Submitted by Lucienne Costa (lucienneferreira@ufcg.edu.br) on 2018-04-17T17:28:24Z No. of bitstreams: 1 RENATA GUEDES DE ALMEIDA RIBEIRO – DISSERTAÇÃO (PPGEE) 2017.pdf: 1632479 bytes, checksum: 9b29fe9df4e8998b598b4b1a8fefacb0 (MD5) / Made available in DSpace on 2018-04-17T17:28:24Z (GMT). No. of bitstreams: 1 RENATA GUEDES DE ALMEIDA RIBEIRO – DISSERTAÇÃO (PPGEE) 2017.pdf: 1632479 bytes, checksum: 9b29fe9df4e8998b598b4b1a8fefacb0 (MD5) Previous issue date: 2017-02 / CNPq / Um algoritmo de enxame de partículas foi aplicado para determinar os locais ótimos de instalação de unidades geradoras fotovoltaicas, visando redução das perdas de potência no sistema de distribuição, as quais foram calculadas pelo método da soma das correntes. O estudo considerou o índice de radiação solar e a temperatura local, o que diferencia este trabalho de outros encontrados na literatura especializada no tema. O algoritmo foi validado tomando como referência a técnica de busca exaustiva e o seu desempenho avaliado em um sistema-teste de 36-barras, no qual três fontes fotovoltaicas foram inseridas. Análise minuciosa dos resultados mostrou que o algoritmo proposto conseguiu estimar os ótimos locais para instalação das fontes fotovoltaicas. / A particle swarm algorithm (PSO) is used to determine the optimal placement for the installation of photovoltaic generators, aiming to reduce the power loss in distribution systems, which are calculated by the sum of currents method (MSI). The solar radiation index and the local temperature are considered, what distinguish this work from others found on specialized literature about the theme. The algorithm was validated using the exhaustive search technique as a reference and its performance was evaluated in a 36-bus test system, in which three photovoltaic sources were included. The rigorous analysis of the results showed that the proposed algorithm achieved its purpose to estimate de optimal placement for the installation of photovoltaic sources.

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-29T10:40:19Z No. of bitstreams: 2 Dissertação - Leonardo Alves Moreira de Melo - 2018.pdf: 2693689 bytes, checksum: 850fbad5a82099825d2478ba3415dcac (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-29T11:09:58Z (GMT) No. of bitstreams: 2 Dissertação - Leonardo Alves Moreira de Melo - 2018.pdf: 2693689 bytes, checksum: 850fbad5a82099825d2478ba3415dcac (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-11-29T11:09:58Z (GMT). No. of bitstreams: 2 Dissertação - Leonardo Alves Moreira de Melo - 2018.pdf: 2693689 bytes, checksum: 850fbad5a82099825d2478ba3415dcac (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-10-26 / Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG / In order to address an issue concerning the increasing number of algorithms based on particle swarm optimization (PSO) applied to solve large-scale optimization problems (up to 2000 variables), this article presents analysis and comparisons among five state- of-the-art PSO algorithms (CCPSO2, LSS- PSO, OBL-PSO, SPSO and VCPSO). Tests were performed to illustrate the e ciency and feasibility of using the algorithms for this type of problem. Six benchmark functions most commonly used in the literature (Ackley 1, Griewank, Rastrigin, Rosenbrock, Schwefel 1.2 and Sphere) were tested. The experiments were performed using a high-dimensional problem (500 variables), varying the number of particles (50, 100 and 200 particles) in each algorithm, thus increasing the computational complexity. The analysis showed that the CCPSO2 and OBL-PSO algorithms found significantly better solutions than the other algorithms for more complex multimodal problems (which most resemble realworld problems). However, considering unimodal functions, the CCPSO2 algorithm stood out before the others. Our results and experimental analysis suggest that CCPSO2 and OBL- PSO seem to be highly competitive optimization algorithms to solve complex and multimodal optimization problems. / O número de algoritmos baseados na otimização por enxame de partículas (PSO) aplicados para resolver problemas de otimização em grande escala (até 2.000 variáveis) aumentou significativamente. Este trabalho apresenta análises e comparações entre cinco algoritmos (CCPSO2, LSSPSO, OBL-CPSO, SPSO e VCPSO). Testes foram realizados para ilustrar a eficiência e viabilidade de usar os algoritmos para resolver problemas em larga escala. Seis funções de referência que são comumente utilizadas na literatura (Ackley 1, Griewank, Rastrigin, Rosenbrock, Schwefel 1.2 e Sphere) foram utilizadas para testar a performancedesses algoritmos. Os experimentos foram realizados utilizando um problema de alta dimensionalidade (500 variáveis), variando o número de partículas (50, 100 e 200 partículas) em cada algoritmo, aumentando assim a complexidade computacional. A análise mostrou que os algoritmos CCPSO2 e OBL-CPSO mostraram-se significativamente melhores que os outros algoritmos para problemas multimodais mais complexos (que mais se assemelham a problemas reais). No entanto, considerando as funções unimodais, o algoritmo CCPSO2 destacou-se perante os demais. Nossos resultados e análises experimentais sugerem que o CCPSO2 e o OBL-CPSO são algoritmos de otimização altamente competitivos para resolver problemas de otimização complexos e multimodais em larga escala.

Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-10T14:29:06Z No. of bitstreams: 2 Dissertaçao Elliackin Figueiredo.pdf: 1432182 bytes, checksum: 136c5c376ae4f615d93145675c1f8a21 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-11T17:32:59Z (GMT). No. of bitstreams: 2 Dissertaçao Elliackin Figueiredo.pdf: 1432182 bytes, checksum: 136c5c376ae4f615d93145675c1f8a21 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-02-25 / Otimização de Muitos Objetivos consiste na otimização de problemas com muitos objetivos, isto é, problemas multiobjetivos com um elevado número de objetivos, geralmente mais de três. Atualmente, essa área é uma área ativa com respeito ao campo de algoritmos evolucionários. Em problemas como esses, algoritmos que utilizam a dominância de Pareto como critério de atribuição de aptidão tais como MOEAs e MOPSOs se tornam inefetivos, pois praticamente todas as soluções da população tendem a ser tornar não-dominadas, levando a perda da pressão de convergência para a Frente de Pareto. A ineficácia desses algoritmos levou os pesquisadores a proporem estratégias alternativas a dominância de Pareto para lidar com esses problemas, principalmente para os MOEAs. Contudo, pouco tem sido feito no sentido de tornar os MOPSOs efetivos em problemas com muitos objetivos. Na literatura, os MOPSOs propostos para lidar com esses problemas apresentam muitas dificuldades, tais como parâmetros difíceis de ajustar, necessidade de conhecimento sobre o problema, e a incapacidade de convergência em problemas com multimodalidade. Nesse trabalho, um novo algoritmo baseado em enxame de partículas para problemas com muitos objetivos foi proposto e foi denominado de MOPSO-GD. O MOPSO-GD caracteriza-se por esquemas melhorados para (i) a seleção dos líderes sociais, (ii) seleção dos líderes cognitivos e (iii) poda do arquivo externo. Todos esses esquemas são baseados em um método de alta granularidade denominado de Detrimento Global. O Detrimento Global foi usado como um método para promover a convergência e promover a habilidade do MOPSO-GD de lidar com um grande número de objetivos. Para validar o MOPSO-GD, ele foi avaliado usando quatro problemas de teste escaláveis bem conhecidos (DTLZ{1,3,4,6}) com 5, 10, 15, 20, 30 e 50 objetivos; e foi comparado com duas abordagens baseadas em enxame de partículas (MOPSO-CDR e SMPSO) e dois algoritmos evolucionários estado da arte para problemas com muitos objetivos (CEGA e MDFA). Os resultados mostraram que o MOPSO-GD obteve bom desempenho em termos de convergência, enquanto manteve os níveis de diversidade do CEGA e do MDFA.

Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-12T13:03:02Z No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-13T13:13:38Z (GMT) No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-13T13:13:38Z (GMT). No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-02-22 / Vem sendo dada grande atenção às Máquinas de Vetores de Suporte (SVMs) devido à sua fundamentação teórica e seu bom desempenho quando comparadas a outros algoritmos de aprendizado em diferentes aplicações. Porém, seu bom desempenho depende fortemente da escolha adequada de seus parâmetros de controle. Como a abordagem de tentativa e erro se torna impraticável devido às combinações entre os possíveis valores dos parâmetros, a seleção de parâmetros passou a ser tratada como um problema de otimização, de modo que o objetivo é encontrar a combinação de valores dos parâmetros mais adequada para um determinado problema. Embora a utilização de algoritmos de otimização e busca automatizem a seleção de parâmetros de SVM, ela pode se tornar inviável caso o número de parâmetros a serem selecionados aumente consideravelmente. Uma alternativa é o uso de Meta-Aprendizado (MA), que trata a tarefa de seleção de parâmetros como uma tarefa de aprendizado supervisionado. Cada exemplo de treinamento para o MA (meta-exemplo) armazena características de problemas passados e o desempenho obtido pelas configurações de parâmetros candidatas. Este conjunto de meta-exemplos forma a meta-base, sendo esta utilizada para auxiliar no módulo de sugestão ou meta-aprendiz. O meta-aprendiz tem a função de prever as configurações de parâmetros mais adequadas para um problema novo baseado em suas características. Deste modo, MA se torna uma alternativa menos custosa comparada aos algoritmos de otimização, pois faz uso de execuções passadas no processo de sugestão. Neste trabalho, as sugestões do meta-aprendiz são utilizadas como soluções iniciais da técnica de busca, sendo esta responsável pelo refinamento das soluções sugeridas. Neste trabalho, foi criada uma arquitetura híbrida multi-objetivo, que combina MA com algoritmos de otimização, inspirados em enxames de partículas, com múltiplos objetivos aplicado ao problema de seleção de parâmetros de SVMs. Os algoritmos de otimização utilizados no experimento foram: MOPSO, MOPSO-CDR, MOPSO-CDRS, CSS-MOPSO, m-DNPSO e MOPSO-CDLS, e os objetivos levados em consideração foram: maximização da taxa de acerto na classificação e minimização do número de vetores de suporte. De acordo com os resultados alcançados, ficou comprovado o potencial do MA na sugestão de soluções para os algoritmos de otimização. O início da busca em regiões promissoras favoreceu a convergência e geração de soluções ainda melhores, quando comparada a aplicação de algoritmos de busca tradicionais. Os Pareto fronts gerados foram analisado em 4 perspectivas (spacing, max. spread, hypervolume e coverage), sendo os resultados da abordagem híbrida superiores aos das técnicas de otimização tradicionais.

Made available in DSpace on 2014-06-12T15:49:31Z (GMT). No. of bitstreams: 2 arquivo1252_1.pdf: 1197397 bytes, checksum: 95159c131dcb5fed48e21ab1ea96a5ef (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Seleção automática de casos de teste (CTs) é uma tarefa importante para melhora da eficiência das atividades de Testes de Software. Essa tarefa pode ser tratada como um problema de otimização, cujo objetivo é encontrar um subconjunto de CTs que maximizem um dado critério de teste. No nosso trabalho, o critério de testes é a cobertura de requisitos funcionais formalmente especificados, e, além dele, o custo (esforço de execução) também é levado em consideração no processo de seleção. Mesmo sendo um aspecto importante, o esforço de execução ainda é negligenciado por outros trabalhos na área de seleção automática de CTs. Nesse trabalho, utilizamos o algoritmo conhecido como como Otimização por Enxame de Partículas (Particle Swarm Optimization - PSO), ainda não investigado na resolução desse tipo de problema, para criação de uma ferramenta de seleção automática de CTs. Nela, o esforço de execução é utilizado como um limiar no processo de seleção, onde, dada uma suíte de testes, busca-se selecionar um subconjunto de casos de testes que não ultrapassem esse limiar e que maximizem a cobertura de requisitos funcionais. Para tanto, o esforço de execução foi considerado uma restrição ao problema de otimização e a cobertura de requisitos como a função de fitness. Nessa ferramenta, sete módulos (que implementavam outras técnicas de busca), foram desenvolvidos e seus desempenhos comparados através de experimentos onde foi possível oberservar o bom desempenho do PSO se comparado às outras técnicas

Made available in DSpace on 2014-06-12T15:51:33Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsão

Made available in DSpace on 2014-06-12T15:51:59Z (GMT). No. of bitstreams: 2 arquivo3006_1.pdf: 934448 bytes, checksum: cfaf4b35b4e186dc40f91523ebe587bf (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os Sistemas de Múltiplos Classificadores (também conhecidos como Comitês de Classificadores) podem usar a combinação ou a seleção de hipóteses dos diferentes membros para determinar a hipótese de solução para um dado problema. O método de combinação de hipóteses é mais difundido, sendo possível encontrar diferentes estratégias que aprimoraram o seu desempenho desde a sua concepção. Por outro lado, o método de seleção não possui tantos avanços quanto o método de combinação, embora o seu potencial já tenha sido comprovado em trabalhos da literatura. A construção de sistemas de múltiplos classificadores usando o método de seleção envolve a busca pela estratégia de seleção, que pode ser através do agrupamento dos dados de treinamento e seleção de classificadores especializados nos dados de cada grupo encontrado. Os aprimoramentos realizados no método de seleção de classificadores ocorrem para a definição da estratégia de seleção, normalmente executada por um método manual. Por outro lado, os melhores aprimoramentos do método de combinação de classificadores foram obtidos com o uso de métodos evolucionários (automáticas) para o ajuste de parâametros. Devido à ausência da hibridização com métodos evolucionários para o aprimoramento do método de seleção; às dificuldades inerentes ao trabalho por tentativa e erro em atividades de busca e para avançoo do conhecimento sobre o potencial do método de seleção, faz-se necessária uma exploração do potencial do método de seleção usando métodos de busca evolucionários. Este trabalho explora a construção automática de sistemas de múltiplos classificadores usando o método de seleção. Nesta tese é proposto um novo método, que emprega a Otimização por Exame de Partículas e Evolução Diferencial acoplada ao Algoritmo Genético, utilizado para o aprimoramento da estratégia de seleção de classificadores. A combinação com métodos evolucionários tem o objetivo de explorar o potencial do método de seleção de classificadores, apresentando os benefícios de sua hibridização com métodos de busca evolucionários. A estratégia de seleção de classificadores adotada é composta por uma fase de agrupamento dos dados de treinamento e outra de busca por classificadores especializados para cada grupo de dados encontrado. Os experimentos realizados utilizaram os métodos K-médias e Mapas Auto-Organizáveis na fase de agrupamento e Redes Neurais Artificiais Lineares e Perceptrons de múltiplas camadas na fase de classificação. Algoritmos Evolucionários foram usados (Otimização por Exame de Partículas com ajuste dinâmico de parâmetros e Evolução Diferencial integrada a um Algoritmo Genético) no presente trabalho, com o propósito de otimizar os parâmetros e desempenho das diferentes técnicas empregadas nas fases de agrupamento e classificação. Os resultados experimentais mostraram que o método proposto possui um melhor desempenho quando comparado aos métodos manuais e supera de forma significativa a maioria dos métodos comumente usados para a construção de sistemas de múltiplos classificadores

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-06-26T21:01:34Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Jeydson Lopes da Silva.pdf: 5014155 bytes, checksum: 7b7d71a2247ab166650f14e229d29d1f (MD5) / Made available in DSpace on 2018-06-26T21:01:35Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Jeydson Lopes da Silva.pdf: 5014155 bytes, checksum: 7b7d71a2247ab166650f14e229d29d1f (MD5) Previous issue date: 2017-02-20 / FACEPE / A energia elétrica é considerada como um dos principais insumos do setor industrial; sua disponibilidade, qualidade e custo são diretamente ligados à capacidade competitiva deste setor. Com o aumento dos custos da eletricidade e da emissão de gases causadores do efeito estufa, ações voltadas para o uso eficiente deste insumo tornam-se cada vez mais atrativas. Uma parte muito importante da área de controle e automação dos processos industriais é a sintonia dos controladores PID, uma vez que os processos, dentre outras coisas, dependem dos seus controladores, e estes para serem produtivos precisam estar bem sintonizados. O presente trabalho descreve uma maneira de sintonizar desses tipos de controladores baseada em inteligência artificial utilizando uma técnica de otimização evolutiva, conhecida como Otimização por Enxame de Partícula (PSO), técnica eficiente na otimização de funções com vários mínimos locais, funcionando desta forma como uma alternativa às diversas formas de sintonizações clássicas existentes. O objetivo deste trabalho é o de demonstrar o ganho em desempenho no controlador, tanto na parte energética como na ação de controle, proporcionado pela sintonia do controlador através do PSO. Uma parte importante da metodologia deste trabalho é a possibilidade da implementação direta no sistema real dos parâmetros sintonizados do controlador, encontrados por meio da otimização por PSO via simulação computacional; para isso, foi necessária a modelagem do sistema de forma digital, a qual permitiu reproduzir os efeitos da dinâmica do processo real. A implementação real foi feita por meio do protótipo de um sistema de exaustão industrial, o qual é todo controlado por um controlador lógico programável (CLP), localizado no Laboratório de Sistemas Motrizes da Universidade Federal de Pernambuco, a partir do qual foi realizada a coleta de dados experimentais para a análise do desempenho do sistema quando do uso deste tipo de sintonia do controlador. / Electricity is considered as one of the main inputs of the industrial sector; its availability, quality and cost are directly related to the competitive capacity of this sector. With rising costs of electricity and the emission of greenhouse gases, actions aimed at the efficient use of this input become increasingly attractive. A very important part of the area of control and automation of industrial processes is the tuning of the parameters of the PID controllers, since the processes, among other things, depend on their controllers, and these to be productive must be well tuned. The present work describes a way of tuning these types of controllers based on artificial intelligence using an evolutionary optimization technique, known as Particle Swarm Optimization (PSO), an efficient technique for optimizing functions with several local minimums, working in this way as a different form of classical tuning. The objective of this work is to demonstrate the gain in performance in the controller, both in the energy part and in the control action, provided by the controller tuning through the PSO. An important part of the methodology of this work is the possibility of directly implementing in the real system the tuned parameters of the controller, found by means of PSO optimization through computational simulation; for this it was necessary to model the system in digital form, which allowed to reproduce the effects of the actual process dynamics. The actual implementation was done through the prototype of an industrial exhaust system, which is all controlled by means of a PLC, located in the Laboratory of Motor Systems of the Federal University of Pernambuco, from which the collection of experimental data for the analysis of the performance of the system when using this type of controller tuning.

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2014-01-15T12:48:16Z No. of bitstreams: 1 dissertacao_mestrado_ien_2008_04.pdf: 1317159 bytes, checksum: c510f22d0bfa406fdceeb4cdbb80e43f (MD5) / Made available in DSpace on 2014-01-15T12:48:16Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2008_04.pdf: 1317159 bytes, checksum: c510f22d0bfa406fdceeb4cdbb80e43f (MD5) Previous issue date: 2008 / O projeto de modelos em escala reduzida tem sido empregada por engenheiros de vários setores como indústria naval, indústria aeroespacial, petrolífera, indústria nuclear e outras. Modelos em escala reduzida são usados em experimentos porque são economicamente mais atraentes do que seus próprios protótipos (escala real), e em muitos casos também são mais baratos e, na maioria das vezes, mais fáceis de serem construídos fornecendo uma maneira de se conduzir o projeto em escala real permitindo investigações e análises indiretas no sistema em escala real. Um modelo em escala reduzida (ou experimento) deve ser capaz de representar todos os fenômenos físicos que ocorrem e ocorrerão no sistema real em condições de operação, neste caso o modelo em escala reduzida é dito similar. Existem alguns métodos para se projetar um modelo em escala reduzida, e destes, dois métodos são básicos : o método empírico que é baseado na habilidade do profissional especialista para determinar quais são as grandezas físicas relevantes para o modelo desejado, e o método das equações diferenciais que é baseado na descrição matemática do protótipo (ou experimento em escala real) para o modelo. Aplicando uma técnica matemática à equação ou equações diferenciais que descrevem o comportamento do protótipo a partir de leis físicas e assim ressaltando as grandezas físicas (quantidades) relevantes para o problema do projeto do modelo em escala reduzida, e assim o problema pode ser tratado como um problema de otimização. Muitas técnicas de otimização como Algoritmo Genético, por exemplo, tem sido desenvolvidas para solucionar esta classe de problemas e tem também sido aplicadas ao projeto do modelo em escala reduzida. Neste trabalho, é realizada a investigação do uso da técnica de otimização por enxame de partículas, como ferramenta (alternativa) de otimização, no projeto termohidráulico do núcleo de reator PWR em escala reduzida, em regime de circulação forçada e condições normais de operação. Uma comparação de desempenho entre as técnicas GA e PSO é realizada assim como uma comparação entre seus resultados. Os resultados obtidos mostram que a técnica de otimização investigada é uma ferramenta promissora para o projeto de experimentos ou equipamentos em escala reduzida, apresentando vantagens sobre outras técnicas. / The reduced scale models design have been employed by engineers from several different industries fields such as offshore, spatial, oil extraction, nuclear industries and others. Reduced scale models are used in experiments because they are economically attractive than it’s own prototype (real scale) because in many cases they are cheaper than a real scale one and most of time they are also easier to build providing a way to lead the real scale design allowing indirect investigations and analysis to the real scale system (prototype). A reduced scale model (or experiment) must be able to represent all physical phenomena that occurs and further will do in the real scale one under operational conditions, e.g., in this case the reduced scale model is called similar. There are some different methods to design a reduced scale model and from those two are basic : the empiric method based on the expert’s skill to determine which physical measures are relevant to the desired model; and the differential equation method that is based on a mathematical description of the prototype (real scale system) to model. Applying a mathematical technique to the differential equation that describes the prototype then highlighting the relevant physical measures so the reduced scale model design problem may be treated as an optimization problem. Many optimization techniques as Genetic Algorithm (GA), for example, have been developed to solve this class of problems and have also been applied to the reduced scale model design problem as well. In this work, Particle Swarm Optimization (PSO) technique is investigated as an alternative optimization tool for such problem. In this investigation a computational approach, based on particle swarm optimization technique (PSO), is used to perform a reduced scale two loop Pressurized Water Reactor (PWR) core, considering 100% of nominal power operation on a forced flow cooling circulation and non-accidental operating conditions. A performance comparison between GA and PSO techniques is performed as it’s obtained results to this problem. Obtained results shows that the proposed optimization technique (PSO) is a promising tool for a reduced scale experiments or equipments design, presenting advantages over other techniques.

Submitted by Cássia Santos (cassia.bcufg@gmail.com) on 2017-07-03T12:59:51Z No. of bitstreams: 2 Dissertação - Guilherme Resende Deus - 2016.pdf: 3406372 bytes, checksum: aaa431a0fa0dd2323a74cf35fb63f892 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-07-10T11:44:22Z (GMT) No. of bitstreams: 2 Dissertação - Guilherme Resende Deus - 2016.pdf: 3406372 bytes, checksum: aaa431a0fa0dd2323a74cf35fb63f892 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-07-10T11:44:22Z (GMT). No. of bitstreams: 2 Dissertação - Guilherme Resende Deus - 2016.pdf: 3406372 bytes, checksum: aaa431a0fa0dd2323a74cf35fb63f892 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-02-02 / The objective of this work is to find reasonable solutions to the problem of optimization of hydrothermal generating systems by means of metaheuristics based on particle swarms. The proposed problem is complex, dynamic, nonlinear and presents some stochastic variables. The study consisted of the implementation of particle swarm algorithms, more specifically the variants of the Particle Swarm Optimization (PSO) algorithm: LSSPSO, ABeePSO and KFPSO. The algorithms were run in a mill simulator containing data from eight National Interconnected System mills during the five year period. The results were compared with the studies using the Nonlinear Programming (NLP) algorithm, and it was concluded that although the presented meta-heuristics were able to obtain a Final Storage Energy value equal to NLP, they did not have a generation cost Equivalent to or less than the Nonlinear Programming method. / O trabalho objetiva encontrar soluções razoáveis para o problema de otimização de sistemas hidrotérmicos de geração por meio de meta-heurísiticas baseadas em enxame de partículas. O problema proposto é complexo, dinâmico, não linear e apresenta algumas variáveis estocásticas. O estudo consistiu na implementação de algoritmos baseados em enxame de partículas, mais especificamente das variantes do algoritmo Particle Swarm Optimization (PSO): LSSPSO, ABeePSO e KFPSO. Os algoritmos foram executados em um simulador de usinas que contém dados de oito usinas do Sistema Interligado Nacional durante o período de cinco anos. Os resultados foram comparados com os estudos que utilizam o algoritmo de Programação Não-Linear (PNL), e conclui-se que apesar de as meta-heurísticas apresentadas conseguirem obter um valor de Energia Armazenada Final igual ao PNL, não obtiveram um custo de geração equivalente ou inferior ao método de Programação Não-Linear.