Made available in DSpace on 2014-06-12T15:51:52Z (GMT). No. of bitstreams: 2 arquivo2941_1.pdf: 3552776 bytes, checksum: 6651915523db744871d183f17c632edc (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os algoritmos evolucionários são métodos de otimização e busca global baseados em populações. Como nas populações biológicas, um algoritmo evolucionário perde diversidade, ao longo de gerações, restringindo a busca em uma região restrita do espaço de soluções e prejudicando a busca global. Em ambientes complexos, multimodais e dinâmicos, a perda de diversidade torna-se um problema ainda mais crítico, pois a busca deve ser abrangente e o algoritmo se adaptar o mais rápido possível. Um algoritmo evolucionário possui parâmetros cujos valores influenciam tanto o resultado do processo quanto a diversidade da população. Esta tese apresenta dois novos métodos de controle de parâmetros de algoritmos evolucionários, o controle adaptativo e o controle da função de distribuição de probabilidade. O objetivo desses métodos é controlar a diversidade da população de acordo com funções pré-determinadas. O processo evolucionário é, portanto, tratado como um problema de controle, cujos parâmetros do algoritmo evolucionário são as entradas de controle e a diversidade da população é a saída do processo. No método de controle adaptativo, a estratégia de controle é baseada no sistema adaptativo por modelo de referência, onde uma diversidade de referência é utilizada como modelo de comportamento para a diversidade do processo evolucionário. O segundo método tem como objetivo manter a função de distribuição de probabilidade da diversidade da população próxima de uma distribuição determinada. Assim, a distribuição da população no espaço de soluções é também indiretamente controlada. Para esse método manter um controle de baixo custo computacional, utiliza-se uma rede neural B-spline para modelar o processo evolucionário. Em problemas de controle, é necessário conhecer o modelo do processo para se elaborar uma estratégia de controle. Assim, foi proposto um novo modelo de dinâmica de populações que descreve o comportamento da frequência gênica e da diversidade de populações. Baseado nesse modelo, o processo evolucionário é formalizado matematicamente. Portanto, o método de controle adaptativo proposto utiliza esse modelo de dinâmica de populações na estratégia de controle. Os dois métodos de controle de diversidade propostos foram validados em estudos de casos. Todos os problemas utilizados tiveram características multimodais e dinâmicas, com comportamentos que variaram de uniforme, pequenas e grandes variações, a caótica. Os desempenhos dos métodos propostos foram comparadas com um algoritmo genético padrão e outros seis algoritmos evolucionários adaptativos

Made available in DSpace on 2014-06-12T15:55:34Z (GMT). No. of bitstreams: 2 arquivo2265_1.pdf: 2206873 bytes, checksum: 40af7f6131b3c67b98302383ab7f63e7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / A geração e manutenção de soluções distintas em Algoritmos Evolucionários Multiobjetivo (MOEAs), sobretudo em ambientes dinâmicos nos quais os critérios de avaliação das soluções podem variar ao longo do tempo, é um problema em aberto, em que há poucos estudos sobre a influência das diferentes maneiras de gerar diversidade na qualidade do conjunto de soluções ótimas. A inclusão de geradores de diversidade em MOEAs pode aumentar o custo do processo evolucionário e prejudicar seu desempenho. Surge, então, a necessidade de buscar meios para atenuar a repercussão negativa do aumento dos níveis de dispersão da população de soluções candidatas no caminhamento à superfície onde se situam os pontos ótimos, conhecida como a Frente de Pareto (PF). Em sistemas biológicos, regimes de imigração aumentam as possíveis combinações de trocas genéticas, promovendo diversidade de caminhos evolucionários. Inspirada na modelagem de imigração natural, esta pesquisa investiga a inserção de soluções atípicas (imigrantes) em populações de soluções candidatas como forma de gerar diversidade em MOEAs aplicados à otimização dinâmica multiobjetivo. A dissertação também propõe e formaliza as Paisagens de Não-Dominância (NDL) para guiar a inserção dos imigrantes gerados na população. As NDLs proveem os MOEAs das probabilidades dos imigrantes serem não-dominados em uma população a partir da estimação de funções densidade de probabilidade e de estatísticas de ordem multivariadas no espaço de objetivos. Após caracterizar a influência da diversidade na dinâmica de aproximação da PF em MOEAs, incorporaram-se as NDLs a geradores de imigrantes. A validação experimental do Gerador de Diversidade baseado em NDL (NDL-DG) expressa o potencial da abordagem proposta no aumento da qualidade média dos conjuntos de soluções não-dominadas evoluídas. A análise dos resultados da incorporação do NDL-DG ao algoritmo NSGA2 revela a obtenção de soluções de maior qualidade média com significância estatística em 79% dos cenários de otimização dinâmica estudados, em termos do indicador de Hipervolume offline, quando comparado com populações evoluídas sem o uso das NDLs. Em seguida, identificaram-se os cenários de otimização em que o NDL-DG se mostra mais promissor. Finalmente, indicaram-se direções de pesquisa para ampliar o alcance da aplicação das NDLs para outros problemas em aberto na otimização multiobjetivo evolucionária

O trabalho proposto enfoca a obtenção de planos de restabelecimento de energia de forma automática para a reenergização de redes de distribuição de energia elétrica. Assim sendo, consideram-se situações que deixam regiões do sistema sem energia. A interrupção do serviço pode ser causada por falhas no circuito de distribuição ou pela necessidade de isolar zonas do mesmo para serviços de manutenção. O restabelecimento do fornecimento da energia aos consumidores é um problema com múltiplos objetivos, alguns deles conflitantes. O problema de restabelecimento envolve funções cujas características, em geral, dificultam o uso das técnicas de programação matemática para obter planos de restabelecimento. Além disso, as propostas usando tais metodologias de programação são afetadas intensamente pelo problema de explosão combinatória. Os Algoritmos Evolucionários (AEs) têm apresentado resultados animadores para esse problema. Contudo, tais algoritmos ainda apresentam dificuldades para a rápida obtenção de planos de restabelecimento para redes de tamanho real (grande porte) de maneira a tornar possível sua aplicação em tempo real. Este trabalho propõe uma nova técnica baseada em AEs para o problema de restabelecimento. Essa proposta envolve também um nova forma de representar computacionalmente as redes de distribuição e de modificar a configuração das mesmas. Também é proposto um fluxo de carga específico para ser utilizado com a nova representação. Diversos testes são apresentados utilizando redes com diferentes tamanhos, no intuito de se avaliar a potencialidade da técnica proposta. / The proposed research focus on the automatic elaboration of plans for service restoration in electrical distribution systems. So this research considers situations that leave network regions out-of-service. The service interruption may be caused by faults in the distribution circuit or by isolation of circuit zones for maintenance task. The restoration of the energy supply to the consumers is a multiobjective problem, with a certain degree of conflict. The restoration problem considers functions whose characteristics, in general, difficult the use of mathematical programming techniques to obtain restoration plans. Moreover, the approaches using such functions are intensively affected by the combinatorial explosion problem. The Evolutionary Algorithms have shown relevant results for this problem. Nevertheless, these techniques still have difficulties to obtain restoration plans, in a fast manner, for real size networks (i.e., large size). This work proposes a new methodology based on Evolutionary Algorithms. This approach involves also a new way to computationally represent distribution networks and to modify the network configurations. A specific load flow to be used with the new representation is also proposed. Severals tests are shown, using networks with different sizes, to evaluate the potential of the proposed technique.

Esta tese estudou a aplicação de algoritmos evolucionários na análise multiobjetivo para gestão integrada de sistemas de recursos hídricos, bem como a sua integração à sistemas de suporte a decisão como o SSD AcquaNet e ModSim DSS. Dois algoritmos evolucionários multi-objetivo são desenvolvidos: MoDE-NS e MoPSO-NS e comparados ao NSGA-II. Os algoritmos foram desenvolvidos em forma de Sistema de Otimização que possibilita a análise de problemas multi-objetivo de forma generalizada com foco em sistemas de recursos hídricos. A possibilidade de integração com o SSD AcquaNet e o ModSim DSS via importação de rede de fluxo e a otimização conjunta, são apresentadas e exploradas. Uma ferramenta de visualização gráfica do conjunto de soluções não dominadas é incluída no Sistema de Otimização. Os algoritmos desenvolvidos foram aplicados a problemas de teste padrão para validação através da comparação de seus resultados ao NSGA-II. As possibilidades de aplicação do sistema de otimização e dos algoritmos evolucionários multi-objetivo foram exploradas inicialmente através de análise multi-objetivo do modelo chuva-vazão Smap com dois e cinco objetivos. Em seguida, a análise foi estendida a um sistema de recursos hídricos complexo, o Sistema Cantareira, responsável pelo abastecimento de aproximadamente metade da RMSP, que corresponde à aproximadamente 33 m³/s. A análise foi realizada comparando dois pares de funções objetivos envolvendo custos de energia elétrica, minimização de déficit no atendimento às demandas e minimização do desvio da qualidade da água em relação à Classe de enquadramento no rio Atibaia, a jusante do reservatório Atibainha e Cachoeira. Os resultados apontam que os algoritmos evolucionários multi-objetivo são aptos para aplicação na análise integrada de sistemas de recursos hídricos e representam uma boa alternativa aos métodos denominados clássicos, pelas suas características peculiares discutidas no trabalho. Algumas recomendações quanto ao uso dos algoritmos abordados para análise de problemas multi-objetivo foram apresentados. / This Thesis presents an application of evolutionary algorithms in multi-objective analysis for integrated management of water resources systems and their integration into decision support systems as AcquaNet and ModSim DSS. Two multi-objective evolutionary algorithms are developed: MoDE-NS-NS and MoPSO-NS and compared to NSGA-II. The algorithms are developed in the form of Optimization System which enables generalized multi-objective analysis with a focus on water resources systems. The possibilities for integration with AcquaNet and ModSim DSS, by importing network flow directly from them or by integrated optimization/simulation are also presented. A graphical visualization tool for the set of non-dominated solutions is also included in Optimization System. The algorithms are applied to common test problems set for validation by comparing its results to the NSGA-II. The possibilities of application of the developed Optimization System and multi-objective evolutionary algorithms are initially exploited by multi-objective analysis of a hydrological rainfall-runoff model Smap, with two and five objectives. Then, the analysis is extended to a complex water resources system, the Cantareira System, responsible for supplying nearly half of the Sao Paulo metro area, which corresponds to approximately 33 m³/s. The analysis is done by comparing two pairs of objective functions: minimization of demand shortage versus minimization of pumping cost and minimization of demand shortage versus minimization of the deviation from water quality standards. The results show that the multi-objective evolutionary algorithms are suitable for application to integrated analysis of water resources systems and represent a good alternative to the so called classical methods, for its peculiar characteristics discussed on this thesis. The MoDE-NS and MoPSO-NS developed, outperformed NSGA-II results, by obtaining a better coverage of the Pareto fronts especially on the water resources system case study.

This work presents a general vision about the main concepts of combinatorial multi-objective optimization, where we present the more used technique for the resolution of problems of this nature. To the speech of the techniques we will also argue important aspects how much to the involved parameters in each technique, swing the main used boardings. Initially we implement and test the Multiple Objective Genetic Algorithm MOGA to generate a set of dominant solutions near to the Pareto optimal set for the biobjective Traveling Salesman Problems. In a second phase, we will go to implement the Strength Pareto Evolutionary Algorithm (SPEA) applied to biobjective Traveling Salesman Problems / Este trabalho apresenta uma visão geral sobre os principais conceitos da otimização combinatória multiobjetivo, onde apresentamos as técnicas mais utilizadas para a resolução de problemas desta natureza. Ao falarmos das técnicas, discutiremos também aspectos importantes quanto aos parâmetros envolvidos em cada técnica, mostrando as principais abordagens utilizadas. Inicialmente, implementamos e testamos o Multiple Objective Genetic Algorithm (MOGA) para gerar um conjunto de soluções dominantes próximo ao conjunto de Pareto ótimo para o problema do caixeiro viajante biobjetivo. Em uma segunda fase, implementamos o Strength Pareto Evolutionary Algorithm (SPEA) aplicado ao caixeiro viajante biobjetivo

Made available in DSpace on 2015-05-14T12:36:39Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 1608529 bytes, checksum: 06fa4bcadb445d4cf1a5c20f034c323b (MD5) Previous issue date: 2012-08-23 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Data mining has become an important activity for decision-making in large and small companies since it allows the extraction of relevant and non-trivial information so that corrections and adjustment in administrative and economic strategies could be selected. Consequently, an increase in the geographical data storage is seen in such a way that conventional data mining cannot carry out the extraction of knowledge from a high dimension database. According to the current literature, there are few tools capable of extracting knowledge from geographical data, mainly if the database is made of conventional (numeral and textual) and geographical (point, line and polygon) data. The aim of this study is to present a new algorithm for spatial data mining DMGP using the two types of data to carry out the information extraction from a determined base. This algorithm is based on the DMGeo algorithm which also seeks to extract knowledge from the two types of data. These algorithms are based on Genetic Programming and were developed to obtain classification rules of patterns existing in the numeral and geographical attributes. To obtain a better performance for the DMGeo, the use of meta-heuristic GRASP and ILS in the performance of DMGP algorithm was proposed to improve the individuals from the generated population . GRASP and ILS were used to generate the initial population and disturb some individuals aiming at finding better solutions. / A mineração de dados tornou-se uma importante atividade para o processo de tomada de decisão para grandes ou pequenas corporações, pois a partir dela é possível extrair informações relevantes e não triviais de forma que correções e ajustes em estratégias econômicas e administrativas possam ser selecionadas. Assim, vê-se um aumento no armazenamento de dados geográficos, de tal maneira que a mineração de dados convencionais não suporta realizar a extração de conhecimento em um banco de dados de elevada dimensão. De acordo com a literatura atual, poucas ferramentas capazes de extrair conhecimento a partir de dados geográficos são encontradas, principalmente, quando a base de dados é composta por dados convencionais (numéricos e textuais) e geográficos (ponto, linha e polígono). Este trabalho tem como objetivo principal apresentar um novo algoritmo, chamado DMGP, para a atividade de mineração de dados espaciais utilizando os dois tipos de dados para realizar a extração de informações de uma determinada base. O algoritmo em questão tem como base o algoritmo DMGeo que, por sua vez, também visa extrair conhecimento a partir dos dois tipos de dados. Estes algoritmos são baseados na Programação Genética e foram desenvolvidos a fim de obter regras de classificação de padrões existentes nos atributos numéricos e geográficos. Visando obter um melhor desempenho para o DMGeo, foi proposto a utilização das meta-heuríticas GRASP e ILS no funcionamento do algoritmo DMGP para aperfeiçoar os indivíduos das populações geradas. Tais meta-heurísticas foram usadas para gerar a população incial e para realizar uma perturbação de alguns indivíduos, com o intuito de encontrar soluções melhores.

O trabalho proposto enfoca a obtenção de planos de restabelecimento de energia de forma automática para a reenergização de redes de distribuição de energia elétrica. Assim sendo, consideram-se situações que deixam regiões do sistema sem energia. A interrupção do serviço pode ser causada por falhas no circuito de distribuição ou pela necessidade de isolar zonas do mesmo para serviços de manutenção. O restabelecimento do fornecimento da energia aos consumidores é um problema com múltiplos objetivos, alguns deles conflitantes. O problema de restabelecimento envolve funções cujas características, em geral, dificultam o uso das técnicas de programação matemática para obter planos de restabelecimento. Além disso, as propostas usando tais metodologias de programação são afetadas intensamente pelo problema de explosão combinatória. Os Algoritmos Evolucionários (AEs) têm apresentado resultados animadores para esse problema. Contudo, tais algoritmos ainda apresentam dificuldades para a rápida obtenção de planos de restabelecimento para redes de tamanho real (grande porte) de maneira a tornar possível sua aplicação em tempo real. Este trabalho propõe uma nova técnica baseada em AEs para o problema de restabelecimento. Essa proposta envolve também um nova forma de representar computacionalmente as redes de distribuição e de modificar a configuração das mesmas. Também é proposto um fluxo de carga específico para ser utilizado com a nova representação. Diversos testes são apresentados utilizando redes com diferentes tamanhos, no intuito de se avaliar a potencialidade da técnica proposta. / The proposed research focus on the automatic elaboration of plans for service restoration in electrical distribution systems. So this research considers situations that leave network regions out-of-service. The service interruption may be caused by faults in the distribution circuit or by isolation of circuit zones for maintenance task. The restoration of the energy supply to the consumers is a multiobjective problem, with a certain degree of conflict. The restoration problem considers functions whose characteristics, in general, difficult the use of mathematical programming techniques to obtain restoration plans. Moreover, the approaches using such functions are intensively affected by the combinatorial explosion problem. The Evolutionary Algorithms have shown relevant results for this problem. Nevertheless, these techniques still have difficulties to obtain restoration plans, in a fast manner, for real size networks (i.e., large size). This work proposes a new methodology based on Evolutionary Algorithms. This approach involves also a new way to computationally represent distribution networks and to modify the network configurations. A specific load flow to be used with the new representation is also proposed. Severals tests are shown, using networks with different sizes, to evaluate the potential of the proposed technique.

Esta tese estudou a aplicação de algoritmos evolucionários na análise multiobjetivo para gestão integrada de sistemas de recursos hídricos, bem como a sua integração à sistemas de suporte a decisão como o SSD AcquaNet e ModSim DSS. Dois algoritmos evolucionários multi-objetivo são desenvolvidos: MoDE-NS e MoPSO-NS e comparados ao NSGA-II. Os algoritmos foram desenvolvidos em forma de Sistema de Otimização que possibilita a análise de problemas multi-objetivo de forma generalizada com foco em sistemas de recursos hídricos. A possibilidade de integração com o SSD AcquaNet e o ModSim DSS via importação de rede de fluxo e a otimização conjunta, são apresentadas e exploradas. Uma ferramenta de visualização gráfica do conjunto de soluções não dominadas é incluída no Sistema de Otimização. Os algoritmos desenvolvidos foram aplicados a problemas de teste padrão para validação através da comparação de seus resultados ao NSGA-II. As possibilidades de aplicação do sistema de otimização e dos algoritmos evolucionários multi-objetivo foram exploradas inicialmente através de análise multi-objetivo do modelo chuva-vazão Smap com dois e cinco objetivos. Em seguida, a análise foi estendida a um sistema de recursos hídricos complexo, o Sistema Cantareira, responsável pelo abastecimento de aproximadamente metade da RMSP, que corresponde à aproximadamente 33 m³/s. A análise foi realizada comparando dois pares de funções objetivos envolvendo custos de energia elétrica, minimização de déficit no atendimento às demandas e minimização do desvio da qualidade da água em relação à Classe de enquadramento no rio Atibaia, a jusante do reservatório Atibainha e Cachoeira. Os resultados apontam que os algoritmos evolucionários multi-objetivo são aptos para aplicação na análise integrada de sistemas de recursos hídricos e representam uma boa alternativa aos métodos denominados clássicos, pelas suas características peculiares discutidas no trabalho. Algumas recomendações quanto ao uso dos algoritmos abordados para análise de problemas multi-objetivo foram apresentados. / This Thesis presents an application of evolutionary algorithms in multi-objective analysis for integrated management of water resources systems and their integration into decision support systems as AcquaNet and ModSim DSS. Two multi-objective evolutionary algorithms are developed: MoDE-NS-NS and MoPSO-NS and compared to NSGA-II. The algorithms are developed in the form of Optimization System which enables generalized multi-objective analysis with a focus on water resources systems. The possibilities for integration with AcquaNet and ModSim DSS, by importing network flow directly from them or by integrated optimization/simulation are also presented. A graphical visualization tool for the set of non-dominated solutions is also included in Optimization System. The algorithms are applied to common test problems set for validation by comparing its results to the NSGA-II. The possibilities of application of the developed Optimization System and multi-objective evolutionary algorithms are initially exploited by multi-objective analysis of a hydrological rainfall-runoff model Smap, with two and five objectives. Then, the analysis is extended to a complex water resources system, the Cantareira System, responsible for supplying nearly half of the Sao Paulo metro area, which corresponds to approximately 33 m³/s. The analysis is done by comparing two pairs of objective functions: minimization of demand shortage versus minimization of pumping cost and minimization of demand shortage versus minimization of the deviation from water quality standards. The results show that the multi-objective evolutionary algorithms are suitable for application to integrated analysis of water resources systems and represent a good alternative to the so called classical methods, for its peculiar characteristics discussed on this thesis. The MoDE-NS and MoPSO-NS developed, outperformed NSGA-II results, by obtaining a better coverage of the Pareto fronts especially on the water resources system case study.

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-10-17T18:58:21Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese-ldsp-cin-ufpe.pdf: 2057113 bytes, checksum: 40e1baebc2bc4840cd9803fdc16d952f (MD5) / Made available in DSpace on 2016-10-17T18:58:21Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese-ldsp-cin-ufpe.pdf: 2057113 bytes, checksum: 40e1baebc2bc4840cd9803fdc16d952f (MD5) Previous issue date: 2016-08-26 / CNPQ / A Análise de Agrupamentos, também conhecida por Aprendizagem Não-Supervisionada, é uma técnica importante para a análise exploratória de dados, tendo sido largamente empregada em diversas aplicações, tais como mineração de dados, segmentação de imagens, bioinformática, dentre outras. A análise de agrupamentos visa a distribuição de um conjunto de dados em grupos, de modo que indivíduos em um mesmo grupo estejam mais proximamente relacionados (mais similares) entre si, enquanto indivíduos pertencentes a grupos diferentes tenham um alto grau de dissimilaridade entre si. Do ponto de vista de otimização, a análise de agrupamentos é considerada como um caso particular de problema de NP-Difícil, pertencendo à categoria da otimização combinatória. Técnicas tradicionais de agrupamento (como o algoritmo K-Means) podem sofrer algumas limitações na realização da tarefa de agrupamento, como a sensibilidade à inicialização do algoritmo, ou ainda a falta de mecanismos que auxiliem tais métodos a escaparem de pontos ótimos locais. Meta-heurísticas como Algoritmos Evolucionários (EAs) e métodos de Inteligência de Enxames (SI) são técnicas de busca global inspirados na natureza que têm tido crescente aplicação na solução de uma grande variedade de problemas difíceis, dada a capacidade de tais métodos em executar buscas minuciosas pelo espaço do problema, tentando evitar pontos de ótimos locais. Nas últimas décadas, EAs e SI têm sido aplicadas com sucesso ao problema de agrupamento de dados. Nesse contexto, a meta-heurística conhecida por Otimização por Busca em Grupo (GSO) vem sendo aplicada com sucesso na solução de problemas difíceis de otimização, obtendo desempenhos superiores a técnicas evolucionárias tradicionais, como os Algoritmos Genéticos (GA) e a Otimização por Enxame de Partículas (PSO). No contexto de análise de agrupamentos, EAs e SIs são capazes de oferecer boas soluções globais ao problema, porém, por sua natureza estocástica, essas abordagens podem ter taxas de convergência mais lentas quando comparadas a outros métodos de agrupamento. Nesta tese, o GSO é adaptado ao contexto de análise de agrupamentos particional. Modelos híbridos entre o GSO e o K-Means são apresentados, de modo a agregar o potencial de exploração oferecido pelas buscas globais do GSO à velocidade de exploitação de regiões locais oferecida pelo K-Means, fazendo com que os sistemas híbridos formados sejam capazes de oferecerem boas soluções aos problemas de agrupamento tratados. O trabalho apresenta um estudo da influência do K-Means quando usado como operador de busca local para a inicialização populacional do GSO, assim como operador para refinamento da melhor solução encontrada pela população do GSO durante o processo geracional desenvolvido por esta técnica. Uma versão cooperativa coevolucionária do modelo GSO também foi adaptada ao contexto da análise de agrupamentos particional, resultando em um método com grande potencial para o paralelismo, assim como para uso em aplicações de agrupamentos distribuídos. Os resultados experimentais, realizados tanto com bases de dados reais, quanto com o uso de conjuntos de dados sintéticos, apontam o potencial dos modelos alternativos de inicialização da população propostos para o GSO, assim como de sua versão cooperativa coevolucionária, ao lidar com problemas tradicionais de agrupamento de dados, como a sobreposição entre as classes do problema, classes desbalanceadas, dentre outros, quando em comparação com métodos de agrupamento existentes na literatura. / Cluster analysis, also known as unsupervised learning, is an important technique for exploratory data analysis, and it has being widely employed in many applications such as data mining, image segmentation, bioinformatics, and so on. Clustering aims to distribute a data set in groups, in such a way that individuals from the same group are more closely related (more similar) among each other, while individuals from different groups have a high degree of dissimilarity among each other. From an optimization perspective, clustering is considered as a particular kind of NP-hard problem, belonging in the combinatorial optimization category. Traditional clustering techniques (like K-Means algorithm) may suffer some limitations when dealing with clustering task, such as the sensibility to the algorithm initialization, or the lack of mechanisms to help these methods to escape from local minima points. Meta-heuristics such as EAs and SI methods are nature-inspired global search techniques which have been increasingly applied to solve a great variety of difficult problems, given their capability to perform thorough searches through a problem space, attempting to avoid local optimum points. From the past few decades, EAs and SI approaches have been successfully applied to tackle clustering problems. In this context, Group Search Optimization (GSO) meta-heuristic has been successfully applied to solve hard optimization problems, obtaining better performances than traditional evolutionary techniques, such as Genetic Algorithms (GA) and Particle Swarm Optimization (PSO). In clustering context, EAs an SIs are able to obtain good global solutions to the problem at hand, however, according to their stochastic nature, these approaches may have slow convergence rates in comparison to other clustering methods. In this thesis, GSO is adapted to the context of partitional clustering analysis. Hybrid models of GSO and K-Means are presented, in such a way that the exploration offered by GSO global searches are combined with fast exploitation of local regions provided by K-Means, generating new hybrid systems capable of obtaining good solutions to the clustering problems at hands. The work also presents a study on the influence of K-Means when adopted as a local search operator for GSO population initialization, just like its application as an refinement operator for the best solution found by GSO population during GSO generative process. A cooperative coevolutionary variant of GSO model is adapted to the context of partitional clustering, resulting in a method with great potential to parallelism, as much as for the use in distributed clustering applications. Experimental results, performed as with the use of real data sets, as with the use of synthetic data sets, showed the potential of proposed alternative population initialization models and the potential of GSO cooperative coevolutionary variant when dealing with classic clustering problems, such as data overlapping, data unbalancing, and so on, in comparison to other clustering algorithms from literature.

Made available in DSpace on 2014-07-29T15:01:46Z (GMT). No. of bitstreams: 1 Dissertacao_Maira de Carvalho.pdf: 846890 bytes, checksum: 1b876a63defdf3d8fc33aa92bba455c5 (MD5) Previous issue date: 2011-08-29 / CARVALHO, M. Calibration models of urban drainage using multiobjective evolutionary algorithms. 2011. Dissertation (Masters of Environmental Engineering) - Civil Engineering College, Post-Graduation Stricto Sensu Program in Environmental Engineering - Federal University of Goiás, Goiânia, Goiás, Brazil, 2011.. This study proposed to develop and implement a calibration routine hydrological models applied to urban drainage using multiobjective optimization techniques. To make this work possible model was adopted Storm Water Management Model (SWMM) and the computational algorithms developed in MATLAB environment using an evolutionary algorithm. The method was applied to two different levels of detail in representing the Arroyo Cancels basin, located in the urban area of Santa Maria-RS, submitted to the hydrological processes involved in the process of rainfall-runoff transformation in the search for optimal values of hydrological parameters the basin. Objective functions were defined and applied simultaneously in the calibration parameters. Worked with the simulation of events of low and high intensity settings for two discretization of the watershed, and other simple and subdivided into 18 sub-basins. The sensitivity analysis performed made it possible to check that the parameters that most influenced the basin were simple: Percentage of impervious area and outlet width. Regarding the results for the various watershed discretization can be seen that in most cases when working with a more detailed watershed they were better, except for some isolated events. Overall the model showed better results when high-intensity simulated events for the best compromise solutions, thus showing the importance of using a multiobjective model. / CARVALHO, M. Calibração de modelos de drenagem urbana utilizando algoritmos evolucionários multiobjetivo. 2011. Dissertação (Mestrado em Engenharia do Meio Ambiente) Escola de Engenharia Civil, Programa de Pós-Graduação Stricto Sensu em Engenharia do Meio Ambiente, Universidade Federal de Goiás, Goiânia, 2011. O presente trabalho propôs desenvolver e aplicar uma rotina de calibração de modelos hidrológicos aplicados a drenagem urbana empregando técnicas de otimização multiobjetivo. Para tornar possível a realização deste trabalho foi adotado o modelo Storm Water Management Model (SWMM) e as rotinas computacionais desenvolvidas em ambiente MATLAB, utilizando um algoritmo evolucionário. O método foi aplicado a dois diferentes níveis de detalhamento na representação da bacia do Arroio Cancela, localizada na zona urbana do município de Santa Maria-RS, na busca de valores ótimos de parâmetros hidrológicos da bacia. Foram definidas funções objetivo e aplicadas simultaneamente na calibração de parâmetros. Trabalhou-se com a simulação de eventos de baixa e alta intensidade para duas configurações de bacia hidrográfica, sendo simples e outra subdividida em 18 sub-bacias. A análise de sensibilidade realizada possibilitou a verificação de que os parâmetros que mais influenciaram na bacia simples foram: Porcentagem de área impermeável e Largura do escoamento. Em relação aos resultados para as diferentes configurações de discretização da bacia hidrográfica pode-se verificar que na maioria dos casos quando se trabalhou com uma bacia mais detalhada estes foram melhores, salvo alguns eventos isolados. No geral o modelo apresentou melhores resultados quando simulou eventos de alta intensidade para as soluções de melhor compromisso, assim mostrando a importância da utilização de um modelo multiobjetivo.