Made available in DSpace on 2014-06-12T15:57:24Z (GMT). No. of bitstreams: 2 arquivo3189_1.pdf: 3006402 bytes, checksum: f2eae8d593b69c5c4fb2f7b31b101960 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Companhia Hidro Elétrica do São Francisco / Apresenta-se a modelagem do comportamento de formigas forrageiras em ambientes dinâmicos a partir de experimentos realizados com formigas reais em laboratório, em um aparato experimental composto por uma rede de túneis colocado entre o ninho das formigas a fonte de alimento. Durante os experimentos, há mudanças na topologia da área de forrageio, com a introdução e remoção de bloqueios de alguns túneis, o que exige a capacidade de adaptação das colônias para continuarem alimentando seus ninhos de modo eficiente. Neste trabalho é proposto um novo modelo para o comportamento das formigas, o Modelo FFAC-D (Formigas Forrageiras em Ambientes Confinados e Dinâmicos) é inspirado em evidências extraídas de estudos biológicos e mostra-se capaz de reproduzir os dados experimentais, superando o problema da estagnação evidenciado em modelos anteriores. Na segunda etapa desta dissertação, busca-se aplicar os mecanismos bem sucedidos do Modelo FFAC-D ao problema do roteamento em redes de pacotes. É feita uma revisão da literatura sobre algoritmos de roteamento baseados em formigas, e, em seguida, propõe-se um novo sistema para o roteamento de pacotes baseado no Modelo FFAC-D, o MARS (Memoryless Ants Routing System). O MARS é implementado em um simulador de eventos discretos voltado à simulação de redes (NS-2), e mostra-se eficaz para a solução do problema de roteamento, com desempenho superior ao AntNet no que diz respeito aos tempos de convergência e ao consumo de largura de banda (overhead). O MARS aponta ainda vatagens sobre outros algoritmos existentes relacionadas à segurança, resiliência e qualidade de serviço (QoS)

Made available in DSpace on 2018-03-22T15:59:25Z (GMT). No. of bitstreams: 1 tese_11368_Disserta__o Final FilipeTorres Leite.pdf: 2062228 bytes, checksum: 62c1f558cda9c784c5e8b574af82d51a (MD5) Previous issue date: 2017-09-01 / A coexistência de espécies relacionadas é um importante componente para o entendimento da diversidade e distribuição de plantas em florestas tropicais. Entre os fatores que influenciam na coexistência e distribuição de plantas, a luz se destaca por exercer forte influência na sobrevivência, crescimento e distribuição de espécies vegetais. Para avaliar os efeitos do gradiente de luz sobre uma comunidade de Rubiaceae que apresenta distribuição gregária, foi realizado o levantamento de indivíduos organizados de forma gregária, ao longo de um gradiente topográfico (dividido em baixada, relevo inclinado e topo de morro) e de luz. Dez atributos relacionados à luz foram avaliados em 85 indivíduos pertencentes a nove espécies de Rubiaceae. Os baixos valores das taxas de fotossíntese líquida, respiração no escuro, ponto de compensação e saturação encontrados evidenciam a condição de alta tolerância à sombra das espécies avaliadas. A baixa amplitude de variação dos atributos relacionados à luz se deve, possivelmente, à pouca possibilidade de expressão de estratégias fotossintéticas variadas para sobrevivência em um ambiente de sombra.

Estágio realizado no INESC-Porto / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores - Major Energia. Faculdade de Engenharia. Universidade do Porto. 2008

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Computação, Florianópolis, 2011 / Made available in DSpace on 2012-10-25T15:06:52Z (GMT). No. of bitstreams: 1 292866.pdf: 11944502 bytes, checksum: af23b7398a934a57e26ae19c7d723aeb (MD5) / Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) é uma meta-heurística de otimização baseada no comportamento das formigas na busca por alimento. Esta meta-heurística foi originalmente desenvolvida para encontrar boas soluções em problemas de otimização combinatória discretos. Em domínios contínuos, a discretização do intervalo tem sido praticada para o uso de técnicas baseadas em ACO. Extensões do ACO para trabalhar diretamente com domínios contínuos têm surgido, entretanto as propostas mais similares à ideia clássica não usam a informação heurística chamada visibilidade, geralmente presente em algoritmos de ACO discreto. Neste trabalho é realizada uma revisão da ideia central do ACO mostrando a importância da visibilidade em domínios discretos e estendendo sua implementação em algoritmos ACO com domínio contínuo. Resultados de experimentos mostram a melhora na velocidade de convergência com o uso da heurística de visibilidade.

A visão de muitas pessoas sobre uma colônia de formigas, em geral, é de que estes pequenos e inofensivos insetos somente se movem aleatoriamente para coletar alimento e conservá-los em seus ninhos. Um olhar destreinado não conseguiria notar o nível de complexidade e organização que é requerido por uma colônia de formigas para sua sobrevivência. Uma formiga simples é parte de um grande grupo que coopera entre si para criar um superorganismo. Sem uma autoridade central ou indivíduos com habilidade de um pensamento cognitivo complexo, a colônia se auto-organiza, e, de fato, ajusta seus recursos de uma maneira muito eficiente. Essa dissertação investiga o papel da comunicação indireta nas tarefas de exploração e forrageamento, e como isso afeta as decisões de um agente simples e traz um comportamento emergente útil à toda colônia. Por fim, este trabalho implementa uma plataforma de simulação multi-agente inspirado em formigas / Most people\'s view of an ant colony and ants in general is that they simply pose harmless little insects that move randomly and gather food in their underground nests. The untrained eye would have never guessed the level of complexity and organisation that is required in order for an ant colony to survive. The simple ant is a part of a huge group, which cooperate one superorganism. Without any central authority or the ability of complex cognitive thought from the individuals, the colony seems to self organise and in fact adjust its resources in a quite efficient way. This dissertation investigates the role of indirect communication in the exploration and forage task and how it affects the decisions of the single agent and brings an emergent behaviour that is useful to all the colony. Finally this work implements an ant inspired multi-agent simulation plataform

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-08-24T17:35:05Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertacao-Natalia_Flora_de_Lima.pdf: 2000980 bytes, checksum: 107f0691d21b9d94e253d08f06a4fbdd (MD5) / Made available in DSpace on 2016-08-24T17:35:05Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertacao-Natalia_Flora_de_Lima.pdf: 2000980 bytes, checksum: 107f0691d21b9d94e253d08f06a4fbdd (MD5) Previous issue date: 2011-08-29 / Facepe / Este trabalho apresenta dois novos algoritmos, PSO-FPSO e FPSO-FPSO, para a otimização global de redes neurais MLP (do inglês Multi Layer Perceptron) do tipo feed-forward. O propósito destes algoritmos é otimizar de forma simultânea as arquiteturas e pesos sinápticos, objetivando melhorar a capacidade de generalização da rede neural artificial (RNA). O processo de otimização automática das arquiteturas e pesos de uma rede neural vem recebendo grande atenção na área de aprendizado supervisionado, principalmente em problemas de classificação de padrões. Além dos Algoritmos Genéticos, Busca Tabu, Evolução Diferencial, Recozimento simulado que comumente são empregados no treinamento de redes neurais podemos citar abordagens populacionais como a otimização por colônia de formigas, otimização por colônia de abelhas e otimização por enxame de partículas que vêm sendo largamente utilizadas nesta tarefa. A metodologia utilizada neste trabalho trata da aplicação de dois algoritmos do tipo PSO, sendo empregados na otimização das arquiteturas e na calibração dos pesos das conexões. Nesta abordagem os algoritmos são executados de forma alternada e por um número definido de vezes. Ainda no processo de ajuste dos pesos de uma rede neural MLP foram realizados experimentos com enxame de partículas heterogêneos, que nada mais é que a junção de dois ou mais PSOs de tipos diferentes. Para validar os experimentos com os enxames homogêneos foram utilizadas sete bases de dados para problemas de classificação de padrões, são elas: câncer, diabetes, coração, vidros, cavalos, soja e tireóide. Para os experimentos com enxames heterogêneos foram utilizadas três bases, a saber: câncer, diabetes e coração. O desempenho dos algoritmos foi medido pela média do erro percentual de classificação. Algoritmos da literatura são também considerados. Os resultados mostraram que os algoritmos investigados neste trabalho obtiveram melhor acurácia de classificação quando comparados com os algoritmos da literatura mencionados neste trabalho. / This research presents two new algorithms, PSO-FPSO e FPSO-FPSO, that can be used in feed-forward MLP (Multi Layer Perceptron) neural networks for global optimization. The purpose of these algorithms is to optimize architectures and synaptic weight, at same time, to improve the capacity of generalization from Artificial Neural Network (ANN). The automatic optimization process of neural network’s architectures and weights has received much attention in supervised learning, mainly in pattern classification problems. Besides the Genetic Algorithms, Tabu Search, Differential Evolution, Simulated Annealing that are commonly used in the training of neural networks we can mentioned population approaches such Ant Colony Optimization, Bee Colony Optimization and Particle Swarm Optimization that have been widely used this task. The methodology applied in this research reports the use of two PSO algorithms, used in architecture optimization and connection weight adjust. In this approach the algorithms are performed alternately and by predefined number of times. Still in the process of adjusting the weights of a MLP neural network experiments were performed with swarm of heterogeneous particles, which is nothing more than the joining of two or more different PSOs. To validate the experiments with homogeneous clusters were used seven databases for pattern classification problems, they are: cancer, diabetes, heart, glasses, horses, soy and thyroid. For the experiments with heterogeneous clusters were used three bases, namely cancer, diabetes and heart. The performance of the algorithms was measured by the average percentage of misclassification, literature algorithms are also considered. The results showed that the algorithms investigated in this research had better accuracy rating compared with some published algorithms.

A visão de muitas pessoas sobre uma colônia de formigas, em geral, é de que estes pequenos e inofensivos insetos somente se movem aleatoriamente para coletar alimento e conservá-los em seus ninhos. Um olhar destreinado não conseguiria notar o nível de complexidade e organização que é requerido por uma colônia de formigas para sua sobrevivência. Uma formiga simples é parte de um grande grupo que coopera entre si para criar um superorganismo. Sem uma autoridade central ou indivíduos com habilidade de um pensamento cognitivo complexo, a colônia se auto-organiza, e, de fato, ajusta seus recursos de uma maneira muito eficiente. Essa dissertação investiga o papel da comunicação indireta nas tarefas de exploração e forrageamento, e como isso afeta as decisões de um agente simples e traz um comportamento emergente útil à toda colônia. Por fim, este trabalho implementa uma plataforma de simulação multi-agente inspirado em formigas / Most people\'s view of an ant colony and ants in general is that they simply pose harmless little insects that move randomly and gather food in their underground nests. The untrained eye would have never guessed the level of complexity and organisation that is required in order for an ant colony to survive. The simple ant is a part of a huge group, which cooperate one superorganism. Without any central authority or the ability of complex cognitive thought from the individuals, the colony seems to self organise and in fact adjust its resources in a quite efficient way. This dissertation investigates the role of indirect communication in the exploration and forage task and how it affects the decisions of the single agent and brings an emergent behaviour that is useful to all the colony. Finally this work implements an ant inspired multi-agent simulation plataform

[pt] O algoritmo de otimização por enxame de partículas (PSO, do inglês Particle Swarm Optimization) é uma meta-heurística baseada em populações de indivíduos na qual os candidatos à solução evoluem através da simulação de um modelo simplificado de adaptação social. Juntando robustez, eficiência e simplicidade, o PSO tem adquirido grande popularidade. São reportadas muitas aplicações bem-sucedidas do PSO nas quais este algoritmo demonstrou ter vantagens sobre outras meta-heurísticas bem estabelecidas baseadas em populações de indivíduos. Algoritmos modificados de PSO já foram propostos para resolver problemas de otimização com restrições de domínio, lineares e não lineares. A grande maioria desses algoritmos utilizam métodos de penalização, que possuem, em geral, inúmeras limitações, como por exemplo: (i) cuidado adicional ao se determinar a penalidade apropriada para cada problema, pois deve-se manter o equilíbrio entre a obtenção de soluções válidas e a busca pelo ótimo; (ii) supõem que todas as soluções devem ser avaliadas. Outros algoritmos que utilizam otimização multi-objetivo para tratar problemas restritos enfrentam o problema de não haver garantia de se encontrar soluções válidas. Os algoritmos PSO propostos até hoje que lidam com restrições, de forma a garantir soluções válidas utilizando operadores de viabilidade de soluções e de forma a não necessitar de avaliação de soluções inválidas, ou somente tratam restrições de domínio controlando a velocidade de deslocamento de partículas no enxame, ou o fazem de forma ineficiente, reinicializando aleatoriamente cada partícula inválida do enxame, o que pode tornar inviável a otimização de determinados problemas. Este trabalho apresenta um novo algoritmo de otimização por enxame de partículas, denominado PSO+, capaz de resolver problemas com restrições lineares e não lineares de forma a solucionar essas deficiências. A modelagem do algoritmo agrega seis diferentes capacidades para resolver problemas de otimização com restrições: (i) redirecionamento aritmético de validade de partículas; (ii) dois enxames de partículas, onde cada enxame tem um papel específico na otimização do problema; (iii) um novo método de atualização de partículas para inserir diversidade no enxame e melhorar a cobertura do espaço de busca, permitindo que a borda do espaço de busca válido seja devidamente explorada – o que é especialmente conveniente quando o problema a ser otimizado envolve restrições ativas no ótimo ou próximas do ótimo; (iv) duas heurísticas de criação da população inicial do enxame com o objetivo de acelerar a inicialização das partículas, facilitar a geração da população inicial válida e garantir diversidade no ponto de partida do processo de otimização; (v) topologia de vizinhança, denominada vizinhança de agrupamento aleatório coordenado para minimizar o problema de convergência prematura da otimização; (vi) módulo de transformação de restrições de igualdade em restrições de desigualdade. O algoritmo foi testado em vinte e quatro funções benchmarks – criadas e propostas em uma competição de algoritmos de otimização –, assim como em um problema real de otimização de alocação de poços em um reservatório de petróleo. Os resultados experimentais mostram que o novo algoritmo é competitivo, uma vez que aumenta a eficiência do PSO e a velocidade de convergência. / [en] The Particle Swarm Optimization (PSO) algorithm is a metaheuristic based on populations of individuals in which solution candidates evolve through simulation of a simplified model of social adaptation. By aggregating robustness, efficiency and simplicity, PSO has gained great popularity. Many successful applications of PSO are reported in which this algorithm has demonstrated advantages over other well-established metaheuristics based on populations of individuals. Modified PSO algorithms have been proposed to solve optimization problems with domain, linear and nonlinear constraints; The great majority of these algorithms make use of penalty methods, which have, in general, numerous limitations, such as: (i) additional care in defining the appropriate penalty for each problem, since a balance must be maintained between obtaining valid solutions and the searching for an optimal solution; (ii) they assume all solutions must be evaluated. Other algorithms that use multi-objective optimization to deal with constrained problems face the problem of not being able to guarantee finding feasible solutions. The proposed PSO algorithms up to this date that deal with constraints, in order to guarantee valid solutions using feasibility operators and not requiring the evaluation of infeasible solutions, only treat domain constraints by controlling the velocity of particle displacement in the swarm, or do so inefficiently by randomly resetting each infeasible particle, which may make it infeasible to optimize certain problems. This work presents a new particle swarm optimization algorithm, called PSO+, capable of solving problems with linear and nonlinear constraints in order to solve these deficiencies. The modeling of the algorithm has added six different capabilities to solve constrained optimization problems: (i) arithmetic redirection to ensure particle feasibility; (ii) two particle swarms, where each swarm has a specific role in the optimization the problem; (iii) a new particle updating method to insert diversity into the swarm and improve the coverage of the search space, allowing its edges to be properly exploited – which is especially convenient when the problem to be optimized involves active constraints at the optimum solution; (iv) two heuristics to initialize the swarm in order to accelerate and facilitate the initialization of the feasible initial population and guarantee diversity at the starting point of the optimization process; (v) neighborhood topology, called coordinated random clusters neighborhood to minimize optimization premature convergence problem; (vi) transformation of equality constraints into inequality constraints. The algorithm was tested for twenty-four benchmark functions – created and proposed for an optimization competition – as well as in a real optimization problem of well allocation in an oil reservoir. The experimental results show that the new algorithm is competitive, since it increases the efficiency of the PSO and the speed of convergence.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-04-17T12:23:49Z No. of bitstreams: 1 Tiago Martins Ribeiro.pdf: 2146814 bytes, checksum: c04c7e63303157b4345d0985576e1620 (MD5) / Made available in DSpace on 2017-04-17T12:23:49Z (GMT). No. of bitstreams: 1 Tiago Martins Ribeiro.pdf: 2146814 bytes, checksum: c04c7e63303157b4345d0985576e1620 (MD5) Previous issue date: 2017-02-20 / CAPES / Complex optimization problems have been studied over the years by researchers seeking better solutions, these studies have encouraged the development of several algorithms of artificial intelligence, and a part of them are bio-inspired methods, based on the behavior of populations. These algorithms target to develop techniques based on nature in search of solutions to these problems. In this work, was introduced as a purpose, an algorithm based on the behavior of locust swarms, the Locust Swarm Optimizer (LSO). The behavior of the desert locust is introduced highlighting the formation of clouds of attacks caused by a synthesized neurotransmitter monoamine, present on the insect, known as serotonin. Observing this behavior, the LSO was developed. It was compared to other known artificial intelligence techniques through 23 benchmark functions and also tested on an power system economical dispatch problem. From the point of view of the results and the ease of implementation, it can be concluded that the LSO algorithm is very competitive as compared to existing methods / Problemas complexos de otimização vêm sendo estudados ao longo dos anos por pesquisadores que buscam melhores soluções, estes estudos incentivaram o desenvolvimento de vários algoritmos de inteligência artificial, sendo que uma parte deles são métodos bioinspirados, baseados no comportamento de populações. Estes algoritmos têm como objetivo desenvolver técnicas baseadas na natureza em busca de soluções para estes problemas. Neste trabalho um algoritmo baseado no comportamento de enxames de gafanhotos-do-deserto, o Locust Swarm Optimizer (LSO), foi introduzido como objetivo. O comportamento do gafanhoto-do-deserto é apresentado destacando a formação de nuvens de ataques causada por uma monoamina neurotransmissora sintetizada, presente no inseto, conhecido por serotonina. Observando este comportamento, foi desenvolvido o LSO. Ele foi comparado com outras conhecidas técnicas de inteligência artificial através de 23 funções benchmarks e também, testado em um problema de despacho econômico. Do ponto de vista dos resultados e da facilidade de implementação, pode-se concluir que o algoritmo LSO é bastante competitivo comparado aos métodos atuais existentes.

Made available in DSpace on 2014-07-29T15:08:18Z (GMT). No. of bitstreams: 1 Dissertacao Sistemas Hidrotermicos.pdf: 1921130 bytes, checksum: 988097a7877583ede959085e07eade65 (MD5) Previous issue date: 2012-06-21 / Particle Swarm Optimization has been widely used to solve real-world problems, including the operation planning of hydrothermal generation systems, where the main goal is to achieve rational strategies of operation. This can be accomplished by minimizing the high-cost thermoelectric generation, while maximizing the low-cost hydroelectric generation. The optimization process must consider a set of complex constrains. This work presents the application of some recently proposed Particle Swarm Optimizers for a group of hydroelectric power plants of the Brazilian interconnected system, using real data from existing plants. There were performed some tests by using the standard PSO, PSO-TVAC, Clan PSO, Clan PSO with migration, Center PSO, and one approach proposed in this work, called Center Clan PSO, over three different mid-term periods. All PSO approaches were compared to the results achieved by a Non-linear Programming algorithm (NLP). Furthermore, another approach was proposed, based on Center PSO, named Extended Center PSO. It was observed that the PSO approaches presented as promising solutions to the problem, even better than NLP in some cases. / A Otimização por Enxame de Partículas tem sido amplamente utilizada na solução de problemas do mundo real, inclusive para o problema do planejamento da operação de sistemas de geração hidrotérmicos, em que o principal objetivo é encontrar estratégias racionais de operação. A solução é obtida através da minimização da geração térmica, alto custo, enquanto maximiza-se a geração hidrelétrica, que é de baixo custo. O processo de otimização deve considerar um conjunto complexo de restrições. Este trabalho apresenta a aplicação de uma abordagem recente chamada de Otimização por Enxame de Partículas para o problema com um grupo de usinas hidrelétricas do sistema interligado brasileiro, utilizando dados reais das usinas existentes. Foram realizados testes usando o PSO original, PSO-TVAC, Clan PSO, Clan PSO com a migração, Center PSO, e uma abordagem proposta neste trabalho, denominada Center Clan PSO, ao longo de três diferentes períodos de médio prazo. Todas as abordagens PSO foram comparadas com os resultados obtidos por um algoritmo de programação não linear (NLP). Além disso, uma outra abordagem foi proposta, com base no algoritmo Center PSO, chamada Extended Center PSO. Observou-se que as abordagens PSO apresentaram resultados promissores na solução do problema, com resultados até mesmo melhores, em alguns casos, que os obtidos pelo NLP.