Este trabalho consiste em uma contribuição à área de Inteligência Computacional, no que tange a algumas de suas principais técnicas: Computação Nebulosa e Computação Neural. Estas técnicas vêm sendo utilizadas para obter-se soluções de problemas que se apresentam complexos demais para a abordagem algorítmica ou modelagem matemática tradicionais. Entretanto, estes problemas são solucionados de forma trivial pelo aparato que compõe a chamada inteligência humana. A existência de relações, regras e transformações capazes de transferir modelos de problemas de um domínio para outro, traz grandes vantagens para a área de Inteligência Computacional. Teorias e modelos bem estabelecidos em uma das técnicas podem ser utilizados em outras, como por exemplo, os diversos métodos de aprendizado de Computação Neural e a capacidade de utilização de conhecimento especialista de Computação Nebulosa. Problemas modelados classicamente em uma técnica podem ser vistos à luz de outra, possibilitando uma melhor compreensão e otimização das soluções. É realizada uma exploração destas relações. São abordados alguns trabalhos anteriores que indicam a existência de algumas relações, e propostos alguns modelos para desenvolver o trabalho de pesquisa. Uma plataforma para realização de simulações e coleta de dados empíricos para as explorações é especificada. Parte da plataforma foi implementada, e simulações de uma transformação de modelos nebulosos para neurais foram realizadas. Os resultados destes experimentos são apresentados. / This work consists of a contribution to the area of Computational Intelligence, relating to some of its main techniques: Fuzzy Computing and Neural Computing. These techniques are being used to solve problems that are too complex for traditional algorithmic approach or mathematical modeling. However, these problems are solved easly with the apparatus that composes the so-called human intelligence. The existence of relations, rules and transformations capable to transfer problems models from a domain to another, brings great advantages for the area of Computational Intelligence. Well established theories and models in one of the techniques can be used in others, for example, the various learning methods from Neural Computing and the use of expert knowledge capacity of Fuzzy Computing. Problems classically modeled in one technique can be seen from another point of view, possibiliting a better understanding and optimization of the solutions. An exploration of these relations is accomplished. Some previous works indicating the existence of some relations and models to develop the research work are presented. A platform for simulation and empirical data collection, for the explorations, is specified. Part of the platform was implemented, and simulations of a transformation from fuzzy to neural models had been carried through. The results of these experiments are presented.

Este trabalho consiste em uma contribuição à área de Inteligência Computacional, no que tange a algumas de suas principais técnicas: Computação Nebulosa e Computação Neural. Estas técnicas vêm sendo utilizadas para obter-se soluções de problemas que se apresentam complexos demais para a abordagem algorítmica ou modelagem matemática tradicionais. Entretanto, estes problemas são solucionados de forma trivial pelo aparato que compõe a chamada inteligência humana. A existência de relações, regras e transformações capazes de transferir modelos de problemas de um domínio para outro, traz grandes vantagens para a área de Inteligência Computacional. Teorias e modelos bem estabelecidos em uma das técnicas podem ser utilizados em outras, como por exemplo, os diversos métodos de aprendizado de Computação Neural e a capacidade de utilização de conhecimento especialista de Computação Nebulosa. Problemas modelados classicamente em uma técnica podem ser vistos à luz de outra, possibilitando uma melhor compreensão e otimização das soluções. É realizada uma exploração destas relações. São abordados alguns trabalhos anteriores que indicam a existência de algumas relações, e propostos alguns modelos para desenvolver o trabalho de pesquisa. Uma plataforma para realização de simulações e coleta de dados empíricos para as explorações é especificada. Parte da plataforma foi implementada, e simulações de uma transformação de modelos nebulosos para neurais foram realizadas. Os resultados destes experimentos são apresentados. / This work consists of a contribution to the area of Computational Intelligence, relating to some of its main techniques: Fuzzy Computing and Neural Computing. These techniques are being used to solve problems that are too complex for traditional algorithmic approach or mathematical modeling. However, these problems are solved easly with the apparatus that composes the so-called human intelligence. The existence of relations, rules and transformations capable to transfer problems models from a domain to another, brings great advantages for the area of Computational Intelligence. Well established theories and models in one of the techniques can be used in others, for example, the various learning methods from Neural Computing and the use of expert knowledge capacity of Fuzzy Computing. Problems classically modeled in one technique can be seen from another point of view, possibiliting a better understanding and optimization of the solutions. An exploration of these relations is accomplished. Some previous works indicating the existence of some relations and models to develop the research work are presented. A platform for simulation and empirical data collection, for the explorations, is specified. Part of the platform was implemented, and simulations of a transformation from fuzzy to neural models had been carried through. The results of these experiments are presented.

Neste trabalho foi realizada uma busca por relações, regras e transformações entre duas metodologias constituintes da Inteligência Computacional - a Computação Nebulosa e a Computação Evolutiva. Com a organização e sistematização da existência de tais transformações, obtém-se uma mudança na modelagem de soluções que as utilizam de forma conjunta, possibilitando que teorias e modelos bem estabelecidos em uma das metodologias possam ser aproveitados pela outra de uma forma mais robusta, correta por construção, intrínseca e transparente. Um modelo foi proposto para direcionar o trabalho de pesquisa. Através da análise desse modelo e de uma revisão bibliográfica realizada, transformações pontuais entre as metodologias foram elencadas, e posteriormente consolidadas por meio de experimentos práticos: uma Base de Conhecimento (BC) de um Controlador Lógico Nebuloso foi criada e modificada, conforme a necessidade, através de um Algoritmo Genético (AG). Com a abordagem desenvolvida, além da criação de BCs a partir de pouquíssimo conhecimento sobre o domínio do problema, tornou-se possível a inserção de novos \"comportamentos desejados\" em BCs já existentes, automaticamente, através de AGs. Os resultados desses experimentos, realizados sobre uma plataforma computacional especificada e implementada para este fim, foram apresentados e analisados. / This work addressed a search of relations, rules and transformations between two Computational Intelligence constituent methodologies - Fuzzy Computing and Evolutionary Computing. The existence of these relations changes the actual way of solutions modeling that uses these methodologies, allowing the utilization of well established theories and models of one technique by the other in a more robust, intrinsic and transparent way. Besides the research and systematization of points that indicate the existence of relations between the two methodologies, a model to guide these exploration was proposed. By this model analysis and by the bibliographic revision made, punctual transformations were pointed out, and further consolidated through practical experiments: a Knowledge Base (KB) of a Fuzzy Logic Controller was created and modified automatically by a Genetic Algorithm. With the developed approach, besides the creation of KBs, it became possible to automatically insert new \"desired behaviors\" to existent KBs. The results of such experiments, realized through a computational platform specified and implemented to this task, were presented and analyzed.

Sistemas de Aprendizagem Adaptativos e Inteligentes, tema de pesquisa recente no mundo, são ambientes com arquitetura e algoritmos específicos, que consideram as características individuais de cada estudante para selecionar o objeto de aprendizagem mais adequado a ser oferecido ao aluno. O rápido desenvolvimento da infraestrutura sem fio e o amplo uso de dispositivos móveis na vida diária das pessoas motivam as pesquisas relativas ao uso desses dispositivos na educação, proporcionando o m-learning. Assim, relacionado a essas linhas de pesquisa, este trabalho propõe a arquitetura AdaptMLearning, elaborada para prover a aprendizagem em plataformas móveis e não móveis, considerando a seleção de objetos de aprendizagem que melhor se adaptam a diversos aspectos, tais como: dados sobre a tecnologia utilizada para acesso; informações sobre o estilo de aprendizagem de um estudante; desempenho e tempo associados à interação do estudante com o objeto de aprendizagem; conhecimentos adquiridos pelo estudante em consonância ao conteúdo do curso; e a garantia de que não só o professor possa configurar as adaptações a serem oferecidas ao seu curso, como também o aluno tenha a possibilidade de informar sua preferência pelos tipos de mídia. Essa arquitetura é baseada no modelo de referência AHAM para sistemas adaptativos AEHS, contemplando a quádrupla: espaço do conhecimento, modelo do usuário, observações e modelo de adaptação, referente à definição lógica desses sistemas. Na AdaptMLearning, foram desenvolvidos alguns algoritmos, utilizando-se o modelo FSLSM, relacionado aos estilos de aprendizagem de um estudante e o padrão IEEE 1484 para catalogação dos objetos de aprendizagem e uso de alguns atributos de suas categorias, associados às dimensões dos estilos de aprendizagem do modelo FSLSM. O algoritmo calcula um peso para um objeto catalogado em cada dimensão e permite uma busca pelo objeto mais adequado ao estilo do estudante, além de usar a computação fuzzy, para avaliar se o estudante pode sofrer mudanças no seu estilo, deve receber reforço ou necessita de um reestudo em determinado assunto de um curso, por meio de resultados obtidos com o tempo de estudo e desempenho. Também, este trabalho apresenta o desenvolvimento e a avaliação de um simulador para a arquitetura AdaptMLearning e seus algoritmos, realizada utilizando diversos cenários de simulação, envolvendo estudantes, cursos e tecnologias com diferentes configurações. Assim sendo, com base nos resultados obtidos por meio da avaliação, foi possível discutir, analisar e identificar o potencial de uso da AdaptMLearning e de seus algoritmos em uma situação real para elaboração de um ambiente de aprendizagem ou agregação a um ambiente existente. / Intelligent and Adaptive Learning Systems, subject of recent research in the world, are environments with specific architectures and algorithms, designed considering the individual characteristics of each student. The rapid development of wireless infrastructures and wide use of mobile devices in people\'s everyday life encourage research about the use of these devices in education, providing the mlearning. In the context of such research, this work proposes the AdaptMLearning architecture that was designed to be a learning infrastructure for mobile and nonmobile platforms. This architecture provides a selection of learning objects that takes into account as adaptation criteria the following data: the mobile device\'s technological specification; the student\'s learning style information, his/her performance and spent time associated to the student\'s interaction with the learning object; previously acquired knowledge by the student related to the course\'s content. In addition, it also allows the teacher to interfere in the adaptation criteria used during the study simulation, and allows the student to indicate his/her preferences for media types. This architecture is based on AHAM reference model for adaptive systems AEHS and uses the quadruple: the knowledge space, the user model, the observations and the model adaptation, referring to the logical definition of these systems. To implement the AdaptMLearning architecture some algorithms using the FSLSM model related to the student\'s learning styles were developed. The algorithms use the IEEE 1484 for cataloging learning objects and some of its categories and attributes associated with dimensions of learning styles FSLSM model, are used to compute a weight of an object in each dimension allowing a search of the most appropriate object according to the student\'s learning styles; and the use of fuzzy computing, considering that the student\'s learning style can change, determines if the student has to receive reinforcement or need a new study in a particular subject of a course, when the student gets unsatisfactory results in terms of timing and performance in a course\'s subject. Also, this work also presents the development and evaluation of a simulator for the AdaptMLearning architecture and their algorithms. The evaluation of the simulator was done by means of many simulations scenarios, considering students, courses and technologies with different settings. Based on the results obtained from the evaluation it was possible to discuss, analyze and identify the potential use of AdaptMLearning architecture and their algorithms in a real situation for developing a learning environment or its aggregation to an existing environment.

Neste trabalho foi realizada uma busca por relações, regras e transformações entre duas metodologias constituintes da Inteligência Computacional - a Computação Nebulosa e a Computação Evolutiva. Com a organização e sistematização da existência de tais transformações, obtém-se uma mudança na modelagem de soluções que as utilizam de forma conjunta, possibilitando que teorias e modelos bem estabelecidos em uma das metodologias possam ser aproveitados pela outra de uma forma mais robusta, correta por construção, intrínseca e transparente. Um modelo foi proposto para direcionar o trabalho de pesquisa. Através da análise desse modelo e de uma revisão bibliográfica realizada, transformações pontuais entre as metodologias foram elencadas, e posteriormente consolidadas por meio de experimentos práticos: uma Base de Conhecimento (BC) de um Controlador Lógico Nebuloso foi criada e modificada, conforme a necessidade, através de um Algoritmo Genético (AG). Com a abordagem desenvolvida, além da criação de BCs a partir de pouquíssimo conhecimento sobre o domínio do problema, tornou-se possível a inserção de novos \"comportamentos desejados\" em BCs já existentes, automaticamente, através de AGs. Os resultados desses experimentos, realizados sobre uma plataforma computacional especificada e implementada para este fim, foram apresentados e analisados. / This work addressed a search of relations, rules and transformations between two Computational Intelligence constituent methodologies - Fuzzy Computing and Evolutionary Computing. The existence of these relations changes the actual way of solutions modeling that uses these methodologies, allowing the utilization of well established theories and models of one technique by the other in a more robust, intrinsic and transparent way. Besides the research and systematization of points that indicate the existence of relations between the two methodologies, a model to guide these exploration was proposed. By this model analysis and by the bibliographic revision made, punctual transformations were pointed out, and further consolidated through practical experiments: a Knowledge Base (KB) of a Fuzzy Logic Controller was created and modified automatically by a Genetic Algorithm. With the developed approach, besides the creation of KBs, it became possible to automatically insert new \"desired behaviors\" to existent KBs. The results of such experiments, realized through a computational platform specified and implemented to this task, were presented and analyzed.

Sistemas de Aprendizagem Adaptativos e Inteligentes, tema de pesquisa recente no mundo, são ambientes com arquitetura e algoritmos específicos, que consideram as características individuais de cada estudante para selecionar o objeto de aprendizagem mais adequado a ser oferecido ao aluno. O rápido desenvolvimento da infraestrutura sem fio e o amplo uso de dispositivos móveis na vida diária das pessoas motivam as pesquisas relativas ao uso desses dispositivos na educação, proporcionando o m-learning. Assim, relacionado a essas linhas de pesquisa, este trabalho propõe a arquitetura AdaptMLearning, elaborada para prover a aprendizagem em plataformas móveis e não móveis, considerando a seleção de objetos de aprendizagem que melhor se adaptam a diversos aspectos, tais como: dados sobre a tecnologia utilizada para acesso; informações sobre o estilo de aprendizagem de um estudante; desempenho e tempo associados à interação do estudante com o objeto de aprendizagem; conhecimentos adquiridos pelo estudante em consonância ao conteúdo do curso; e a garantia de que não só o professor possa configurar as adaptações a serem oferecidas ao seu curso, como também o aluno tenha a possibilidade de informar sua preferência pelos tipos de mídia. Essa arquitetura é baseada no modelo de referência AHAM para sistemas adaptativos AEHS, contemplando a quádrupla: espaço do conhecimento, modelo do usuário, observações e modelo de adaptação, referente à definição lógica desses sistemas. Na AdaptMLearning, foram desenvolvidos alguns algoritmos, utilizando-se o modelo FSLSM, relacionado aos estilos de aprendizagem de um estudante e o padrão IEEE 1484 para catalogação dos objetos de aprendizagem e uso de alguns atributos de suas categorias, associados às dimensões dos estilos de aprendizagem do modelo FSLSM. O algoritmo calcula um peso para um objeto catalogado em cada dimensão e permite uma busca pelo objeto mais adequado ao estilo do estudante, além de usar a computação fuzzy, para avaliar se o estudante pode sofrer mudanças no seu estilo, deve receber reforço ou necessita de um reestudo em determinado assunto de um curso, por meio de resultados obtidos com o tempo de estudo e desempenho. Também, este trabalho apresenta o desenvolvimento e a avaliação de um simulador para a arquitetura AdaptMLearning e seus algoritmos, realizada utilizando diversos cenários de simulação, envolvendo estudantes, cursos e tecnologias com diferentes configurações. Assim sendo, com base nos resultados obtidos por meio da avaliação, foi possível discutir, analisar e identificar o potencial de uso da AdaptMLearning e de seus algoritmos em uma situação real para elaboração de um ambiente de aprendizagem ou agregação a um ambiente existente. / Intelligent and Adaptive Learning Systems, subject of recent research in the world, are environments with specific architectures and algorithms, designed considering the individual characteristics of each student. The rapid development of wireless infrastructures and wide use of mobile devices in people\'s everyday life encourage research about the use of these devices in education, providing the mlearning. In the context of such research, this work proposes the AdaptMLearning architecture that was designed to be a learning infrastructure for mobile and nonmobile platforms. This architecture provides a selection of learning objects that takes into account as adaptation criteria the following data: the mobile device\'s technological specification; the student\'s learning style information, his/her performance and spent time associated to the student\'s interaction with the learning object; previously acquired knowledge by the student related to the course\'s content. In addition, it also allows the teacher to interfere in the adaptation criteria used during the study simulation, and allows the student to indicate his/her preferences for media types. This architecture is based on AHAM reference model for adaptive systems AEHS and uses the quadruple: the knowledge space, the user model, the observations and the model adaptation, referring to the logical definition of these systems. To implement the AdaptMLearning architecture some algorithms using the FSLSM model related to the student\'s learning styles were developed. The algorithms use the IEEE 1484 for cataloging learning objects and some of its categories and attributes associated with dimensions of learning styles FSLSM model, are used to compute a weight of an object in each dimension allowing a search of the most appropriate object according to the student\'s learning styles; and the use of fuzzy computing, considering that the student\'s learning style can change, determines if the student has to receive reinforcement or need a new study in a particular subject of a course, when the student gets unsatisfactory results in terms of timing and performance in a course\'s subject. Also, this work also presents the development and evaluation of a simulator for the AdaptMLearning architecture and their algorithms. The evaluation of the simulator was done by means of many simulations scenarios, considering students, courses and technologies with different settings. Based on the results obtained from the evaluation it was possible to discuss, analyze and identify the potential use of AdaptMLearning architecture and their algorithms in a real situation for developing a learning environment or its aggregation to an existing environment.