O objetivo desta dissertação foi a implementação de uma plataforma de otimização por Programação Genética (PG) com o intuito de estudar e caracterizar as propriedades estatísticas de uma grande classe de problemas. Esta implementação foi feita através de programas escritos em LISP, executados num {\\it cluster} de computadores com o sistema operacional Linux. A plataforma foi usada para estudar uma versão do {\\it Jogo da Minoria} (JM) onde seus jogadores utilizam redes neurais para a realização de suas escolhas. Os jogadores foram divididos em dois grupos distintos. O primeiro formado por jogadores que apresentam estratégias estáticas e portanto não adquirem aprendizado. O segundo grupo é formado por jogadores que utilizam um algoritmo de aprendizado para alterar suas estratégias de identificação da minoria. Mostramos que, em determinadas condições, estes jogadores adaptativos conseguem identificar padrões nas escolhas dos jogadores não-adaptativos e assim optam pela decisão da minoria. Porém a eficiência nesta identificação depende do algoritmo de aprendizado utilizado. O algoritmo de aprendizado gerado pela PG se apresentou mais eficiente que outros algoritmos analisados, como, por exemplo, o algoritmo hebbiano. Esta eficiência é caracterizada por uma emergência espontânea de coordenação entre estes jogadores e que lhes proporcionam um melhor desempenho médio por jogador. / The aim of this work is to describe an optimization platform through Genetic Programming in order to study and characterize the statistical property of a wide class of problems. This implementation was written in LISP and executed in a cluster of computers running the Linux operational system. The platform was used to study a version of the Minority Game where the players used neural networks to make their choices. The players were divided into two distinct groups. The first group was made up of players that had quenched strategies and therefore could not learn. The second group had players that used learning algorithms to change their strategies for minority identification. We showed that, under some conditions, the adaptatives players are able to identify patterns in the choices of the non-adaptatives players and can thus benefit by choosing the minority decision. The efficiency in this identification depends on the learning algorithm. The algorithm generated by Genetic Programming is more efficiency than the others algorithms analysed such as hebbian perceptron learning. This efficiency is characterized by a spontaneous emergence of coordination between this players, which permits earning higher scores than average.

O objetivo desta dissertação foi a implementação de uma plataforma de otimização por Programação Genética (PG) com o intuito de estudar e caracterizar as propriedades estatísticas de uma grande classe de problemas. Esta implementação foi feita através de programas escritos em LISP, executados num {\\it cluster} de computadores com o sistema operacional Linux. A plataforma foi usada para estudar uma versão do {\\it Jogo da Minoria} (JM) onde seus jogadores utilizam redes neurais para a realização de suas escolhas. Os jogadores foram divididos em dois grupos distintos. O primeiro formado por jogadores que apresentam estratégias estáticas e portanto não adquirem aprendizado. O segundo grupo é formado por jogadores que utilizam um algoritmo de aprendizado para alterar suas estratégias de identificação da minoria. Mostramos que, em determinadas condições, estes jogadores adaptativos conseguem identificar padrões nas escolhas dos jogadores não-adaptativos e assim optam pela decisão da minoria. Porém a eficiência nesta identificação depende do algoritmo de aprendizado utilizado. O algoritmo de aprendizado gerado pela PG se apresentou mais eficiente que outros algoritmos analisados, como, por exemplo, o algoritmo hebbiano. Esta eficiência é caracterizada por uma emergência espontânea de coordenação entre estes jogadores e que lhes proporcionam um melhor desempenho médio por jogador. / The aim of this work is to describe an optimization platform through Genetic Programming in order to study and characterize the statistical property of a wide class of problems. This implementation was written in LISP and executed in a cluster of computers running the Linux operational system. The platform was used to study a version of the Minority Game where the players used neural networks to make their choices. The players were divided into two distinct groups. The first group was made up of players that had quenched strategies and therefore could not learn. The second group had players that used learning algorithms to change their strategies for minority identification. We showed that, under some conditions, the adaptatives players are able to identify patterns in the choices of the non-adaptatives players and can thus benefit by choosing the minority decision. The efficiency in this identification depends on the learning algorithm. The algorithm generated by Genetic Programming is more efficiency than the others algorithms analysed such as hebbian perceptron learning. This efficiency is characterized by a spontaneous emergence of coordination between this players, which permits earning higher scores than average.