Los modelos utilizados en el diseño de redes hidráulicas pueden ser muy variados, en función del objetivo que se pretende abordar. Este trabajo se centra fundamentalmente en el dimensionado hidráulico de redes de distribución de agua, de modo que se cumplan una serie de requerimientos de servicio, entre los que se incluyen condiciones mínimas de presión, velocidad, etc. Una de las complejidades del diseño de redes de distribución de agua (RDA) radica en la elección de los diámetros como variables de decisión; puesto que en este caso las restricciones son funciones implícitas de estos mismos diámetros, el espacio de soluciones se convierte en no convexo y la función objetivo en multimodal. En este punto, los métodos tradicionales basados en técnicas matemáticas quedan limitados a la localización de mínimos locales de la función objetivo, que depende del punto de inicio del proceso de convergencia. Numerosos investigadores han diseñado aplicaciones en lo que a métodos de diseño de redes de agua se refiere, planteando los costes de la red como la función objetivo a optimizar. La aplicación de técnicas evolutivas de optimización permite la búsqueda de soluciones más allá de estos mínimos locales, lo que amplía en muchas ocasiones el campo de búsqueda, y por tanto, la capacidad de obtener buenas soluciones. Este tipo de técnicas son muy versátiles, por lo que tienen multitud de posibles aplicaciones, siendo el diseño óptimo de redes de agua una de ellas. El carácter aleatorio de los algoritmos evolutivos provoca que no exista la certeza absoluta de explorar el espacio completo de soluciones. No obstante, las distintas técnicas evolutivas son capaces de obtener un conjunto de buenas soluciones que mejoran de modo progresivo. En términos generales, el modelo de optimización desarrollado para todas estas técnicas incluye una función objetivo cuyo valor trata de minimizarse. En este sentido, la mayoría de las metodologías que trata esta tesis han sido ya aplicadas con ciert / Mora Meliá, D. (2012). Diseño de redes de distribución de agua mediante algoritmos evolutivos. Análisis de eficiencia [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/16803

[EN] The identification process of the parameters of a nominal model and its uncertainty, when it is used for Robust Control, is known as Parametric Robust Identification (RI). A possible approach to RI, which is appropriate when noise statistical properties unknown and/or model error invalidate statistical approaches, is the deterministic one (Set Membership Estimation). This deterministic approach assumes that identification error (IE), differences between the simulated outputs of the model and the measured outputs of the process, although unknown, will be bounded. Therefore, the objective is to estimate the parameters set of a model which keeps the identification error bounded by a certain norm and bound. This set is known as the feasible parameter set (FPS). For linear in their parameters models, the FPS is, if it exists, a convex polytope. In nonlinear models, the polytope can be non-convex even disjoint. In this thesis a RI methodology, which permits to estimate any kind of FPS in nonlinear models when IE is bounded by several norms simultaneously, is presented. This methodology converts the RI problem into a multimodal optimization problem with optimal global infinities, which constitute the FPS. For its optimization a specific evolutionary algorithm e-GA has been developed, to characterize the FPS by means of a discrete set of models FPS^* adequately distributed along the FPS. The methodology comes accompanied by a procedure that makes easy the determination of bounds, associated to the norms of the IE, in order to guarantee an FPS\neq\emptyset. For that, the Pareto Front information, which is obtained by means of minimization norms of the IE in a multobjective context is used. To solve the multobjective problem an evolutionary algorithm e-MOGA has been developed. In addition, a nominal model of restricted interpolated projection which belongs to the FPS is proposed. It is optimal in both identification and estimation errors in the parameter space. The RI of three nonlinear models, with real data, is presented as application examples of the proposed methodology: a thermal process, a model which shows the blockage that produces a given drug on the ionic currents of a cardiac cell and a greenhouse climate model (temperature and humidity) with roses hydroponic crop. / [ES] Al proceso de identificación de los parámetros de un modelo nominal y su incertidumbre para su utilización en Control Robusto se le conoce como Identificación Robusta Paramétrica (IR). Un posible enfoque para abordar la IR, que resulta apropiado cuando el desconocimiento de las propiedades estadísticas del ruido y/o la dinámica no modelada invalidan los enfoques estocásticos, es el determinístico (Set Membership Estimation). Este enfoque asume que el error de identificación (EI), diferencia entre las salidas medidas de proceso y las simuladas del modelo, aunque es desconocido, está acotado. De ahí que, bajo este enfoque, se persiga la determinación del conjunto de parámetros que consiguen mantener el EI acotado para una determinada norma y cota. Dicho conjunto es conocido como el conjunto de parámetros factibles (FPS). Cuando el modelo es lineal respecto de sus parámetros, el FPS, si existe, es un politopo convexo. En modelos no lineales dicho politopo puede ser no convexo e incluso inconexo. En esta tesis se presenta una metodología de IR que permite determinar FPS, de cualquier tipo, en modelos no lineales cualesquiera, acotando el EI simultáneamente mediante varias normas. La metodología transforma el problema de IR en un problema de optimización multimodal con infinitos óptimos globales, los cuales constituyen el FPS. Para su optimización se ha desarrollado un algoritmo evolutivo (EA) específico e-GA, que caracteriza el FPS mediante un conjunto discreto de modelos FPS* adecuadamente distribuido a lo largo del FPS. La metodología viene acompañada de un procedimiento que facilita la determinación de las cotas, asociadas a las normas que acotan el EI, para asegurar que FPS no se aun conjutno vacío. Para ello, se utiliza la información que genera el frente de Pareto resultante de la minimización simultánea de las normas mediante una optimización multiobjetivo.Para resolver este problema de optimización se ha desarrollado el algoritmo evolutivo e-MOGA. Adicionalmente, se propone como modelo nominal un modelo de proyección interpolada restringida que, pertenenciendo al FPS, resulta óptimo respecto del error de identificación y respecto del error de estimación en el espacio de parámetros. Como ejemplos de aplicación de la metodología propuesta se presenta la IR, con datos reales, de los parámetros de tres modelos no lineales: un sistema térmico, un modelo que refleja el bloqueo que produce un determinado fármaco sobre las corrientes iónicas de una célula cardíaca y el modelo climático de un invernadero (temperatura y humedad) con cultivo hidropónico de rosas. / [CA] Al procés d'identificació dels paràmetres d'un model nominal i la seua incertesa per a la seua utilització en Control Robust se'l coneix com a Identificació Robusta Paramètrica (IR). Un possible enfocament per a abordar l'IR, que resulta apropiat quan el desconeixement de les propietats estadístiques del soroll i/o la dinàmica no modelada invaliden els enfocaments estocàstics, és el determinístic (Set Membership Estimation). Aquest enfocament assumeix que l'error d'identificació (EI), diferència entre les eixides mesurades del procés i les simulades del model, encara que és desconegut, està acotat. Davall aquest enfocament, es persegueix la determinació del conjunt de paràmetres que aconsegueixen mantenir l'EI acotat per a una determinada norma i cota. Dit conjunt és conegut com el conjunt de paràmetres factibles (FPS). Quan el model és lineal respecte dels seus paràmetres, el FPS, si existeix, és un politop convex. En models no lineals dit politop pot ser no convex i fins i tot inconnex. En aquesta tesi es presenta una metodologia d'IR que permet determinar FPS, de qualsevol tipus, en models no lineals qualsevol, acotant l'EI simultàniament mitjançant diverses normes. La metodologia transforma el problema d'IR en un problema d'optimització multimodal amb infinits òptims globals, els quals constitueixen el FPS. Per a la seua optimització s'ha desenvolupat un algoritme evolutiu (EA) específic e-GA, que caracteritza el FPS mitjançant un conjunt discret de models FPS^* adequadament distribuït al llarg del FPS. La metodologia ve acompanyada d'un procediment que facilita la determinació de les cotes, associades a les normes que acoten l'EI, per a assegurar que FPS\neq\emptyset. Per a això, s'utilitza la informació que genera el front de Pareto resultant de la minimització simultània de les normes mitjançant una optimització multiobjetiu. Per a la resoldre, el problema multiobjectiu s'ha desenvolupat l'algoritme evolutiu e-MOGA. Addicionalment, es proposa com a model nominal un model de projecció interpolada restringida que, pertanyent al FPS, resulta òptim respecte de l'error d'identificació i respecte de l'error de estimació en l'espai de paràmetres. Com a exemples d'aplicació de la metodologia proposada es presenta l'IR, amb dades reals, dels paràmetres de tres models no lineals: un sistema tèrmic, un model que reflecteix el bloqueig que produeix un determinat fàrmac sobre els corrents iònics d'una cèl·lula cardíaca i el model climàtic d'un hivernacle (temperatura i humitat) amb cultiu hidropònic de roses. / Herrero Durá, JM. (2006). Identificación Robusta de Sistemas no Lineales mediante Algoritmos Evolutivos [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/131396

Nesta tese, são estudados algoritmos para agrupamento de dados, com particular ênfase em Agrupamento de Dados com Restrições, no qual, além dos objetos a serem agrupados, são fornecidos pelo usuário algumas informações sobre o agrupamento desejado. Como fundamentação para o agrupamento, são considerados os modelos de mistura finitos, em especial, com componentes gaussianos, usualmente chamados de modelos de mistura de gaussianas. Dentre os principais problemas que os algoritmos desenvolvidos nesta tese de doutorado buscam tratar destacam-se: (i) estimar parâmetros de modelo de mistura de gaussianas; (ii) como incorporar, de forma eficiente, restrições no processo de aprendizado de forma que tanto os dados quanto as restrições possam ser adicionadas de forma online; (iii) estimar, via restrições derivadas de conceitos pré-determinados sobre os objetos (usualmente chamados de classes), o número de grupos destes conceitos. Como ferramenta para auxiliar no desenvolvimento de soluções para tais problemas, foram utilizados algoritmos evolutivos que operam com mais de uma solução simultaneamente, além de utilizarem informações de soluções anteriores para guiar o processo de busca. Especificamente, foi desenvolvido um algoritmo evolutivo baseado na divisão e união de componentes para a estimação dos parâmetros de um modelo de mistura de gaussianas. Este algoritmo foi comparado com o algoritmo do mesmo gênero considerado estado-da-arte na literatura, apresentando resultados competitivos e necessitando de menos parâmetros e um menor custo computacional. Nesta tese, foram desenvolvidos dois algoritmos que incorporam as restrições no processo de agrupamento de forma online. Ambos os algoritmos são baseados em algoritmos bem-conhecidos na literatura e apresentaram, em comparações empíricas, resultados melhores que seus antecessores. Finalmente, foram propostos dois algoritmos para se estimar o número de grupos por classe. Ambos os algoritmos foram comparados com algoritmos reconhecidos na literatura de agrupamento de dados com restrições, e apresentaram resultados competitivos ou melhores que estes. A estimação bem sucedida do número de grupos por classe pode auxiliar em diversas tarefas de mineração de dados, desde a sumarização dos dados até a decomposição de problemas de classificação em sub-problemas potencialmente mais simples. / In the last decade, researchers have been giving considerable attention to the field of Constrained Clustering. Algorithms in this field assume that along with the objects to be clustered, the user also provides some constraints about which kind of clustering (s)he prefers. In this thesis, two scenarios are studied: clustering with and without constraints. The developments are based on finite mixture models, namely, models with Gaussian components, which are usually called Gaussian Mixture Models (GMMs). In this context the main problems addressed are: (i) parameter estimation of GMMs; (ii) efficiently integrating constraints in the learning process allowing both constraints and the data to be added in the modeling in an online fashion; (iii) estimating, by using constraints derived from pre-determined concepts (usually named classes), the number of clusters per concept. Evolutionary algorithms were adopted to develop solutions for such problems. These algorithms analyze more than one solution simultaneously and use information provided by previous solutions to guide the search process. Specifically, an evolutionary algorithm based on procedures that perform splitting and merging of components to estimate the parameters of a GMM was developed. This algorithm was compared to an algorithm considered as the state-of-the-art in the literature, obtaining competitive results while requiring less parameters and being more computationally efficient. Besides the aforementioned contributions, two algorithms for online constrained clustering were developed. Both algorithms are based on well known algorithms from the literature and get better results than their predecessors. Finally, two algorithms to estimate the number of clusters per class were also developed. Both algorithms were compared to well established algorithms from the literature of constrained clustering, and obtained equal or better results than the ones obtained by the contenders. The successful estimation of the number of clusters per class is helpful to a variety of data mining tasks, such as data summarization and problem decomposition of challenging classification problems.

Problemas de projeto de redes (PPRs) são muito importantes uma vez que envolvem uma série de aplicações em áreas da engenharia e ciências. Para solucionar as limitações de algoritmos convencionais para PPRs que envolvem redes complexas do mundo real (em geral modeladas por grafos completos ou mesmo esparsos de larga-escala), heurísticas, como os algoritmos evolutivos (EAs), têm sido investigadas. Trabalhos recentes têm mostrado que estruturas de dados adequadas podem melhorar significativamente o desempenho de EAs para PPRs. Uma dessas estruturas de dados é a representação nó-profundidade (NDE, do inglês Node-depth Encoding). Em geral, a aplicação de EAs com a NDE tem apresentado resultados relevantes para PPRs de larga-escala. Este trabalho investiga o desenvolvimento de uma nova representação, baseada na NDE, chamada representação nó-profundidade-grau (NDDE, do inglês Node-depth-degree Encoding). A NDDE é composta por melhorias nos operadores existentes da NDE e pelo desenvolvimento de novos operadores de reprodução possibilitando a recombinação de soluções. Nesse sentido, desenvolveu-se um operador de recombinação capaz de lidar com grafos não-completos e completos, chamado EHR (do inglês, Evolutionary History Recombination Operator). Foram também desenvolvidos operadores de recombinação que lidam somente com grafos completos, chamados de NOX e NPBX. Tais melhorias tem como objetivo manter relativamente baixa a complexidade computacional dos operadores para aumentar o desempenho de EAs para PPRs de larga-escala. A análise de propriedades de representações mostrou que a NDDE possui redundância, assim, foram propostos mecanismos para evitá-la. Essa análise mostrou também que o EHR possui baixa complexidade de tempo e não possui tendência, além de revelar que o NOX e o NPBX possuem uma tendência para árvores com topologia de estrela. A aplicação de EAs usando a NDDE para PPRs clássicos envolvendo grafos completos, tais como árvore geradora de comunicação ótima, árvore geradora mínima com restrição de grau e uma árvore máxima, mostrou que, quanto maior o tamanho das instâncias do PPR, melhor é o desempenho relativo da técnica em comparação com os resultados obtidos com outros EAs para PPRs da literatura. Além desses problemas, um EA utilizando a NDE com o operador EHR foi aplicado ao PPR do mundo real de reconfiguração de sistemas de distribuição de energia elétrica (envolvendo grafos esparsos). Os resultados mostram que o EHR possibilita reduzir significativamente o tempo de convergência do EA / Network design problems (NDPs) are very important since they involve several applications from areas of Engineering and Sciences. In order to solve the limitations of traditional algorithms for NDPs that involve real world complex networks (in general, modeled by large-scale complete or sparse graphs), heuristics, such as evolutionary algorithms (EAs), have been investigated. Recent researches have shown that appropriate data structures can improve EA performance when applied to NDPs. One of these data structures is the Node-depth Encoding (NDE). In general, the performance of EAs with NDE has presented relevant results for large-scale NDPs. This thesis investigates the development of a new representation, based on NDE, called Node-depth-degree Encoding (NDDE). The NDDE is composed for improvements of the NDE operators and the development of new reproduction operators that enable the recombination of solutions. In this way, we developed a recombination operator to work with both non-complete and complete graphs, called EHR (Evolutionary History Recombination Operator). We also developed two other operators to work only with complete graphs, named NOX and NPBX. These improvements have the advantage of retaining the computational complexity of the operators relatively low in order to improve the EA performance. The analysis of representation properties have shown that NDDE is a redundant representation and, for this reason, we proposed some strategies to avoid it. This analysis also showed that EHR has low running time and it does not have bias, moreover, it revealed that NOX and NPBX have bias to trees like stars. The application of an EA using the NDDE to classic NDPs, such as, optimal communication spanning tree, degree-constraint minimum spanning tree and one-max tree, showed that the larger the instance is, the better the performance will be in comparison whit other EAs applied to NDPs in the literatura. An EA using the NDE with EHR was applied to a real-world NDP of reconfiguration of energy distribution systems. The results showed that EHR significantly decrease the convergence time of the EA

Classificação é, provavelmente, a tarefa mais estudada na área de Aprendizado de Máquina, possuindo aplicação em uma grande quantidade de problemas reais, como categorização de textos, diagnóstico médico, problemas de bioinformática, além de aplicações comerciais e industriais. De um modo geral, os problemas de classificação podem ser categorizados quanto ao número de rótulos de classe que podem ser associados à cada exemplo de entrada. A abordagem mais investigada pela comunidade de Aprendizado de Máquina é a de classes mutuamente exclusivas. Entretanto, existe uma grande variedade de problemas importantes em que cada exemplo de entrada pode ser associado a mais de um rótulo ou classe. Esses problemas são denominados problemas de classificação multirrótulo. Os Learning Classifier Systems(LCS) constituem uma técnica de Indução de Regras de Classificação que tem como principal mecanismo de busca um Algoritmo Genético. Essa técnica busca encontrar um conjunto de regras que tenha alta precisão de classificação, que seja compreensível e que possua regras consideradas interessantes sob o ponto de vista de classificação. Apesar de existirem na literatura diversos trabalhos sobre os LCS para problemas de classificação com classes mutuamente exclusivas, pouco se tem conhecimento sobre um LCS que seja capaz de lidar com problemas multirrótulo. Dessa maneira, o objetivo desta monografia é apresentar uma proposta de LCS para problemas multirrótulo, que pretende induzir um conjunto de regras de classificação que produza um resultado eficaz e comparável com outras técnicas de classificação. De acordo com esse objetivo, apresenta-se também uma revisão bibliográfica dos temas envolvidos na proposta, que são: Sistemas Classificadores Evolutivos e Classificação Multirrótulo / Classification is probably the most studied task in the Machine Learning area, with applications in a broad number of real problems like text categorization, medical diagnosis, bioinformatics and even comercial and industrial applications. Generally, classification problems can be categorized considering the number of class labels associated to each input instance. The most studied approach by the community of Machine Learning is the one that considers mutually exclusive classes. However, there is a large variety of important problems in which each instance can be associated to more than one class label. This problems are called multi-label classification problems. Learning Classifier Systems (LCS) are a technique for rule induction which uses a Genetic Algorithm as the primary search mechanism. This technique searchs for sets of rules that have high classification accuracy and that are also understandable and interesting on the classification point of view. Although there are several works on LCS for classification problems with mutually exclusive classes, there is no record of an LCS that can deal with the multi-label classification problem. The objective of this work is to propose an LCS for multi-label classification that builds a set of classification rules which achieves results that are efficient and comparable to other multi-label methods. In accordance with this objective this work also presents a review of the themes involved: Learning Classifier Systems and Multi-label Classification

A modelagem evolutiva de bancos de dados é necessária devido às frequentes mudanças de requisitos das aplicações. O desafio é ainda maior quando o banco de dados tem de atender simultaneamente a várias aplicações. A solução proposta por Scott Ambler para evolução utiliza refatorações e define um período de transição, durante o qual tanto o esquema antigo quanto o novo coexistem e os dados são replicados por meio de um processo síncrono que apresenta várias dificuldades, como a interferência no funcionamento normal das aplicações. Para minimizar essas dificuldades, esta tese propõe um processo assíncrono para manter atualizados esses esquemas e apresenta um protótipo de uma ferramenta para auxiliar as evoluções dos bancos de dados. A proposta foi validada por meio de um experimento em laboratório que comparou a solução aqui apresentada com a proposta por Ambler. / Evolutionary database modeling is necessary due to the frequent changes in application requirements. The challenge is greater when the database must support multiple applications simultaneously. The solution for evolution proposed by Scott Ambler is refactoring with a transition period, during which both the old and the new database schemas coexist and data is replicated via a synchronous process, what brings several difficulties, such as interference with the normal operation of applications. To minimize these difficulties, this thesis proposes an asynchronous process to keep these schemas updated and presents a prototype tool to evolve databases. The proposal was validated by a laboratory experiment in which the solution presented here was compared with the one proposed by Ambler.

In many real classification problems, the data set used for model induction is significantly imbalanced. This occurs when the number of examples of some classes is much lower than the other classes. Imbalanced datasets can compromise the performance of most classical classification algorithms. The classification models induced by such datasets usually present a strong bias towards the majority classes, tending to classify new instances as belonging to these classes. A commonly adopted strategy for dealing with this problem is to train the classifier on a balanced sample from the original dataset. However, this procedure can discard examples that could be important for a better class discrimination, reducing classifier efficiency. On the other hand, in recent years several studies have shown that in different scenarios the strategy of combining several classifiers into structures known as ensembles has proved to be quite effective. This strategy has led to a stable predictive accuracy and, in particular, to a greater generalization ability than the classifiers that make up the ensemble. This generalization power of classifier ensembles has been the focus of research in the imbalanced learning field in order to reduce the bias toward the majority classes, despite the complexity involved in generating efficient ensembles. Optimization meta-heuristics, such as evolutionary algorithms, have many applications for ensemble learning, although they are little used for this purpose. For example, evolutionary algorithms maintain a set of possible solutions and diversify these solutions, which helps to escape out of the local optimal. In this context, this thesis investigates and develops approaches to deal with imbalanced datasets, using ensemble of classifiers induced by samples taken from the original dataset. More specifically, this theses propose three solutions based on evolutionary ensemble learning and a fourth proposal that uses a pruning mechanism based on dominance ranking, a common concept in multiobjective evolutionary algorithms. Experiments showed the potential of the developed solutions. / Em muitos problemas reais de classificação, o conjunto de dados usado para a indução do modelo é significativamente desbalanceado. Isso ocorre quando a quantidade de exemplos de algumas classes é muito inferior às das outras classes. Conjuntos de dados desbalanceados podem comprometer o desempenho da maioria dos algoritmos clássicos de classificação. Os modelos de classificação induzidos por tais conjuntos de dados geralmente apresentam um forte viés para as classes majoritárias, tendendo classificar novas instâncias como pertencentes a essas classes. Uma estratégia comumente adotada para lidar com esse problema, é treinar o classificador sobre uma amostra balanceada do conjunto de dados original. Entretanto, esse procedimento pode descartar exemplos que poderiam ser importantes para uma melhor discriminação das classes, diminuindo a eficiência do classificador. Por outro lado, nos últimos anos, vários estudos têm mostrado que em diferentes cenários a estratégia de combinar vários classificadores em estruturas conhecidas como comitês tem se mostrado bastante eficaz. Tal estratégia tem levado a uma acurácia preditiva estável e principalmente a apresentar maior habilidade de generalização que os classificadores que compõe o comitê. Esse poder de generalização dos comitês de classificadores tem sido foco de pesquisas no campo de aprendizado desbalanceado, com o objetivo de diminuir o viés em direção as classes majoritárias, apesar da complexidade que envolve gerar comitês de classificadores eficientes. Meta-heurísticas de otimização, como os algoritmos evolutivos, têm muitas aplicações para o aprendizado de comitês, apesar de serem pouco usadas para este fim. Por exemplo, algoritmos evolutivos mantêm um conjunto de soluções possíveis e diversificam essas soluções, o que auxilia na fuga dos ótimos locais. Nesse contexto, esta tese investiga e desenvolve abordagens para lidar com conjuntos de dados desbalanceados, utilizando comitês de classificadores induzidos a partir de amostras do conjunto de dados original por meio de metaheurísticas. Mais especificamente, são propostas três soluções baseadas em aprendizado evolucionário de comitês e uma quarta proposta que utiliza um mecanismo de poda baseado em ranking de dominância, conceito comum em algoritmos evolutivos multiobjetivos. Experimentos realizados mostraram o potencial das soluções desenvolvidas.

O presente trabalho investiga metodologias para se obter automaticamente planos de restabelecimento de energia em sistemas de distribuição de energia elétrica, contemplando-se múltiplos objetivos, sendo alguns conflitantes. A redução nos índices de interrupção de energia elétrica deve ser um alvo permanente das empresas de distribuição buscando a melhoria da qualidade de fornecimento. Por outro lado, as interrupções são inevitáveis, quer para a execução de obras de manutenção preventiva, quer para obras de manutenção corretiva em virtude da ocorrência de um defeito no sistema. Depois de uma falta ter sido identificada e isolada, um plano de restabelecimento deve ser encontrado em um curto período de tempo. Devido ao problema de explosão combinatorial, técnicas de programação matemática se tornam proibitivas para esse tipo de aplicação, principalmente em sistemas de tamanho real. Por outro lado, a proposta desenvolvida de algoritmos evolucionários utilizando cadeias de grafos, têm se mostrado capaz de obter planos de restabelecimento de energia em um sistema de tamanho real no menor tempo possível. Este trabalho investiga a utilização desta metodologia para redes de grande porte sem simplificações, isto é, incluindo todas as linhas, barras e chaves do sistema. Testes são realizados em três redes de tamanhos diferentes, considerando diversos objetivos a fim de avaliar a técnica proposta. / This work investigates methodologies to automatically obtain energy restoration plans in distribution systems, involving multiple objectives that are conflicting. The reduction energy interruption indices is a permanent objective of the distribution companies in order to improve power supply. Interruptions may be carried out for maintenance or may occur due to system faults. After a fault have been identified and isolated, a restoration plan is required in a short interval of time. Due to the combinatorial explosion problem it is not possible to apply mathematical programming techniques to produce restoration plans for large networks. On the other hand, an evolutionary algorithm utilizing graph, chain has shown to be able to obtain restoration plans for real-size networks in a short interval of time. Tests are performed for three different size networks, considering several objectives to evaluate the proposed technique.

Esta dissertação apresenta uma metodologia de otimização do fluxo de potência em sistemas elétricos de subtransmissão utilizando duas técnicas da Computação Evolutiva, os Algoritmos Genéticos e as Estratégias Evolutivas. A metodologia decompõe o problema em duas partes e o trata seqüencialmente. A primeira parte procede com a otimização do fluxo de potência ativa e a segunda com a otimização do fluxo de potência reativa. São apresentadas as características e estruturas básicas dos Algoritmos Genéticos e das Estratégias Evolutivas. A técnica dos Algoritmos Genéticos é implementada no modelo de otimização do fluxo de potência ativa e a técnica das Estratégias Evolutivas no modelo de otimização do fluxo de potência reativa. As variáveis de controle dos modelos desenvolvidos são, respectivamente, os estados dos dispositivos de seccionamento e os níveis de tensão dos barramentos dos pontos de fronteira, associadas ao sistema analisado. Analisam-se os sistemas elétricos de subtransmissão que contêm múltiplos pontos de fronteira (conexão) com a Rede Básica e diversas possibilidades de configuração operativa. A metodologia proposta é aplicada a um sistema elétrico de subtransmissão real a fim de minimizar o custo dos encargos de uso dos sistemas de transmissão. Os resultados obtidos mostram a eficácia dos algoritmos desenvolvidos na busca das soluções desejadas. / This dissertation presents a power flow optimization methodology on subtransmission electric systems using two techniques of Evolutionary Computation, namely the Genetic Algorithms and the Evolution Strategies. The methodology splits the problem into two parts and treats it separately. On the first step it proceeds to optimize the active power flow and on the second step to optimize the reactive power flow. Characteristics and basic structures of the Genetic Algorithms and the Evolution Strategies are shown. The Genetic Algorithms technique is implemented on the active power flow optimization model and the Evolution Strategies technique on the reactive power flow optimization model. The control variables of developed models are, respectively, the switch states and the border point bar voltage levels, associated to the analyzed system. The subtransmission electric systems that have multiple border (connection) points to the Basic Network and many operative configuration possibilities are analyzed. The proposed methodology is applied to a real subtransmission electric system in order to minimizes the transmission system use duty costs. The obtained results show the efficacy of the developed algorithms in the search of desired solutions.

O presente trabalho tem por objetivo o desenvolvimento de políticas de administração do saldo de caixa. Este problema de finanças abordado inicialmente por Baumol (1952) e Tobin (1956) teve sua origem na aplicação de modelos determinísticos de controle de inventário ao caixa existente nas empresas. Desta forma, os autores traçaram um paralelo entre o saldo de caixa e os estoques de ativos, de maneira a minimizar os custos relativos ao caixa. Posteriormente Miller e Orr (1966) aperfeiçoaram a abordagem ao introduzirem um modelo estocástico que não mais definia o ponto ideal do saldo de caixa, mas uma faixa de oscilação. Apesar disso, os modelos apresentavam apenas uma única opção de investimento em detrimento ao caixa. Mais recentemente uma série de trabalhos resgatou o problema com novas metodologias, diversificando os custos de transferência e manutenção do caixa e aplicando, principalmente, modelos estocásticos em sua resolução, melhorando seu desempenho. Este trabalho aplica uma modelagem para gerenciamento do saldo ideal de caixa, considerando para isso os custos de manutenção, custos de transferência, diversificação em mais de dois ativos, liquidez associada aos investimentos, além da ruptura de caixa. Para isso, são utilizados modelos computacionais de meta-heurística, com a utilização de algoritmos genéticos (AG), particle swarm optimization (PSO) e simulated annealing (SA). Assim, a partir da simulação de fluxos líquidos de caixa, de acordo com as premissas apresentadas na literatura, considerando as distribuições Normal, de Poisson, Triangular e Movimento Browniano (processo de Wiener) foram realizadas experimentações computacionais a fim de desenvolver uma política de gerenciamento de caixa multiobjetivo capaz de minimizar o custo do saldo de caixa ao mesmo tempo em que minimiza o risco associado ao caixa. Os resultados demonstram que os modelos empregados são válidos para o desenvolvimento das políticas de gerenciamento de caixa, com a prevalência do PSO em problemas mais simples e do AG em problemas mais complexos, com grandes perspectivas para uso prático na definição de políticas de gerenciamento do saldo de caixa. / The present work aims at the development of cash balance management policies. This financial problem initially by Baumol (1952) and Tobin (1956) had its origin in the application of deterministic models for inventory control to the existing cash in companies. These authors drew a parallel between the cash balance and asset inventories in order to minimize the cost of the cash balance. Later, Miller and Orr (1966) refined the approach by introducing a stochastic model that no longer defined the ideal point of cash balance, but an oscillation range. Nevertheless, the models had only one investment option over the cash. More recently a series of studies rescued the problem with new methods, diversifying the transfer and cash maintenance costs, applying stochastic models in its resolution and improving their performance. This work applies a modeling for managing the ideal cash balance, considering maintenance costs, transfer costs, diversification of financial investment in more than two assets, the liquidity associated with investments and penalty costs for the lack of cash. For this, meta-heuristics computer models are used for, with the use of genetic algorithms (GA), particle swarm optimization (PSO) and simulated annealing (SA). Thus, based on the simulation of net cash flows in accordance with the assumptions presented in the literature, considering the distributions Normal, Poisson, Triangular and Brownian motion (Wiener process) computational experiments were performed to develop a multi-objective cash balance management policy able to minimize the cost of the cash balance at the same time then minimizes the risk associated with cash. The results demonstrate that the models used are valid for the development of cash management policies, with better results for the PSO in simple problems and GA on more complex problems, with great perspective for practical use in policy management for cash balance.