No description available.

Made available in DSpace on 2014-12-17T14:56:06Z (GMT). No. of bitstreams: 1 SinaraRM_DISSERT.pdf: 1037040 bytes, checksum: 9dd71f16b45358e60b8b82862adaafc6 (MD5) Previous issue date: 2012-08-15 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / This paper presents an evaluative study about the effects of using a machine learning technique on the main features of a self-organizing and multiobjective genetic algorithm (GA). A typical GA can be seen as a search technique which is usually applied in problems involving no polynomial complexity. Originally, these algorithms were designed to create methods that seek acceptable solutions to problems where the global optimum is inaccessible or difficult to obtain. At first, the GAs considered only one evaluation function and a single objective optimization. Today, however, implementations that consider several optimization objectives simultaneously (multiobjective algorithms) are common, besides allowing the change of many components of the algorithm dynamically (self-organizing algorithms). At the same time, they are also common combinations of GAs with machine learning techniques to improve some of its characteristics of performance and use. In this work, a GA with a machine learning technique was analyzed and applied in a antenna design. We used a variant of bicubic interpolation technique, called 2D Spline, as machine learning technique to estimate the behavior of a dynamic fitness function, based on the knowledge obtained from a set of laboratory experiments. This fitness function is also called evaluation function and, it is responsible for determining the fitness degree of a candidate solution (individual), in relation to others in the same population. The algorithm can be applied in many areas, including in the field of telecommunications, as projects of antennas and frequency selective surfaces. In this particular work, the presented algorithm was developed to optimize the design of a microstrip antenna, usually used in wireless communication systems for application in Ultra-Wideband (UWB). The algorithm allowed the optimization of two variables of geometry antenna - the length (Ls) and width (Ws) a slit in the ground plane with respect to three objectives: radiated signal bandwidth, return loss and central frequency deviation. These two dimensions (Ws and Ls) are used as variables in three different interpolation functions, one Spline for each optimization objective, to compose a multiobjective and aggregate fitness function. The final result proposed by the algorithm was compared with the simulation program result and the measured result of a physical prototype of the antenna built in the laboratory. In the present study, the algorithm was analyzed with respect to their success degree in relation to four important characteristics of a self-organizing multiobjective GA: performance, flexibility, scalability and accuracy. At the end of the study, it was observed a time increase in algorithm execution in comparison to a common GA, due to the time required for the machine learning process. On the plus side, we notice a sensitive gain with respect to flexibility and accuracy of results, and a prosperous path that indicates directions to the algorithm to allow the optimization problems with "η" variables / Este trabalho apresenta um estudo avaliativo dos efeitos da utiliza??o de uma t?cnica de aprendizado de m?quina nas caracter?sticas principais de um algoritmo gen?tico (GA) multiobjetivo e auto-organiz?vel. Um GA t?pico pode ser visto como uma t?cnica de busca que ? normalmente aplicada em problemas que envolvem complexidade n?o polinomial. Originalmente, estes algoritmos foram idealizados para criar m?todos que buscam solu??es aceit?veis para problemas em que os ?timos globais s?o inacess?veis ou s?o de dif?cil obten??o. A princ?pio, os GAs consideravam apenas uma fun??o de avalia??o e um ?nico objetivo de otimiza??o. Hoje, entretanto, s?o comuns as implementa??es que consideram diversos objetivos de otimiza??o simultaneamente (algoritmos multiobjetivos), al?m de permitir a altera??o de diversos componentes do algoritmo dinamicamente (algoritmos autoorganiz?veis). Ao mesmo tempo, s?o comuns tamb?m as combina??es dos GAs com t?cnicas de aprendizado de m?quina para melhorar algumas de suas caracter?sticas de desempenho e utiliza??o. Neste trabalho, um GA com recursos de aprendizado de m?quina foi analisado e aplicado em um projeto de antena. Utilizou-se uma t?cnica variante de interpola??o bic?bica, denominada Spline 2D, como t?cnica de aprendizado de m?quina para estimar o comportamento de uma fun??o de fitness din?mica, a partir do conhecimento obtido de um conjunto de experimentos realizados em laborat?rio. Esta fun??o de fitness ? tamb?m denominada de fun??o de avalia??o e ? respons?vel pela determina??o do grau de aptid?o de uma solu??o candidata (indiv?duo) em rela??o ?s demais de uma mesma popula??o. O algoritmo pode ser aplicado em diversas ?reas, inclusive no dom?nio das telecomunica??es, como nos projetos de antenas e de superf?cies seletivas de frequ?ncia. Neste trabalho em particular, o algoritmo apresentado foi desenvolvido para otimizar o projeto de uma antena de microfita, comumente utilizada em sistemas de comunica??o sem fio e projetada para aplica??o em sistemas de banda ultra larga (Ultra-Wideband - UWB). O algoritmo permitiu a otimiza??o de duas vari?veis da geometria da antena - o Comprimento (Ls) e a Largura (Ws) de uma fenda no plano de terra com rela??o a tr?s objetivos: largura de banda do sinal irradiado, perda de retorno e desvio da frequ?ncia central. As duas dimens?es (Ls e Ws) s?o usadas como vari?veis em tr?s distintas fun??es de interpola??o, sendo uma Spline para cada objetivo da otimiza??o, para compor uma fun??o de fitness agregada e multiobjetiva. O resultado final proposto pelo algoritmo foi comparado com o resultado obtido de um programa simulador e com o resultado medido de um prot?tipo f?sico da antena constru?da em laborat?rio. No estudo apresentado, o algoritmo foi analisado com rela??o ao seu grau de sucesso, no que diz respeito a quatro caracter?sticas importantes de um GA multiobjetivo auto-organiz?vel: desempenho, flexibilidade, escalabilidade e exatid?o. Ao final do estudo, observou-se na compila??o do algoritmo um aumento no tempo de execu??o em compara??o a um GA comum, por conta do tempo necess?rio para o processo de aprendizagem. Como ponto positivo, notou-te um ganho sens?vel com rela??o a flexibilidade e a exatid?o dos resultados apresentados, al?m de um caminho pr?spero que indica dire??es para permitir com que o algoritmo permita a otimiza??o de problemas com η vari?veis