a analisar a performance do modelo STAR-Tree sob diversos cenários de conFiguração, parametrização e metodologias de estimação. Esta classe de modelos subdivide os dados de uma série temporal em regiões distintas que atendem critérios especificados em funções chamadas de pertinências. A cada região é atribuído um modelo linear auto-regressivo. Cada dado estimado pode estar em alguma das regiões com algum grau de pertinência determinado pelas funções fornecidas pelo modelo principal. Fatores como a proximidade das regiões, a suavidade das funções de pertinência e a falta de diversidade nos dados podem dificultar a estimação dos modelos. Para avaliar a qualidade das estimações sob os diversos cenários, foi construído um sistema capaz de gerar séries artificiais, importar séries externas, estimá-las sob a modelagem STAR-Tree, e gerar simulações de Monte Carlo que avaliam a qualidade da estimação de parâmetros e a capacidade de detecção das estruturas de árvore do modelo. Ele foi utilizado como ferramenta para realizar as análises presentes na dissertação, e permitiu que se testassem diferentes conFigurações de métodos e parametrizações com facilidade. / [en] In time series analysis, linear models that have been broadly used, such as linear regressions and auto-regressive models, are not able to capture the some times non linear nature of some data, offering poor estimation results. Financial series, for instance, show that kind of behavior. Over the last years, a great number of non linear models have been developed in order to analyze time series, some of them statistical, others based on computational intelligence techniques such as neural networks. The purpose of this dissertation is to analyze the performance of the STAR-Tree model under distinct scenarios that differ in model specification, parameterization and estimation methodologies. This class of models splits time series data into individual regions which fulfill the criteria set up by functions called pertinences. A linear model then is selected for each one of those regions. Each estimated data point can belong to one of the mentioned regions with some degree of pertinence, supplied by the above mentioned pertinence functions. Aspects like the proximity between regions, the smoothness of the pertinence functions and the lack of diversity in real data can significantly affect the estimation of models. In order to evaluate the quality of the estimations under the different proposed scenarios, a software was developed with the capabilities of generating artificial time series, importing external series, estimating them under the STAR-Tree model, and generating Monte Carlo simulations that evaluate the quality of parameter estimation and the tree structure detection capability of the model. The software was used as the single tool to generate this dissertation’s analyses, and allowed that different model specifications and methods could be tested without difficulty.

[pt] Esta dissertação investiga um sistema baseado em algoritmos genéticos e algoritmos culturais, aplicado ao processo de desenvolvimento de um campo de petróleo. O desenvolvimento de um campo de petróleo consiste, neste caso, da disposição de poços num reservatório petrolífero, já conhecido e delimitado, que permita maximizar o Valor Presente Líquido. Uma disposição de poços define a quantidade e posição de poços produtores e injetores e do tipo de poço (horizontalou vertical) a serem empregados no processo de exploração. O objetivo do trabalho é avaliar o desempenho de Algoritmos Genéticos e Algoritmos Culturais como métodos de apoio à decisão na otimização de alternativas de produção em reservatórios petrolíferos. Determinar a localização de novos poços de petróleo em um reservatório é um problema complexo que depende de propriedades do reservatório e critérios econômicos, entre outros fatores. Para que um processo de otimização possa ser aplicado nesse problema, é necessário definir uma função objetivo a ser minimizada ou maximizada pelo processo. No problema em questão, a função objetivo a ser maximizada é o Valor Presente Líquido (VPL). Para se estabelecer o VPL, subtrai-se os gastos com a exploração do valor correspondente ao volume de petróleo estimado da reserva. Devido à complexidade do perfil de produção de petróleo, exige-se a utilização de simuladores de reservatório para esta estimativa. Deste modo, um simulador de reservatórios é parte integrante da função de avaliação. O trabalho de pesquisa foi desenvolvido em quatro etapas: um estudo sobre a área de exploração de petróleo; um estudo dos modelos da inteligência computacional empregados nesta área; a definição e implementação de um modelo genético e cultural para o desenvolvimento de campo petrolífero e o estudo de caso. O estudo sobre a área de exploração de campo de petróleo envolveu a teoria necessária para a construção da função objetivo. No estudo sobre as técnicas de inteligência computacional definiu-se os conceitos principais sobre Algoritmo Genético e Algoritmo Cultural empregados nesta dissertação. A modelagem de um Algoritmo Genético e Cultural constitui no emprego dos mesmos, para que dado um reservatório petrolífero, o sistema tenha condições de reconhecê-lo e desenvolvê-lo, ou seja, encontrar a configuração (quantidade, localização e tipo de poços) que atinja um maior Valor Presente Líquido. Os resultados obtidos neste trabalho indicam a viabilidade da utilização de Algoritmos Genéticos e Algoritmos Culturais no desenvolvimento de campos de petróleo. / [en] This dissertation investigates a system based in genetic algorithms and cultural algorithms, applied to the development process of a petroleum field. The development of a petroleum field consists in the placement of wells in an already known and delimited petroleum reservoir, which allows maximizing the Net Present Value. A placement of wells defines the quantity and position of the producing wells, the injecting wells, and the wells type (horizontal or vertical) to be used in the exploration process. The objective of this work is to evaluate the performance of Genetic Algorithms and Cultural Algorithms as decision support methods on the optimization of production alternatives in petroleum reservoirs. Determining the new petroleum wells location in a reservoir is a complex problem that depends on the properties of the reservoir and on economic criteria, among other factors. In order to an optimization process to be applied to this problem, it s necessary to define a target function to be minimized or maximized by the process. In the given problem, the target function to be maximized is the Net Present Value (NPV). In order to establish the NPV, the exploration cost correspondent to the estimated reservoir petroleum volume is deducted. The complexity of the petroleum s production profile implies on the use of reservoirs simulators for this estimation. In this way, a reservoir simulator is an integrant part of the evaluation function. The research work was developed in four phases: a study about the petroleum exploration field; a study about the applied computational intelligence models in this area; the definition and implementation of a genetic and cultural model for the development of petroliferous fields and the case study. The study about the petroleum exploration field involved all the necessary theory for the building of the target function. In the study about the computational intelligence techniques, the main concepts about the Genetic Algorithms and Cultural Algorithms applied in this dissertation were defined. The modeling of Genetic and Cultural Algorithms consisted in applying them so that, given a petroleum reservoir, the system is capable of evolve and find configurations (quantity, location and wells type) that achieve greater Net Present Values. The results obtained in this work, indicate that the use of Genetic Algorithms and Cultural Algorithms in the development of petroleum fields is a promising alternative.

[pt] Em muitas aplicações reais de processamento de sinais, as observações do fenômeno em estudo chegam seqüencialmente no tempo. Consequentemente, a tarefa de análise destes dados envolve estimar quantidades desconhecidas em cada observação concebida do fenômeno. Na maioria destas aplicações, entretanto, algum conhecimento prévio sobre o fenômeno a ser modelado está disponível. Este conhecimento prévio permite formular modelos Bayesianos, isto é, uma distribuição a priori sobre as quantidades desconhecidas e uma função de verossimilhança relacionando estas quantidades com as observações do fenômeno. Dentro desta configuração, a inferência Bayesiana das quantidades desconhecidas é baseada na distribuição a posteriori, que é obtida através do teorema de Bayes. Infelizmente, nem sempre é possível obter uma solução analítica exata para esta distribuição a posteriori. Graças ao advento de um formidável poder computacional a baixo custo, em conjunto com os recentes desenvolvimentos na área de simulações estocásticas, este problema tem sido superado, uma vez que esta distribuição a posteriori pode ser aproximada numericamente através de uma distribuição discreta, formada por um conjunto de amostras. Neste contexto, este trabalho aborda o campo de simulações estocásticas sob a ótica da genética Mendeliana e do princípio evolucionário da sobrevivência dos mais aptos. Neste enfoque, o conjunto de amostras que aproxima a distribuição a posteriori pode ser visto como uma população de indivíduos que tentam sobreviver num ambiente Darwiniano, sendo o indivíduo mais forte, aquele que possui maior probabilidade. Com base nesta analogia, introduziu-se na área de simulações estocásticas (a) novas definições de núcleos de transição inspirados nos operadores genéticos de cruzamento e mutação e (b) novas definições para a probabilidade de aceitação, inspirados no esquema de seleção, presente nos Algoritmos Genéticos. Como contribuição deste trabalho está o estabelecimento de uma equivalência entre o teorema de Bayes e o princípio evolucionário, permitindo, assim, o desenvolvimento de um novo mecanismo de busca da solução ótima das quantidades desconhecidas, denominado de inferência evolucionária. Destacamse também: (a) o desenvolvimento do Filtro de Partículas Genéticas, que é um algoritmo de aprendizado online e (b) o Filtro Evolutivo, que é um algoritmo de aprendizado batch. Além disso, mostra-se que o Filtro Evolutivo, é em essência um Algoritmo Genético pois, além da sua capacidade de convergência a distribuições de probabilidade, o Filtro Evolutivo converge também a sua moda global. Em conseqüência, a fundamentação teórica do Filtro Evolutivo demonstra, analiticamente, a convergência dos Algoritmos Genéticos em espaços contínuos. Com base na análise teórica de convergência dos algoritmos de aprendizado baseados na inferência evolucionária e nos resultados dos experimentos numéricos, comprova-se que esta abordagem se aplica a problemas reais de processamento de sinais, uma vez que permite analisar sinais complexos caracterizados por comportamentos não-lineares, não- gaussianos e nãoestacionários. / [en] In many real-world signal processing applications, the phenomenon s observations arrive sequentially in time; consequently, the signal data analysis task involves estimating unknown quantities for each phenomenon observation. However, in most of these applications, prior knowledge about the phenomenon being modeled is available. This prior knowledge allows us to formulate a Bayesian model, which is a prior distribution for the unknown quantities and the likelihood functions relating these quantities to the observations. Within these settings, the Bayesian inference on the unknown quantities is based on the posterior distributions obtained from the Bayes theorem. Unfortunately, it is not always possible to obtain a closed-form analytical solution for this posterior distribution. By the advent of a cheap and formidable computational power, in conjunction with some recent developments in stochastic simulations, this problem has been overcome, since this posterior distribution can be obtained by numerical approximation. Within this context, this work studies the stochastic simulation field from the Mendelian genetic view, as well as the evolutionary principle of the survival of the fittest perspective. In this approach, the set of samples that approximate the posteriori distribution can be seen as a population of individuals which are trying to survival in a Darwinian environment, where the strongest individual is the one with the highest probability. Based in this analogy, we introduce into the stochastic simulation field: (a) new definitions for the transition kernel, inspired in the genetic operators of crossover and mutation and (b) new definitions for the acceptation probability, inspired in the selection scheme used in the Genetic Algorithms. The contribution of this work is the establishment of a relation between the Bayes theorem and the evolutionary principle, allowing the development of a new optimal solution search engine for the unknown quantities, called evolutionary inference. Other contributions: (a) the development of the Genetic Particle Filter, which is an evolutionary online learning algorithm and (b) the Evolution Filter, which is an evolutionary batch learning algorithm. Moreover, we show that the Evolution Filter is a Genetic algorithm, since, besides its capacity of convergence to probability distributions, it also converges to its global modal distribution. As a consequence, the theoretical foundation of the Evolution Filter demonstrates the convergence of Genetic Algorithms in continuous search space. Through the theoretical convergence analysis of the learning algorithms based on the evolutionary inference, as well as the numerical experiments results, we verify that this approach can be applied to real problems of signal processing, since it allows us to analyze complex signals characterized by non-linear, nongaussian and non-stationary behaviors.

[pt] A Nanotecnologia teve seus primeiros conceitos introduzidos pelo físico americano Richard Feynman em 1959, em sua famosa palestra intitulada There´s plenty of room at the bottom (Ainda há muito espaço sobrando no fundo). Já a Inteligência Computacional tem sido utilizada com sucesso em diversas áreas no meio acadêmico e industrial. Este trabalho investiga o potencial dos Algoritmos Genéticos na otimização e síntese de dispositivos e estruturas na área de Nanotecnologia, através de 3 tipos de aplicações distintas: síntese de circuitos eletrônicos moleculares, projeto de novos polímeros condutores e otimização de parâmetros de OLEDs (Organic Light-Emitting Diodes). A síntese de circuitos eletrônicos moleculares é desenvolvida com base em Hardware Evolucionário (EHW - Evolvable Hardware) e tem como principais elementos dois dispositivos moleculares simulados em SPICE: o diodo molecular e o transistor molecular. O projeto de novos polímeros condutores é baseado em uma metodologia que combina uma aproximação tight-binding (hamiltoniano de Hückel simplificado) que representa a estrutura eletrônica de uma cadeia polimérica, empregando um AG com avaliação distribuída como mecanismo de síntese. Finalmente, a otimização de parâmetros de OLEDs é desenvolvida por meio de um método que modela o comportamento elétrico do dispositivo com multicamadas, onde cada camada possui uma proporção de MTE (material transportador de elétrons) e uma proporção de MTB (material transportador de buracos). As aplicações apresentam resultados que comprovam que o apoio de técnicas de Inteligência Computacional como os Algoritmos Genéticos no mundo nanométrico pode trazer benefícios para a criação e o desenvolvimento de novas tecnologias. / [en] The first Nanotechnology concepts were introduced by the American physicist Richard Feynman in 1959, in his famous lecture entitled There´s plenty of room at the bottom. Computational Intelligence has been successfully used in various areas in the academic and industrial worlds. This work investigates the potential of Genetic Algorithms in the optimization and synthesis of devices and structures in the Nanotechnology domain, by means of 3 types of distinct applications: synthesis of molecular electronic circuits, design of new conducting polymers and optimization of OLEDs (Organic Light-Emitting Diodes) parameters. The synthesis of molecular electronic circuits is developed based on the Evolvable Hardware (EHW) paradigm and has as main elements two molecular devices simulated in SPICE: the molecular diode and the molecular transistor. The design of new conducting polymers is based on a methodology that combines an approximated tight-binding (simplified Huckel Hamiltonian) that represents the electronic structure of a polymer chain, using a GA with distributed evaluation as the synthesis mechanism. Finally, the optimization of OLEDs parameters is developed by means of a method that models the electric behavior of multi-layer devices, where each layer has a ratio of electron transport material (ETM) to hole transport material (HTM). The applications present results that demonstrate that the use of Computational Intelligence techniques, as Genetic Algorithms, in the nanometer world can bring benefits for the creation and development of new technologies.

[pt] O objetivo desta dissertação é desenvolver um método de solução baseado em Algoritmos Genéticos (GAs) aliado a um Sistema Baseado em Regras para encontrar e otimizar as soluções geradas para o problema de programação da produção de Óleos Combustíveis e Asfalto na REVAP (Refinaria do Vale do Paraíba). A refinaria é uma planta multiproduto, com dois estágios de máquinas em série - um misturador e um conjunto de tanques, com restrição de recursos e operando em regime contínuo. Foram desenvolvidos neste trabalho dois modelos baseados em algoritmos genéticos que são utilizados para encontrar a seqüência e os tamanhos dos lotes de produção dos produtos finais. O primeiro modelo proposto utiliza uma representação direta da programação da produção em que o horizonte de programação é dividido em intervalos discretos de um hora. O segundo modelo proposto utiliza uma representação indireta que é decodificada para formar a programação da produção. O Sistema Baseado em Regras é utilizado na escolha dos tanques que recebem a produção e os tanques que atendem à demanda dos diversos centros consumidores existentes. Um novo operador de mutação - Mutação por Vizinhança - foi proposto para minimizar o número de trocas operacionais na produção. Uma técnica para agregação de múltiplos objetivos, baseado no Método de Minimização de Energia, também foi incorporado aos Algoritmos Genéticos. Os resultados obtidos confirmam que os Algoritmos Genéticos propostos, associados com o Método de Minimização de Energia e a Mutação por Vizinhança, são capazes de resolver o problema de programação da produção, otimizando os objetivos operacionais da refinaria. / [en] The purpose of this dissertation is to develop a method, based on Genetics Algorithms and Rule Base Systems, to optimize the production scheduling of fuel oil and asphalt area in a petroleum refinery. The refinery is a multi- product plant, with two machine stages - one mixer and a set of tanks - with no setup time and with resource constrains in continuous operation. Two genetic algorithms models were developed to establish the sequence and the lot- size of all production shares. The first model proposed has a direct representation of the production scheduling which the time interval of scheduling is shared in one hour discrete intervals. The second model proposed has a indirect representation that need to be decoded in order to make the real production scheduling. The Rule Base Systems were developed to choice the tanks that receive the production and the tanks that provide the demand of the several consumer centers. A special mutation operator - Neighborhood Mutation - was proposed to minimize the number of changes in the production. A Multi-objective Fitness Evaluation technique, based on a Energy Minimization Method, was also incorporated to the Genetic Algorithm models. The results obtained confirm that the proposed Genetic Algorithm models, associated with the Multi- objective Energy Minimization Method and the Neighborhood Mutation, are able to solve the scheduling problem, optimizing the refinery operational objectives. / [es] El objetivo de esta disertación es desarrollar un método de solución utilizando Algoritmos Genéticos (GAs) aliado a un Sistema Basado en Reglas para encontrar y optimizar las soluciones generadas para el problema de programación de la producción de Aceites Combustibles y Asfalto en la REVAP (Refinería del Valle de Paraíba). La refinería es una planta multiproducto, con dos estados de máquinas en serie - un mezclador y un conjunto de tanques, con restricción de recursos y operando en régimen contínuo. En este trabajo se desarrollaron dos modelos basados en algoritmos genéticos que son utilizados para encontrar la secuencia y los tamaños de los lotes de producción de los productos finales. El primer modelo propuesto utiliza una representación directa de la programación de la producción en la cuál el horizonte de programación se divide en intervalos discretos de un hora. El segundo modelo, utiliza una representación indirecta que es decodificada para formar la programación de la producción. EL Sistema Basado en Reglas se utiliza en la selección de los tanques que reciben la producción y los tanques que atienden a la demanda de los diversos centros consumidores. Un nuevo operador de mutación - Mutación por Vecindad - fue propuesto para minimizar el número de cambios operacionales en la producción. le fue incorporado a los Algoritmos Genéticos una técnica para la agregación de múltiples objetivos, basado en el Método de Minimización de Energía. Los resultados obtenidos confirman que los Algoritmos Genéticos propuestos, asociados al Método de Minimización de Energía y la Mutación por Vecindad, son capazes de resolver el problema de programación de la producción, optimizando los objetivos operacionales de la refinería.

[pt] A energia é assunto estratégico para a grande maioria dos países e indústrias no mundo. O consumo atual energético é de 138,32 TWh por ano e é previsto um aumento de 44% até o ano de 2030 o que demonstra um mercado em expansão. Porém, a sociedade atual exige soluções energéticas que causem o menor impacto ambiental possível, colocando em dúvida o uso das fontes de energia utilizadas atualmente. O uso da energia solar é uma alternativa para auxiliar no atendimento da futura demanda de energia. O seu principal entrave é o custo de produção de energia ser superior as fontes de energia atuais, principalmente o petróleo. Contudo nos últimos 10 anos foi verificado um crescimento exponencial na quantidade de módulos fotovoltaicos instalados em todo mundo. Nesse trabalho é realizado um estudo sobre célula solares com poços quânticos. O uso de poços quânticos já foi apontado como ferramenta para aumentar a eficiência de células fotovoltaicas. O objetivo é descrever uma metodologia baseada em algoritmos genéticos para projeto e análise desse tipo de dispositivo e estabelecer diretivas para se construir uma célula otimizada utilizando esta tecnologia. Os resultados obtidos estão de acordo com dados experimentais, demonstram a capacidade dos poços quânticos em aumentar a eficiência de uma célula e fornecem uma ferramenta tecnológica que espera-se contribuir para o desenvolvimento do país no setor energético. / [en] The energy is a strategical issue for the great majority of the countries and industries in the world. The current world energy consumption is of 138,32 TWh per year and is foreseen an increase of 44% until the year of 2030 which demonstrates a market in expansion. However, the society demands energy solutions that cause as least ambient impact as possible, putting in doubt the use of the current technologies of power plants. The utilization of solar energy is an alternative to assist in the attendance of the future demand of energy. Its main impediment is the superior cost of energy production in comparison with the current power plants, mainly the oil based ones. However in last the 10 years an exponential growth in the amount of installed photovoltaics modules worldwide was verified. In this work a study on solar cell with quantum wells is carried through. The use of quantum wells already was pointed as tool to increase the efficiency of photovoltaics cells. The objective is to describe a methodology based on genetic algorithms for project and analysis of this type of device and to establish directive to construct an optimized cell using this technology. The results are in accordance with experimental data, that demonstrates the capacity of the quantum wells in increasing the efficiency of a cell and supply a technological tool that expects to contribute for the development of the country in the energy sector.

[pt] Com o crescimento da demanda de óleo, as empresas de petróleo têm sido forçadas a explorar novas reservas em águas cada vez mais profundas. Em função do alto custo das operações de exploração de petróleo, torna-se necessário o desenvolvimento de tecnologias capazes de aumentar a eficiência e reduzir os custos envolvidos. Neste contexto, a utilização de unidades flutuantes torna-se cada vez mais freqüente em águas profundas. O posicionamento das unidades flutuantes durante as operações de exploração de óleo é garantido pelas linhas de ancoragem, que são estruturas flexíveis compostas, geralmente, por trechos de aço, amarras e/ou cabos sintéticos. O presente trabalho apresenta o desenvolvimento de um Algoritmo Genético (AG) para solucionar o problema da disposição das linhas de ancoragem de unidades flutuantes utilizadas nas operações de exploração de petróleo. A distribuição das linhas de ancoragem é um dos fatores que influencia diretamente nos deslocamentos (offsets) sofridos pelas unidades flutuantes quando submetidas às ações ambientais, como ventos, ondas e correntes. Desta forma, o AG busca uma disposição ótima das linhas de ancoragem cujo objetivo final é a minimização dos deslocamentos da unidade flutuante. Os operadores básicos utilizados por este algoritmo são mutação, crossover e seleção. Neste trabalho, foi adotada a técnica steady-state, que só efetua a substituição de um ou dois indivíduos por geração. O cálculo da posição de equilíbrio estático da unidade flutuante é feito aplicando-se a equação da catenária para cada linha de ancoragem com o objetivo de se obterem as forças de restauração na unidade, e empregando-se um processo iterativo para calcular a sua posição final de equilíbrio. / [en] With the increasing demand for oil, oil companies have been forced to exploit new fields in deep waters. Due to the high cost of oil exploitation operations, the development of technologies capable of increasing efficiency and reducing costs is crucial. In this context, the use of floating units in deep waters has become more frequent. The positioning of the floating units during oil exploitation operations is done using mooring lines, which are flexible structures usually made of steel wire, steel chain and/or synthetic cables. This work presents the development of a Genetic Algorithm (GA) procedure to solve the problem of the mooring pattern of floating units used in oil exploitation operations. The distribution of mooring lines is one of the factors that directly influence the displacements (offsets) suffered by floating units when subjected to environmental conditions such as winds, waves and currents. Thus, the GA seeks an optimum distribution of the mooring lines whose final goal is to minimize the units´ displacements. The basic operators used in this algorithm are mutation, crossover and selection. In the present work, the steady- state GA has been implemented, which performs the substitution of only one or two individuals per generation. The computation of the floating unit´s static equilibrium position is accomplished by applying the catenary equilibrium equation to each mooring line in order to obtain the out-of-balance forces on the unit, and by using an iterative process to compute the final unit equilibrium position.

[pt] Um dos fatores mais importantes para recuperação de óleo de reservatórios petrolíferos é a configuração dos poços. Atualmente, na indústria, esse processo é feito de forma manual onde um especialista gera algumas poucas opções de configurações e utiliza a de melhor resultado. Este trabalho se propõe a investigar um sistema de apoio à decisão para otimizar a configuração dos poços utilizando Algoritmos Genéticos e o simulador de reservatórios IMEX. Os parâmetros otimizados são: o número de poços produtores e injetores, a posição, a inclinação, a direção e o comprimento de cada poço, o número de laterais de cada poço e o ponto da junta, a inclinação relativa ao poço, a direção e o comprimento de cada lateral. Na busca pela configuração ótima dos poços, o objetivo da otimização é minimizar o investimento inicial, minimizar a produção de água e maximizar a produção de óleo buscando maximizar o VPL do empreendimento. A otimização é conduzida respeitando as restrições de projeto, dadas por um engenheiro, e restrições de simulação, dadas pelo próprio modelo de reservatório. O modelo proposto foi avaliado utilizando-se sete reservatórios. Cinco destes são sintéticos cujas configurações ótimas são conhecidas, um semi-sintético e um reservatório real. Foram conduzidos testes de convergência onde o modelo se mostrou capaz de localizar e otimizar as zonas produtoras, chegando à alternativa ótima até 80% das vezes. Nos últimos dois reservatórios os resultados indicam que o sistema consegue encontrar configurações de poços com altos valores de VPL, superiores a soluções propostas por especialistas e por outros sistemas de otimização, com ganhos de VPL de até 37% sobre a alternativa proposta por um especialista para o reservatório real. / [en] One of the most important factors for recovering oil from oil reservoirs is the wells configuration. Now a days, on the industry, this process is conduced manually, where a specialist generates a few configuration options and uses the best one with best results. This work proposes to investigate a decision support system to optimize the wells’ configuration using Genetic Algorithms and the reservoir simulator IMEX. The optimized parameters include: the number of producers and injectors wells, the position, the inclination, the direction and the length of each well, the number of laterals for each well and the junction point, the inclination relative to the well and the length of each lateral. On the search of the optimal configuration of wells, the objective of the optimization is to minimize the initial investment, minimize the water production and maximize the oil production towards the maximization of the venture`s NPV. The optimization is conduced respecting the project`s restrictions, stated by an engineer, and the simulation`s restrictions, imposed by the reservoir model. The optimization model proposed was evaluated using seven reservoirs. Five of them are synthetic which the optimum well`s configuration are known, one semi-synthetic and one real reservoir. Convergence tests were conducted where the model confirmed to be able to locate and optimize the production zones, achieving the optimum alternative 80% of the times. On the last two reservoirs the results indicate that the system was able to achieve well configurations with high values of NPV, superiors from solutions given by specialists and by other optimization systems, with NPV´s increase reaching 37% over the specialist`s purposed alternative for the real reservoir case.