[pt] Os Projetos de Eficiência Energética Gerenciados pelo Lado da Demanda (GLD), bem como todo projeto de engenharia, requerem decisões de investimentos que possuem incertezas associadas. As incertezas econômicas devem-se a fatores exógenos ao projeto sendo, em geral, representadas por oscilações estocásticas dos custos da energia elétrica. As incertezas técnicas estão associadas a fatores internos, como o desempenho dos projetos em função da tecnologia eficiente escolhida, da sua operação e manutenção. A decisão dos clientes e investidores na aquisição de Projetos de Eficiência Energética depende do retorno esperado nos ganhos com a energia economizada, como por exemplo, na venda desta energia no mercado de curto prazo. Esta tese investiga uma nova metodologia que, considerando as incertezas técnicas e econômicas, efetua uma análise mais abrangente e realista do cenário complexo de negócios que envolvem os Projetos de Eficiência Energética no Brasil. A metodologia contribui para a tomada de decisão considerando a flexibilidade gerencial e a avaliação dos riscos específicos dos projetos. Esta se baseia em técnicas inteligentes para a otimização de diagnósticos energéticos associados à análise de opções reais e avaliação econômica de Projetos de Eficiência Energética Gerenciados pelo Lado da Demanda (GLD), aplicados ao setor de energia elétrica no Brasil. A metodologia é avaliada em dois Projetos de Eficiência Energética, para os usos finais de Iluminação e Climatização de Ambientes, em uma unidade consumidora da classe Comercial, localizada na Cidade do Rio de Janeiro e conectada ao sistema de distribuição em Média Tensão (13,8kV). Os resultados revelaram que a partir da aplicação de Algoritmos Genéticos na otimização de diagnósticos energéticos puderam-se construir subprojetos originados de um projeto maior, mantendo-se, ou até ampliando-se a Relação Custo vs. Beneficio (RCB). E, desta forma, contribuir para a viabilização de alternativas ótimas de projetos que incentivam a aplicação da Eficiência Energética no Brasil. / [en] The Energy Efficiency Projects Managed by Demand Side (DSM), as well as all engineering design, require investment decisions that have associated uncertainties. Economic uncertainties are due to factors exogenous to the project being generally represented by stochastic fluctuations of electricity costs. The technical uncertainties are associated with internal factors such as performance of the projects on the basis of efficient technology chosen, its operation and maintenance. The decision of customers and investors in the acquisition of Energy Efficiency Projects depends on the expected return on the earnings of the energy saved, for example, the sale of this energy in the short term. This thesis investigates a new methodology which, considering the technical and economic uncertainties, performs a more comprehensive and realistic business complex scenario involving the Energy Efficiency Projects in Brazil. The methodology helps decision making considering managerial flexibility and risk assessment of specific projects. This is based on intelligent techniques for optimizing energy diagnoses associated with real options analysis and economic evaluation of Energy Efficiency Projects Managed by Demand Side (DSM), applied to the electricity sector in Brazil. The methodology is evaluated in two Energy Efficiency Projects for the end uses of lighting and Air Conditioning, in a consumer unit of the Commercial category, located in the city of Rio de Janeiro and connected to the distribution system in Medium Voltage (13.8kV). The results showed that with the application of genetic algorithms in optimization of energy diagnoses subprojects originated from a larger project could be built, maintaining or even widening the Cost vs. Value. Benefit (RCB) ratio. And in this way, contribute to the viability of alternative optimal designs that encourage the implementation of Energy Efficiency in Brazil.

[pt] Esta dissertação investiga o uso da Programação Genética para otimização estrutural de aglomerados de carbono. O objetivo primordial do estudo de cálculos que descrevam as interações de um aglomerado é encontrar o arranjo de átomos que corresponde à menor energia, ou àqueles que possuem energias próximas, já que estes são os candidatos mais prováveis de serem formados. Recentemente, na área da Inteligência Computacional, estudos apresentaram um novo método de otimização, chamado de Otimização por Programação Genética (OPG), com resultados promissores, avaliados em diversos casos de referência. A partir destes resultados, esta pesquisa aplica, de forma inédita, a abordagem OPG em problemas de otimização estrutural de aglomerados. Para fins de comparação, foram realizadas otimizações independentes utilizando o modelo tradicional de Algoritmos Genéticos (AGs). Neste trabalho, foram realizados vários ensaios computacionais utilizando os métodos OPG e AG para otimizar a geometria, ou seja, encontrar a estrutura de menor energia, de aglomerados de carbono de 5 a 25 átomos. Para o cálculo da energia, foi utilizado o potencial de Morse. Os valores das energias encontrados e as geometrias de cada aglomerado foram comparados com casos já publicados na literatura. Os resultados mostraram que, para os aglomerados menores, os dois métodos foram capazes de encontrar os mínimos globais, mas com o aumento do número de átomos, o OPG apresenta resultados superiores ao AG. Quanto ao tempo de execução por avaliação, o AG se mostrou significativamente mais rápido do que o do OPG, devido à sua representação direta das posições dos átomos, de um aglomerado, em um cromossomo. Porém a superioridade dos resultados OPG em relação ao AG indicou que a melhoria na sua implementação poderá ser de grande utilidade na área de simulação de aglomerados atômicos ou moleculares. / [en] This dissertation investigates the use of Genetic Programming for the structural optimization of carbon clusters. The main objective concerning computations that describe the interactions of a cluster is to find the arrangements of atoms corresponding to the lowest energy, since these are the most likely candidates to be formed. It has been recently introduced in the area of Computational Intelligence a new optimization method, called Optimization by Genetic Programming (OGP), showing promising results for several benchmark cases. Based on these results, the present work aimed at the application of OGP for the geometry optimization of carbon clusters. For comparison purposes, independent optimizations using the standard genetic algorithm (GA) approach were carried out. Several optimization trials were performed using both GA and OGP in order to find the best geometries of carbon clusters with size ranging from 5 to 25 atoms. The energy was calculated using the Morse potential. Resulting energies and geometries were compared to previously published results. Both GA and OGP were able to find the global minimum for the smaller clusters. However, upon increasing the number of atoms, the OGP presented better results compared to the GA. Concerning the execution time for each evaluation, the GA is significantly faster than the OGP due to its direct representation of the positions of atoms of a cluster in a chromosome. However, the superiority of the OGP results compared to the GA results suggests that an effort towards the improvement of the implementation of OGP could lead to a very powerful optimization tool to be used by the scientific community.

[pt] Esta Pesquisa tem por objetivo utilizar a Regressão Simbólica por Programação Genética para encontrar uma equação analítica para a fronteira de exercício ótima (ou curva de gatilho) de uma opção sobre um ativo do qual o preço tem um comportamento simulado pelo processo estocástico conhecido como processo de reversão à média (PRM). Para o cálculo do valor de uma opção desde de sua aquisição até sua maturação, normalmente faz-se o uso do cálculo da fronteira de exercício ótimo. Esta curva separa ao longo do tempo a decisão de exercer ou não a opção. Sabendo-se que já existem soluções analíticas para calcular a fronteira de exercício ótimo quando o preço do ativo segue um Movimento Geométrico Browniano, e que tal solução genérica ainda não foi encontrada para o PRM, neste trabalho, foi proposto o uso da Programação Genética (PG) para encontrar tal solução analítica. A Programação Genética utilizou um conjunto de amostras de curvas de exercício ótimo parametrizadas segundo a variação da volatilidade e da taxa de juros livre de risco, para encontrar uma função analítica para a fronteira de exercício ótima, obtendo-se resultados satisfatórios. / [en] This research intends on to use the Symbolic Regression by Genetic Programming to find an analytical equation that represents an Optimal Exercise Boundary for an option of an asset having its price behavior simulated by a stochastic process known as Mean Reversion Process (MRP). To calculate an option value since its acquisition until its maturity, normally is used to calculate the Optimal Exercise Boundary. This frontier separates along the time the decision to exercise the option or not. Knowing there already are analytical solutions used to calculate the Optimal Exercise Boundary when the asset price follows the Geometric Brownian Motion, and such general solution was not found yet to MRP, in this work, it was proposed the use of Genetic Programming to find such analytical solution. The Genetic Programming used an amount of samples from optimal exercise curves parameterized according the change in the volatility and risk free interest rate, to find an analytical function that represents Optimal Exercise Boundary, achieving satisfactory results.

[pt] Esta dissertação investiga a aplicação de Algoritmos Genéticos e de Co-Evolução Cooperativa na otimização da programação da produção em refinarias de petróleo. Refinarias de petróleo constituem um dos mais importantes exemplos de plantas contínuas multiproduto, isto é, um sistema de processamento contínuo gerador de múltiplos produtos simultâneos. Uma refinaria, em geral, processa um ou mais tipos de petróleo, produzindo uma série de produtos derivados, como o GLP (gás liquefeito de petróleo), a nafta, o querosene e o óleo diesel. Trata- se de um problema complexo de otimização, devido ao número e diversidade de atividades existentes e diferentes objetivos. Além disso, neste problema, algumas atividades dependem de que outras atividades já tenham sido planejadas para que possam então ser planejadas. Um caso típico é o das retiradas de produtos de uma unidade de processo, que dependem de que a carga já tenha sido planejada, assim como em qual campanha a unidade estará naquele instante. Por isso, o uso de modelos revolucionários convencionais, como os baseados em ordem, pode gerar muitas soluções inválidas, que deverão ser posteriormente corrigidas ou descartadas, comprometendo o desempenho e a viabilidade do algoritmo. O objetivo do trabalho foi, então, desenvolver um modelo evolucionário para otimizar a programação da produção (scheduling), segundo objetivos bem definidos, capaz de lidar com as restrições do problema, gerando apenas soluções viáveis. O trabalho consistiu em três etapas principais: um estudo sobre o refino de petróleo e a programação da produção em refinarias; a definição de um modelo usando algoritmos genéticos e co-evolução cooperativa para otimização da programação da produção e a implementação de uma ferramenta para estudo de caso. O estudo sobre o refino e a programação da produção envolveu o levantamento das várias etapas do processamento do petróleo em uma refinaria, desde o seu recebimento, destilação e transformação em diversos produtos acabados, que são então enviados a seus respectivos destinos. Neste estudo, também foi levantada a estrutura de tomada de decisão em uma refinaria e seus vários níveis, diferenciando os objetivos destes níveis e explicitando o papel da programação da produção nesta estrutura. A partir daí, foram estudadas em detalhes todas as atividades que normalmente ocorrem na refinaria e que são definidas na programação, e seus papéis na produção da refinaria. A decisão de quando e com que recursos executar estas atividades é o resultado final da programação e, portanto, a saída principal do algoritmo. A modelagem do algoritmo genético consistiu inicialmente em um estudo de representações utilizadas para problemas de scheduling. O modelo coevolucionário adotado considera a decomposição do problema em duas partes e,portanto, emprega duas populações com responsabilidades diferentes: uma é responsável por indicar quando uma atividade deve ser planejada e a outra é responsável por indicar com quais recursos essa mesma atividade deve ser realizada. A primeira população teve sua representação baseada em um modelo usado para problemas do tipo Dial-A-Ride (Moon et al, 2002), que utiliza um grafo para indicar à função de avaliação a ordem na qual o planejamento deve ser construído. Esta representação foi elaborada desta forma para que fosse levada em conta a existência de restrições de precedência (atividades que devem ser planejadas antes de outras), e assim não fossem geradas soluções inválidas pelo algoritmo. A segunda população, que se responsabiliza pela alocação dos recursos para a execução das atividades, conta com uma representação onde os operadores genéticos podem atuar na ordem de escolha dos recursos que podem realizar cada uma das atividades. Finalmente, des / [en] This work investigates the use of Genetic Algorithms and Cooperative Coevolution in refinery scheduling optimization. Oil refineries are one of the most important examples of multiproduct continuous plants, that is, a continuous processing system that generates a number of products simultaneously. A refinery processes various crude oil types and produces a wide range of products, including LPG (liquefied petroleum gas), gasoline, kerosene and diesel. It is a complex optimization problem, mainly due to the number of different tasks involved and different objective criteria. In addition, some of the tasks have precedence constraints that require other tasks to be scheduled first. For example, in order to schedule a task that transfers one of the yields of a certain crude distillation unit, both the task that feeds the crude oil into the unit and the task that sets the unit`s current operation mode must already be scheduled. Therefore, applying traditional evolutionary models, like the order- based ones, can create many infeasible solutions that will have to be corrected or rejected later on, thereby jeopardizing the algorithm performance and feasibility. The main goal was the development an evolutionary model satisfying well-defined objectives, which would optimize production scheduling and address the various constraints entailed in the problem, thus generating only feasible solutions. This work consisted on three main steps: a survey on crude oil refining and refinery scheduling; the development of a cooperative coevolutionary model to optimize the refinery scheduling and the development of a software tool for case studies. The study about refining and scheduling involved gathering information about the existent processes in a refinery, starting from the arrival of crude oil, its distillation and transformation into several products and, finally, the delivery of these products to their respective destination. The levels of decision making in a refinery were surveyed too, in order to identify the main goals for each one, and how the scheduling level fits into the structure as whole. Then, all the routine scheduling tasks and their roles in a refinery were carefully studied. The decision of when and how to assign those tasks is the final output of the scheduling task, so it must be the main output of the algorithm too. The development of the evolutionary model consisted of a survey on some of the most common evolutionary approaches to scheduling. The adopted coevolutionary model breaks the problem down into two parts, thus using two species with different responsibilities: One is responsible for deciding when a task should be scheduled, while the other is responsible for assigning a resource for this task. The first species representation was based on a model used for the Dial-a- Ride (Moon et al, 2002) kind of problems, and uses a graph to help the fitness evaluation function find the right order in which to schedule the tasks. This representation was devised in such a way that the precedence constraints were satisfied and no infeasible solutions were generated. The representation of the second species, which assigns resources for the tasks, let genetic operators change the selection order when picking a resource for a task. Finally, a software tool was developed to be used for implement this model and for performing a case study. This case study should comprise all the needed characteristics, in order to test the quality of the representation as well as evaluate the results. A simple refinery was designed, containing all equipment types, tasks and constraints found in a real-world refinery. The constraints mentioned are the precedence constraints, handled by the graph used by the first species, plus other operational constraints found in refinery scheduling. It was possible, then, to see the decoding of chromosomes into feasible solutions, always satisfying all the constraints. Several tests

[pt] A programação de produção em refinaria (scheduling) pode ser compreendida como uma sequência de decisões que buscam otimizar a alocação de recursos, o sequenciamento de atividades e a realização temporal dessas atividades, respeitando um conjunto de restrições de diferentes naturezas e visando o atendimento de múltiplos objetivos onde fatores como atendimento à demanda de produção e minimização de variações operacionais nos equipamentos coexistem na mesma função. Este trabalho propõe o uso da técnica de Programação Genética para automatizar a criação de programas que representem uma solução completa de programação de petróleo em uma refinaria dentro de um horizonte de tempo. Para a evolução destes programas foi desenvolvida uma linguagem específica para o domínio de problemas de scheduling de petróleo e aplicada de forma a representar as principais atividades do estudo de caso. Para tal, a primeira etapa consistiu da avaliação de alguns cenários de programação de produção de forma a selecionar as atividades que devessem ser representadas e como fazê-lo. No modelo proposto, o cromossomo quântico guarda a superposição de estados de todas as soluções possíveis e, através do processo evolutivo e observação dos genes quânticos, o cromossomo clássico é criado como uma sequencia linear de instruções a serem executadas. As instruções executadas representam o scheduling. A orientação deste processo é feita através de uma função de aptidão multiobjetivo que hierarquiza as avaliações sobre o tempo de operação das unidades de destilação, o prazo para descarregamento de navios, a utilização do duto que movimenta óleo entre terminal e refinaria, além de fatores como número de trocas de tanques e uso de tanques de injeção nas unidades de destilação. No desenvolvimento deste trabalho foi contemplado um estudo sobre o conjunto de parâmetros para o modelo desenvolvido com base em um dos cenários de programação selecionados. A partir desta definição, para avaliação do modelo proposto, foram executadas diversas rodadas para cinco cenários de programação de petróleo. Os resultados obtidos foram comparados com estudo desenvolvido usando algoritmos genéticos cujas atividades, no cromossomo, possuem representação por ordem. A programação genética apresentou percentual de soluções aceitas variando entre 25 por cento e 90 por cento dependendo da complexidade do cenário, sendo estes valores superiores ao obtido usando Algoritmos Genéticos em todos os cenários, com esforço computacional menor. / [en] Refinery scheduling can be understood as a sequence of decisions that targets the optimization of available resources, sequencing and execution of activities on proper timing; always respecting restrictions of different natures. The final result must achieve multiple objectives guaranteeing co-existence of different factors in the same function, such as production demand fullfillment and minimize operational variation. In this work it is proposed the use of the genetic programming technique to automate the building process of programs that represent a complete oil scheduling solution within a defined time horizon. For the evolution of those programs, it was developed a domain specific language to translate oil scheduling instructions that was applied to represent the most relevant activities for the proposed case studies. For that, purpose first step was to evaluate a few real scheduling scenarios to select which activities needed to be represented and how to do that. On the proposed model, each quantum chromosome represents the overlapping of all solutions and by the evolutionary process (and quantum gene measurement) the classic chromosome is created as a linear sequence of scheduling instructions to be executed. The orientation for this process is performed through a multi-object fitness function that prioritizes the evaluations according to: the operating time of the atmospheric distillation unities, the oil unloading time from the ships, the oil pipeline operation to transport oil to the refinery and other parameters like the number of charge tanks switchover and injection tank used for the distillation unities. The scope of this work also includes a study about tuning for the developed model based in one of the considered scenarios. From this set, an evaluation of other different scheduling scenarios was performed to test the model. The obtained results were then compared with a developed model that uses genetic algorithms with order representation for the activities. The proposed model showed between 25 percent - 90 percent of good solutions depending on the scenario complexity. Those results exhibit higher percentage of good solutions requiring less computational effort than the ones obtained with the genetic algorithms.