Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2016-06-09T17:02:10Z No. of bitstreams: 2 Tese - Eduardo Noronha de Andrade Freitas - 2016.pdf: 1936673 bytes, checksum: 4336d187b0e552ae806ef83b9f695db0 (MD5) license_rdf: 19874 bytes, checksum: 38cb62ef53e6f513db2fb7e337df6485 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2016-06-10T11:14:00Z (GMT) No. of bitstreams: 2 Tese - Eduardo Noronha de Andrade Freitas - 2016.pdf: 1936673 bytes, checksum: 4336d187b0e552ae806ef83b9f695db0 (MD5) license_rdf: 19874 bytes, checksum: 38cb62ef53e6f513db2fb7e337df6485 (MD5) / Made available in DSpace on 2016-06-10T11:14:00Z (GMT). No. of bitstreams: 2 Tese - Eduardo Noronha de Andrade Freitas - 2016.pdf: 1936673 bytes, checksum: 4336d187b0e552ae806ef83b9f695db0 (MD5) license_rdf: 19874 bytes, checksum: 38cb62ef53e6f513db2fb7e337df6485 (MD5) Previous issue date: 2016-02-15 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG / The creation of a suite of unit testing is preceded by the selection of which components (code units) should be tested. This selection is a significant challenge, usually made based on the team member’s experience or guided by defect prediction or fault localization models. We modeled the selection of components for unit testing with limited resources as a multi-objective problem, addressing two different objectives: maximizing benefits and minimizing cost. To measure the benefit of a component, we made use of important metrics from static analysis (cost of future maintenance), dynamic analysis (risk of fault, and frequency of calls), and business value. We tackled gaps and challenges in the literature to formulate an effective method, the Selector of Software Components for Unit testing (SCOUT). SCOUT was structured in two stages: an automated extraction of all necessary data and a multi-objective optimization process. The Android platform was chosen to perform our experiments, and nine leading open-source applications were used as our subjects. SCOUT was compared with two of the most frequently used strategies in terms of efficacy.We also compared the effectiveness and efficiency of seven algorithms in solving a multi-objective component selection problem: random technique; constructivist heuristic; Gurobi, a commercial tool; genetic algorithm; SPEA_II; NSGA_II; and NSGA_III. The results indicate the benefits of using multi-objective evolutionary approaches such as NSGA_II and demonstrate that SCOUT has a significant potential to reduce market vulnerability. To the best of our knowledge, SCOUT is the first method to assist software testing managers in selecting components at the method level for the development of unit testing in an automated way based on a multi-objective approach, exploring static and dynamic metrics and business value. / (Sem resumo)

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-09-22T14:00:22Z No. of bitstreams: 2 Tese - Daywes Pinheiro Neto - 2017.pdf: 2567797 bytes, checksum: e19e41358dab14d4c81db95a21c6f3ce (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-09-22T14:01:46Z (GMT) No. of bitstreams: 2 Tese - Daywes Pinheiro Neto - 2017.pdf: 2567797 bytes, checksum: e19e41358dab14d4c81db95a21c6f3ce (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-09-22T14:01:46Z (GMT). No. of bitstreams: 2 Tese - Daywes Pinheiro Neto - 2017.pdf: 2567797 bytes, checksum: e19e41358dab14d4c81db95a21c6f3ce (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-08-31 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work presents a methodology for multiobjective optimization applied to risk analysis of investment in electricity generation from renewable sources. Analysis of hydro (large-scale and small-scale), wind, and photovoltaic energy is carried out considering the economic profile and demand of the investor. The methodology of risk analysis applies the Monte Carlo method to generate synthetic time series of the random variables. The investment analysis approaches are made for individual sources and also for different portfolios, using detailed modeling for the cash flow. The proposed mathematical modeling of multiobjective optimization takes into account aspects of commercialization, legislation, taxation, financing, and the investor's demand. The results provide information of the generation potential, statistical indicators of the Net Present Value and Modified Internal Rate of Return, as well as the Pareto frontiers. Thus, the investor can choose the best portfolio with hydro, wind and photovoltaic energy which satisfies their demand characteristics and their financial risk profile. Therefore, this work offers a valuable tool to support decision making and to contribute with the electric sector development. / Este trabalho apresenta metodologia para otimização multiobjetivo aplicada à análise de risco de investimento em geração de energia elétrica a partir de fontes renováveis. Realiza-se análise das fontes hidrelétrica (grande e pequeno porte), eólica e solar fotovoltaica, considerando o perfil econômico e a demanda do investidor. Para cada fonte, será apresentada metodologia de análise de risco que utiliza modelos econométricos, com a aplicação do método de Monte Carlo, para geração de séries sintéticas das variáveis aleatórias. São apresentadas abordagens de análise de investimento considerando as fontes separadamente e também a formação de portfólios, utilizando detalhada modelagem para o fluxo de caixa. É proposta modelagem matemática de otimização multiobjetivo que considera os aspectos de comercialização no Ambiente de Contratação Livre e no Ambiente de Contratação Regulado, a legislação pertinente ao setor elétrico e o atendimento à demanda do projeto. Os resultados fornecem informações do potencial de geração, indicadores estatísticos das distribuições de probabilidade do Valor Presente Líquido, da Taxa Interna de Retorno Modificada e do Payback Descontado, e também fronteiras de Pareto com as soluções ótimas para investimento, onde o investidor poderá optar pela melhor carteira de investimento, composta por usinas PCH, eólica e solar fotovoltaica, que satisfaz suas características de demanda e seu perfil de risco financeiro. Portanto, este trabalho oferece ferramenta de apoio à tomada de decisão que visa contribuir para o desenvolvimento do setor elétrico.

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-05-23T11:37:07Z No. of bitstreams: 2 Dissertação - Heber Valdo Nogueira - 2017.pdf: 1812540 bytes, checksum: 14c0f7496303095925cd3ae974fd4b7b (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-05-23T11:37:50Z (GMT) No. of bitstreams: 2 Dissertação - Heber Valdo Nogueira - 2017.pdf: 1812540 bytes, checksum: 14c0f7496303095925cd3ae974fd4b7b (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-05-23T11:37:51Z (GMT). No. of bitstreams: 2 Dissertação - Heber Valdo Nogueira - 2017.pdf: 1812540 bytes, checksum: 14c0f7496303095925cd3ae974fd4b7b (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-04-20 / The features selection problem consists in to select a subset of attributes that is able to reduce computational processing and storage resources, decrease curse of dimensionality effects and improve the performance of predictive models. Among the strategies used to solve this type of problem, we highlight evolutionary algorithms, such as the Genetic Algorithm. Despite the relative success of the Genetic Algorithm in solving various types of problems, different improvements have been proposed in order to improve their performance. Such improvements focus mainly on population representation, search mechanisms, and evaluation methods. In one of these proposals, the Genetic Compact Algorithm (CGA) arose, which proposes new ways of representing the population and guide the search for better solutions. Applying this type of strategy to solve the problem of variable selection often involves overfitting. In this context, this work proposes the implementation of a version of the Compact Genetic Algorithm to minimize more than one objective simultaneously. Such algorithm makes use of the concept of Pareto dominance and, therefore, is called Genetic Algorithm Compacted with Dominance (CGAD). As a case study, to evaluate the performance of the proposed algorithm, AGC-D is combined with Multiple Linear Regression (MLR) to select variables to better predict protein concentration in wheat samples. The proposed algorithm is compared to CGA and the Mutation-based Compact Genetic Algorithm. The results indicate that the CGAD is able to select a small set of variables, reducing the prediction error of the calibration model, reducing the possibility of overfitting. / O problema de seleção de variáveis consiste em selecionar um subconjunto de atributos que seja capaz reduzir os recursos computacionais de processamento e armazenamento, diminuir os efeitos da maldição da dimensionalidade e melhorar a performance de modelos de predição. Dentre as estratégias utilizadas para solucionar esse tipo de problema, destacam-se os algoritmos evolutivos, como o Algoritmo Genético. Apesar do relativo sucesso do Algoritmo Genético na solução de variados tipos de problemas, diferentes propostas de melhoria têm sido apresentadas no sentido de aprimorar seu desempenho. Tais melhorias focam, sobretudo, na representação da população, nos mecanismos de busca e nos métodos de avaliação. Em uma dessas propostas, surgiu o Algoritmo Genético Compacto (AGC), que propõe novas formas de representar a população e de conduzir a busca por melhores soluções. A aplicação desse tipo de estratégia para solucionar o problema de seleção de variáveis, muitas vezes implica no overfitting. Diversas pesquisas na área têm indicado a abordagem multiobjetivo pode ser capaz de mitigar esse tipo de problema. Nesse contexto, este trabalho propõe a implementação de uma versão do Algoritmo Genético Compacto capaz de minimizar mais de um objetivo simultaneamente. Tal algoritmo faz uso do conceito de dominância de Pareto e, por isso, é chamado de Algoritmo Genético Compacto com Dominância (AGC-D). Como estudo de caso, para avaliar o desempenho dos algoritmos propostos, o AGC-D é combinado com a Regressão Linear Múltipla (RLM) com o objetivo de selecionar variáveis para melhor predizer a concentração de proteína em amostras de trigo. O algoritmo proposto é comparado ao AGC e ao AGC com operador de mutação. Os resultados obtidos indicam que o AGC-D é capaz de selecionar um pequeno conjunto de variáveis, reduzindo o erro de predição do modelo de calibração e minimizando a possibilidade de overfitting.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-10T18:30:25Z No. of bitstreams: 1 anaameliadesouzapereira.pdf: 7981340 bytes, checksum: 0446c7b651ada497c790051f8b213d35 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-13T19:24:03Z (GMT) No. of bitstreams: 1 anaameliadesouzapereira.pdf: 7981340 bytes, checksum: 0446c7b651ada497c790051f8b213d35 (MD5) / Made available in DSpace on 2017-03-13T19:24:03Z (GMT). No. of bitstreams: 1 anaameliadesouzapereira.pdf: 7981340 bytes, checksum: 0446c7b651ada497c790051f8b213d35 (MD5) Previous issue date: 2016-09-26 / O sequenciamento da produção é um processo importante de tomada de decisão usado nas indústrias a fim de alocar tarefas aos recursos. Dada a relevância desse tipo de problema, a pesquisa em programação da produção faz-se necessária. Este trabalho envolve o processo de otimização nos seguintes problemas: máquina única, máquinas paralelas idênticas, máquinas paralelas idênticas com release time, máquinas paralelas não relacionadas com setup time dependente da sequência e das máquinas, e flow shop flexível com setup time dependente da sequência e dos estágios. Além disso, múltiplos e conflitantes objetivos devem ser otimizados ao mesmo tempo na programação de produção, e a literatura vem mostrando avanço nesse sentido. O presente trabalho analisa os objetivos comumente adotados e propõe um conjunto de pares de objetivos. Análise de correlação e árvore de agregação são utilizadas aqui para indicar as possibilidades de agregação entre os objetivos conflitantes. Meta-heurísticas são comumente adotadas para resolver os problemas de escalonamento abordados neste trabalho e duas delas, o Non-dominated Sorting Genetic Algorithm II (NSGA-II) e a Presa Predador (PP), são aplicados aos problemas multiobjetivo propostos a fim de estudar suas adequações aos novos casos. O NSGA-II é um dos Algoritmos Genéticos mais utilizados em problemas de escalonamento. A PP é uma abordagem evolutiva recente para problemas de programação da produção, cada predador é responsável por tratar um único objetivo. Uma generalização para a técnica PP em que os predadores consideram de forma ponderada ambos os objetivos é também proposta. Adicionalmente, a influência da adoção de busca local sobre essas técnicas é analisada. Experimentos computacionais adotando hipervolume como métrica de desempenho foram conduzidos visando avaliar as técnicas computacionais consideradas neste trabalho e suas variantes. / The sequencing of the production is an important process in decision-making and it is used in industries in order to allocate tasks to resources. Given the relevance of this kind of problem, the research in production scheduling is necessary. This study involves the process of optimization in the following problems: single machines, parallel identical machines, parallel identical machines with release time, unrelated parallel machines with setup time dependent on the sequence and on the machines, and flow shop which is flexible with setup time dependent on the sequence and stages. Moreover, multiple and conflicting objectives must be optimized at the same time in production scheduling and the literature has been showing progress in this sense. The present study analyses the commonly adopted objectives and suggests a set of objective pairs. Correlation analysis and aggregation trees are used here to indicate possibilities of aggregation among the conflicting objectives. Metaheuristics are commonly used to solve the sequencing problems addressed in this study and two of them, the Non-dominated Sorting Genetic Algorithm II (NSGA-II) and Predator-Prey(PP), are applied to the proposed multiobjective problems in order to study their adjustments to the new cases. The NSGA-II is one of the most used genetic algorithms in sequencing problems. The PP is a recent evolutionary approach to scheduling problems, where each Predator is responsible for dealing with just one objective. A generalization of the PP technique, in which Predators considered both objectives using weights, is also proposed. In addition, the influence of the adoption of local search on these techniques is analyzed. Computational experiments adopting the hypervolume as a performance measure were conducted aiming at evaluating the computational techniques considered in this study and their variants.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-04-19T15:28:50Z No. of bitstreams: 1 igorlucasdesouzarusso.pdf: 2265113 bytes, checksum: 0eb7e55f7354359d8fb9419e6e6da17f (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-04-20T12:28:17Z (GMT) No. of bitstreams: 1 igorlucasdesouzarusso.pdf: 2265113 bytes, checksum: 0eb7e55f7354359d8fb9419e6e6da17f (MD5) / Made available in DSpace on 2017-04-20T12:28:17Z (GMT). No. of bitstreams: 1 igorlucasdesouzarusso.pdf: 2265113 bytes, checksum: 0eb7e55f7354359d8fb9419e6e6da17f (MD5) Previous issue date: 2017-01-26 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A área de Otimização envolve o estudo e emprego de métodos para determinação dos parâmetros que levam à obtenção de soluções ótimas, de acordo com critérios denominados objetivos. Um problema é classificado como multiobjetivo quando apresenta objetivos múltiplos e conflitantes, que devem ser otimizados simultaneamente. Recentemente tem crescido o interesse dos pesquisadores pela análise de pós-otimalidade, que consiste na busca por propriedades intrínsecas às soluções ótimas de problemas de otimização e que podem lançar uma nova luz à compreensão dos mesmos. Innovization (inovação através de otimização, do inglês innovation through optmization) é um processo de descoberta de conhecimento a partir de problemas de otimização na forma de relações matemáticas entre variáveis, objetivos, restrições e parâmetros. Dentre as técnicas de busca que podem ser utilizadas neste processo está a Programação Genética (PG), uma meta heurística bioinspirada capaz de evoluir programas de forma automatizada. Além de numericamente válidos, os modelos encontrados devem utilizar corretamente as variáveis de decisão em relação às unidades envolvidas, de forma a apresentar significado físico coerente. Neste trabalho é proposta uma alternativa para tratamento das unidades através de operações protegidas que ignoram os termos inválidos. Além disso, propõe-se aqui uma estratégia para evitar a obtenção de soluções triviais que não agregam conhecimento sobre o problema. Visando aumentar a diversidade dos modelos obtidos, propõe-se também a utilização de um arquivo externo para armazenar as soluções de interesse ao longo da busca. Experimentos computacionais são apresentados utilizando cinco estudos de caso em engenharia para verificar a influência das ideias propostas. Os problemas tratados aqui envolvem os projetos de: uma treliça de 2 barras, uma viga soldada, do corte de uma peça metálica, de engrenagens compostas e de uma treliça de 10 barras, sendo este último ainda não explorado na literatura de descoberta de conhecimento. Finalmente, o conhecimento inferido no estudo de caso da estrutura de 10 barras é utilizado para reduzir a dimensionalidade do problema. / The area of optimization involves the study and the use of methods to determine the parameters that lead to optimal solutions, according to criteria called objectives. A problem is classified as multiobjective when it presents multiple and conflicting objectives which must be simultaneously optimized. Recently, the interest of the researchers has grown in the analysis of post-optimality, which consists in the search for intrinsic properties of the optimal solutions of optimization problems. This can shed a new light on the understanding of the optimization problems. Innovization (from innovation through optimization) is a process of knowledge discovery from optimization problems in the form of mathematical relationships between variables, objectives, constraints, and parameters. Genetic Programming (GP), a search technique that can be used in this process, is a bio-inspired metaheuristic capable of evolving programs automatically. In addition to be numerically valid, the models found must correctly use the decision variables with respect to the units involved, in order to present coherent physical meaning. In this work, a method is proposed to handle the units through protected operations which ignore invalid terms. Also, a strategy is proposed here to avoid trivial solutions that do not add knowledge about the problem. In order to increase the diversity of the models obtained, it is also proposed the use of an external file to store the solutions of interest found during the search. Computational experiments are presented using five case studies in engineering to verify the influence of the proposed ideas. The problems dealt with here are the designs of: a 2-bar truss, a welded beam, the cutting of a metal part, composite gears, and a 10-bar truss. The latter was not previously explored in the knowledge discovery literature. Finally, the inferred knowledge in the case study of the 10-bar truss structure is used to reduce the dimensionality of that problem.

Orientadores: Akebo Yamakami, Fabricio Oliveira de França / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-21T20:23:34Z (GMT). No. of bitstreams: 1 Rampazzo_PriscilaCristinaBerbert_D.pdf: 3129429 bytes, checksum: 7249077a4a6738637b25e26cc8b8c0d6 (MD5) Previous issue date: 2012 / Resumo: O Planejamento da Operação de Sistemas Hidrelétricos é um problema de otimização de grande porte, dinâmico, estocástico, interconectado e não-linear. Várias funções objetivo podem ser utilizadas na representação dos diferentes aspectos do problema. Neste trabalho foram propostas quatro abordagens para a resolução e estudo do problema. As propostas são baseadas em duas Metaheurísticas Evolutivas - Algoritmos Genéticos e Evolução Diferencial - e consideram o problema com as formulações Monobjetivo e Multiobjetivo. Os métodos trabalham simultaneamente com um conjunto de soluções, realizando exploração e explotação do espaço de busca. Com foco principal na Otimização Multiobjetivo, o intuito é encontrar um conjunto de soluções, obtidas em uma única rodada do algoritmo, que possam agregar explicitamente os diferentes critérios do problema. Os algoritmos propostos foram aplicados em vários testes com usinas pertencentes ao Sistema Hidrelétrico Brasileiro. Os resultados obtidos indicam que as abordagens propostas podem ser efetivamente aplicadas ao problema de Planejamento Hidrelétrico, fornecendo soluções alternativas e eficientes. Este trabalho é uma contribuição tanto para o Problema de Planejamento Hidrelétrico, com a proposição de métodos de resolução que permitem a análise de vários aspectos do problema, quanto para a Computação Evolutiva, com a aplicação das técnicas em um problema importante e real / Abstract: The Operation Planning of Hydroelectric Systems is a large, dynamic, stochastic, interconnected and nonlinear optimization problem. Several objective functions can be used in the representation of different aspects of the problem. In this work we proposed four approaches for the study and resolution of the problem. The proposals are based on two Evolutionary Metaheuristics - Genetic Algorithms and Differential Evolution - and consider the problem with single and multiobjective formulations. The methods work simultaneously with a set of solutions in order to perform exploration and exploitation of the search space. With main focus on Multiobjective Optimization, the intent is to find a set of solutions, obtained in a single round of the algorithm, which can explicitly add the different criteria of the problem. The proposed algorithms were applied to several tests with plants belonging to the Brazilian Hydropower System. The achieved results indicate that the proposed approaches can be effectively applied to the Hydropower Planning, providing efficient and alternative solutions. This work is a contribution so much to the Problem of Hydropower Planning, with the proposition of resolution methods that allow the analysis of various aspects of the problem, as for the Evolutionary Computation, with the application of the techniques in a real and important problem / Doutorado / Automação / Doutor em Engenharia Elétrica

De nombreux problèmes de décision issus du monde réel sont de nature NP-difficile. Il est également fréquent que de tels problèmes rassemblent plusieurs objectifs à optimiser simultanément, généralement contradictoires entre eux. Pour aborder cette classe de problèmes, les métaheuristiques multiobjectifs fournissent des outils particulièrement efficaces. Par ailleurs, pour traiter des problèmes de transport, l'élaboration de modèles permettant de caractériser l’évolution spatio-temporelle d’une population est un élément essentiel. Dans le cadre de ces travaux, nous nous intéressons à la chaine complète qui permet de guider une décision dans le domaine de l'aménagement du territoire et du transport. Nous considérons ainsi les deux principales phases impliquées dans le processus de décision : la modélisation des déplacements de la population d'une part, et l'élaboration d'une métaheuristique hybride pour résoudre des problèmes d'optimisation multiobjectif d'autre part. Afin de modéliser l’évolution de la présence de personnes sur un territoire, nous proposons dans cette thèse un nouveau modèle de mobilité. L'originalité de ce travail réside dans l'utilisation de données nouvelles issues de la téléphonie mobile, ainsi que dans l'exploitation d'informations géographiques et socio-économiques pour caractériser le pouvoir d'attraction du territoire. Nous proposons par ailleurs une heuristique pour résoudre des problèmes multiobjectifs. L’étude de l'influence de différents opérateurs sur la construction de l'ensemble Pareto, nous a amené à concevoir une heuristique hybride de type mémétique, qui se révèle être significativement plus efficace que des approches de référence. Les deux principales phases, modélisation et optimisation, ont été expérimentées et validées dans un contexte réel. Elles ont donné lieu au développement d’une plate-forme logicielle d’aide à la décision utilisée notamment pour proposer des emplacements de stations pour un service d'auto-partage électrique. / Many decision-making problems in the real world are NP-hard. These problems commonly feature several mutually-contradictory objectives to be optimized simultaneously. Multiobjective metaheuristics provide particularly effective means of addressing this class of problems. Moreover, for transportation problems, the development of models able to evaluate the spatiotemporal evolution of a population is essential. In our research, we are interested in the complete chain guiding a decision in the fields of transportation and territory planning. We consider the two main phases involved in the decision-making process: building a population mobility model and developing a hybrid metaheuristic to solve multiobjective optimization problems. In order to compute the evolution of population presence on a territory, in this thesis we propose a new mobility model; its originality lies in employing new data from mobile phone networks as well as geographic and socio-economic information to indicate the attractiveness of the territory. We have also developed a heuristic to solve multiobjective problems: following the study of the influence of several operators on the Pareto front, we have designed a hybrid memetic heuristic that is significantly more effective than reference approaches. The two main phases of modelling and optimizing have been tested and validated in a real context, allowing us to develop a decision-making software platform that can be used to provide station locations for an electric car-sharing service.

Cette thèse a pour objectif l"établissement de méthodes numériques pour l'optimisation multi-objectif de structures soumises à des facteurs incertains. Au cœur de ce travail, nous nous sommes focalisés sur l'adaptation du chaos polynomial pour l'évaluation non intrusive de la part de l'incertain. Pour atteindre l'objectif fixé, nous sommes confrontés à deux verrous : l'un concerne les coûts élevés de calcul d'une simulation unitaire par éléments finis, l'autre sa précision limitée. Afin de limiter la charge de calcul pour la construction du chaos polynomial, nous nous sommes concentrés sur la construction d'un chaos polynomial creux. Nous avons également développé un programme d’échantillonnage basé sur l’hypercube latin personnalisé prenant en compte la précision limitée de la simulation. Du point de vue de la modélisation nous avons proposé une approche multi-fidèle impliquant une hiérarchie de modèles allant des simulations par éléments finis complètes jusqu'aux surfaces de réponses en passant par la réduction de modèles basés sur la physique. Enfin, nous avons étudié l'optimisation multi-objectif de structures sous incertitudes. Nous avons étendu le modèle PCE des fonctions objectif à la prise en compte des variables déterministes de conception. Nous avons illustré notre travail sur des exemples d'emboutissage et sur la conception optimale des structures en treillis. / This thesis aims at Multi-Objective Optimization under Uncertainty in structural design. We investigate Polynomial Chaos Expansion (PCE) surrogates which require extensive training sets. We then face two issues: high computational costs of an individual Finite Element simulation and its limited precision. From numerical point of view and in order to limit the computational expense of the PCE construction we particularly focus on sparse PCE schemes. We also develop a custom Latin Hypercube Sampling scheme taking into account the finite precision of the simulation. From the modeling point of view,we propose a multifidelity approach involving a hierarchy of models ranging from full scale simulations through reduced order physics up to response surfaces. Finally, we investigate multiobjective optimization of structures under uncertainty. We extend the PCE model of design objectives by taking into account the design variables. We illustrate our work with examples in sheet metal forming and optimal design of truss structures.

Problemas com múltiplos objetivos são muito frequentes nas áreas de Otimização, Economia, Finanças, Transportes, Engenharia e várias outras. Como os objetivos são, geralmente, conflitantes, faz-se necessário o uso de técnicas apropriadas para obter boas soluções. A área que trata de problemas deste tipo é chamada de Otimização Multiobjetivo. Neste trabalho, estudamos os problemas dessa área e alguns dos métodos existentes para resolvê-los. Primeiramente, alguns conceitos relacionados ao conjunto de soluções são definidos, como o de eficiência, no intuito de entender o que seria a melhor solução para este tipo de problema. Em seguida, apresentamos algumas condições de otimalidade de primeira ordem, incluindo as do tipo Fritz John para problemas de Otimização Multiobjetivo. Discutimos ainda sobre algumas condições de regularidade e total regularidade, as quais desempenham o mesmo papel das condições de qualificação em Programação Não-Linear, propiciando a estrita positividade dos multiplicadores de Lagrange associados às funções objetivo. Posteriormente, alguns dos métodos existentes para resolver problemas de Otimização Multiobjetivo são descritos e comparados entre si. Ao final, aplicamos a teoria e métodos de Otimização Multiobjetivo nas áreas de Compressed Sensing e Otimização de Portfolio. Exibimos então testes computacionais realizados com alguns dos métodos discutidos envolvendo problemas de Otimização de Portfolio e fazemos uma análise dos resultados. / Problems with multiple objectives are very frequent in areas such as Optimization, Economy, Finance, Transportation, Engineering and many others. Since the objectives are usually conflicting, there is a need for appropriate techniques to obtain good solutions. The area that deals with problems of this type is called Multiobjective Optimization. The aim of this work is to study the problems of such area and some of the methods available to solve them. Firstly, some basic concepts related to the feasible set are defined, for instance, efficiency, in order to comprehend which solution could be the best for this kind of problem. Secondly, we present some first-order optimality conditions, including the Fritz John ones for Multiobjective Optimization. We also discuss about regularity and total regularity conditions, which play the same role in Nonlinear Multiobjective Optimization as the constraint qualifications in Nonlinear Programming, providing the strict positivity of the Lagrange multipliers associated to the objective functions. Afterwards, some of the existing methods to solve Multiobjective Optimization problems are described and compared with each other. At last, the theory and methods of Multiobjective Optimization are applied into the fields of Compressed Sensing and Portfolio Optimization. We, then, show computational tests performed with some of the methods discussed involving Portfolio Optimization problems and we present an analysis of the results.

The aim of this diploma thesis is to survey the area of multiobjective genetic algorithms and cartesian genetic programming. In detail the NSGAII algorithm and integration of multiobjective optimalization into cartesian genetic programming are described. The method of multiobjective CGP was tested on selected problems from the area of digital circuit design.