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.

Em um ambiente de computação em nuvem, as empresas têm a capacidade de alocar recursos de acordo com a demanda. No entanto, há um atraso que pode levar alguns minutos entre o pedido de um novo recurso e o mesmo estar pronto para uso. Por esse motivo, as técnicas reativas, que solicitam um novo recurso apenas quando o sistema atinge um determinado limiar de carga, não são adequadas para o processo de alocação de recursos. Para resolver esse problema, é necessário prever as requisições que chegam ao sistema, no próximo período de tempo, para alocar os recursos necessários antes que o sistema fique sobrecarregado. Existem vários modelos de previsão de séries temporais para calcular as previsões de carga de trabalho com base no histórico de dados de monitoramento. No entanto, é difícil saber qual é o melhor modelo de previsão a ser utilizado em cada caso. A tarefa se torna ainda mais complicada quando o usuário não tem muitos dados históricos a serem analisados. A maioria dos trabalhos relacionados, considera apenas modelos de previsão isolados para avaliar os resultados. Outros trabalhos propõem uma abordagem que seleciona modelos de previsão adequados para um determinado contexto. Mas, neste caso, é necessário ter uma quantidade significativa de dados para treinar o classificador. Além disso, a melhor solução pode não ser um modelo específico, mas sim uma combinação de modelos. Neste trabalho propomos um método de previsão adaptativo, usando técnicas de otimização multiobjetivo, para combinar modelos de previsão de séries temporais. O nosso método não requer uma fase prévia de treinamento, uma vez que se adapta constantemente a medida em que os dados chegam ao sistema. Para avaliar a nossa proposta usamos quatro logs extraídos de servidores reais. Os resultados mostram que a nossa proposta frequentemente converge para o melhor resultado, e é suficientemente genérica para se adaptar a diferentes tipos de séries temporais. / In a cloud computing environment, companies have the ability to allocate resources according to demand. However, there is a delay that may take minutes between the request for a new resource and it is ready for using. The reactive techniques, which request a new resource only when the system reaches a certain load threshold, are not suitable for the resource allocation process. To address this problem, it is necessary to predict requests that arrive at the system in the next period of time to allocate the necessary resources, before the system becomes overloaded. There are several time-series forecasting models to calculate the workload predictions based on history of monitoring data. However, it is difficult to know which is the best time series forecasting model to be used in each case. The work becomes even more complicated when the user does not have much historical data to be analyzed. Most related work considers only single methods to evaluate the results of the forecast. Other work propose an approach that selects suitable forecasting methods for a given context. But in this case, it is necessary to have a significant amount of data to train the classifier. Moreover, the best solution may not be a specific model, but rather a combination of models. In this work we propose an adaptive prediction method using multi-objective optimization techniques to combine time-series forecasting models. Our method does not require a previous phase of training, because it constantly adapts the extent to which the data is coming. To evaluate our proposal we use four logs extracted from real servers. The results show that our proposal often brings the best result, and is generic enough to adapt to various types of time series.

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

A predição de estruturas de proteínas (Protein Structure Prediction PSP) é um problema computacionalmente complexo. Para tratar esse problema, modelos simplificados de proteínas, como o Modelo HP, têm sido empregados para representar as conformações e Algoritmos Evolutivos (AEs) são utilizados na busca por soluções adequadas para PSP. Entretanto, abordagens utilizando AEs muitas vezes não tratam adequadamente as soluções geradas, prejudicando o desempenho da busca. Neste trabalho, é apresentada uma formulação multiobjetivo para PSP em Modelo HP, de modo a avaliar de forma mais robusta as conformações produzidas combinando uma avaliação baseada no número de contatos hidrofóbicos com a distância entre os monômeros. Foi adotado o Algoritmo Evolutivo Multiobjetivo em Tabelas (AEMT) a fim de otimizar essas métricas. O algoritmo pode adequadamente explorar o espaço de busca com pequeno número de indivíduos. Como consequência, o total de avaliações da função objetivo é significativamente reduzido, gerando um método para PSP utilizando Modelo HP mais rápido e robusto / Protein Structure Prediction (PSP) is a computationally complex problem. To overcome this drawback, simplified models of protein structures, such as the HP Model, together with Evolutionary Algorithms (EAs) have been investigated in order to find appropriate solutions for PSP. EAs with the HP Model have shown interesting results, however, they do not adequately evaluate potential solutions by using only the usual metric of hydrophobic contacts, hamming the performance of the algorithm. In this work, we present a multi-objective approach for PSP using HP Model that performs a better evaluation of the solutions by combining the evaluation based on the number of hydrophobic contacts with the distance among the hydrophobic amino acids. We employ a Multi-objective Evolutionary Algorithm based on Sub-population Tables (MEAT) to deal with these two metrics. MEAT can adequately explore the search space with relatively low number of individuals. As a consequence, the total assessments of the objective function is significantly reduced generating a method for PSP using HP Model that is faster and more robust

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.

O objetivo do presente trabalho é a investigação e o desenvolvimento de estratégias de otimização contínua e discreta para problemas de Fluxo de Potência Ótimo (FPO), onde existe a necessidade de se considerar as variáveis de controle associadas aos taps de transformadores em-fase e chaveamentos de bancos de capacitores e reatores shunt como variáveis discretas e existe a necessidade da limitação, e/ou até mesmo a minimização do número de ações de controle. Neste trabalho, o problema de FPO será abordado por meio de três estratégias. Na primeira proposta, o problema de FPO é modelado como um problema de Programação Não Linear com Variáveis Contínuas e Discretas (PNLCD) para a minimização de perdas ativas na transmissão; são propostas três abordagens utilizando funções de discretização para o tratamento das variáveis discretas. Na segunda proposta, considera-se que o problema de FPO, com os taps de transformadores discretos e bancos de capacitores e reatores shunts fixos, possui uma limitação no número de ações de controles; variáveis binárias associadas ao número de ações de controles são tratadas por uma função quadrática. Na terceira proposta, o problema de FPO é modelado como um problema de Otimização Multiobjetivo. O método da soma ponderada e o método &#949-restrito são utilizados para modificar os problemas multiobjetivos propostos em problemas mono-objetivos. As variáveis binárias associadas às ações de controles são tratadas por duas funções, uma sigmoidal e uma polinomial. Para verificar a eficácia e a robustez dos modelos e algoritmos desenvolvidos serão realizados testes com os sistemas elétricos IEEE de 14, 30, 57, 118 e 300 barras. Todos os algoritmos e modelos foram implementados em General Algebraic Modeling System (GAMS) e os solvers CONOPT, IPOPT, KNITRO e DICOPT foram utilizados na resolução dos problemas. Os resultados obtidos confirmam que as estratégias de discretização são eficientes e as propostas de modelagem para variáveis binárias permitem encontrar soluções factíveis para os problemas envolvendo as ações de controles enquanto os solvers DICOPT e KNITRO utilizados para modelar variáveis binárias não encontram soluções. / The aims of this study are the investigation and the development of continuous and discrete optimization strategies to Optimal Power Flow (OPF) problems, where the control variables are the tap ratios of on-load tap changing (OLTC) transformers and shunt susceptances of switchable capacitors and reactors banks. These controls are discrete variables and a need for the limitation and/or even the minimization of the number of control adjustments is required. In this work, three strategies for solving the OPF problem have been deviced. In the first strategy, the OPF problem is modeled as a nonlinear programming problem with continuous and discrete variables for active power losses minimization; Three approaches using discretization functions for handling discrete variables have been investigated. In the second proposal, the OPF problem with discrete OLTC transformers and continuous shunt susceptances of switchable capacitors and reactors banks has a limitation on the number of control adjustments; binary variables associated with control adjustments are handled by a quadratic function. In the third proposal, the OPF problem is modeled as a multiobjective optimization problem. The weighting method and the &#949-constraint method are used to modify the proposed multiobjective problems onto single-objective problems. The binary variables associated with the controls are handled by sigmoidal and polynomial functions. The efficiency and robustness of the models and algorithms are shown for IEEE benchmark test-systems with up to 300 buses. All algorithms and models were implemented in GAMS modeling language and the results are obtained by means of CONOPT, IPOPT, KNITRO and DICOPT solvers. The results confirm that the discretization strategies are efficient and the proposed modeling for binary variables allows finding feasible solutions to problems involving the of controls while DICOPT and KNITRO solvers used to handle binary variables fail to find solutions.

Um tema pouco estudado na literatura, mas frequentemente encontrado por empresas prestadoras de serviço, é o Problema de Escalonamento de Técnicos de Campos (Field Technician Scheduling Problem). O problema consiste em associar um número de tarefas - em diversos locais, com diferentes prioridades e com janelas de tempo - a uma quantidade de técnicos - com diferentes horários de expediente e com habilidades distintas - que saem no início do horário de trabalho da sede da empresa, para onde devem retornar antes do fim do expediente. Cada tarefa é atendida por um único técnico. Esse problema é estudado neste trabalho. A primeira parte do trabalho apresenta um modelo de programação linear inteira mista (PLIM) e, dada a complexidade do problema, heurísticas construtivas e meta-heurísticas foram desenvolvidas. Na função objetivo, procura-se principalmente maximizar o número ponderado de tarefas executadas em um dia de trabalho, de acordo com as suas prioridades. Em linhas gerais, as heurísticas construtivas ordenam as tarefas de acordo com um critério pré-estabelecido e, em seguida, designam cada uma a um dos técnicos capazes de realiza-la sem violar as restrições do problema. Tendo em conta o bom desempenho obtido em outros problemas semelhantes, foi adotado um Algoritmo Genético denominado Biased Random-Key Genetic Algorithms (BRKGA), que utiliza chaves aleatórias para codificar e decodificar as soluções. Codificadores e decodificadores adaptados ao problema foram desenvolvidos e testes computacionais são apresentados. As soluções obtidas em problemas de pequenas dimensões são comparadas com as soluções ótimas conhecidas e, para aprimorar a avaliação do desempenho nas instâncias médias e grandes, quatro procedimentos para obter limitantes superiores foram propostos. Testes computacionais foram realizados em 1040 instâncias. O BRKGA encontrou 99% das 238 soluções ótimas conhecidas e, nas 720 instâncias de dimensões médias e grandes, ficou em média a 3,8% dos limitantes superiores. As heurísticas construtivas superaram uma heurística construtiva da literatura em 90% das instâncias. A segunda parte do trabalho apresenta uma nova abordagem para o Problema de Escalonamento de Técnicos de Campo: um modelo biobjetivo, onde uma segunda função objetivo buscará que as tarefas prioritárias sejam realizadas o mais cedo possível. Uma versão multiobjectivo do BRKGA foi desenvolvida, considerando diversas estratégias para classificar a população do algoritmo e escolher as melhores soluções (estratégias de elitismo). Codificadores e decodificadores foram criados para o problema multiobjectivo. Os resultados computacionais obtidos são comparados com os resultados de um Algoritmo Genético conhecido na literatura, o Nondominated Sorting Genetic Algorithm II (NSGA II). Para instâncias de pequenas dimensões, os resultados da meta-heurística proposta também são comparados com a fronteira ótima de Pareto de 234 instâncias, obtidas por enumeração completa. Em média, o BRKGA multiobjectivo encontrou 94% das soluções da fronteira ótima de Pareto e, nas instâncias médias e grandes, superou o desempenho do NSGA-II nas medidas de avaliação adotadas (porcentagem de soluções eficientes, hipervolume, indicador epsílon e cobertura). / An important topic in service companies, but little studied until now, is the field technician scheduling problem. In this problem, technicians have to execute a set of jobs or service tasks. Technicians have different skills and working hours. Tasks are in different locations within a city, with different time windows, priorities, and processing times. Each task is executed by only one technician. This problem is addressed in this thesis. The first part of the research presents the mixed integer linear programming model (MILP) and, due to the complexity of this problem, constructive heuristics and metaheuristics were proposed. The objective function is to maximize the sum of the weighted performed tasks in a day, based on the priority of tasks. In general terms, in the proposed constructive heuristics, jobs are ordered according to a criterion and, after that, tasks are assigned to technicians without violating constraints. A Genetic Algorithm (the Biases Randon Key Genetic Algorithm - -RKGA) is applied to the problem, based on its success in similar problems; the BRKGA uses random keys and a decoder transforms each chromosome of the Genetic Algorithm into a feasible solution of the problem. Decoders and encoders adapted to the problem were developed and computational tests are presented. A comparison between the solutions of the heuristic methods and optimal solutions values was also conducted for small instances and, to analyze medium and large instances, four upper bound models were proposed. Computational experiments with 1040 instances were carried out. The BRKGA reached 99% of the 238 optimal solutions and, for 720 medium and large instances, the average upper bound gap was 3,8%. Constructive heuristics overcame a heuristic of the literature in 90% of the instances. The second part of this research presents a new approach of the Field Technician Scheduling Problem: a multiobjective model, with a second objective function to execute the priority tasks as soon as possible. A multiobjective BRKGA was developed, with different strategies to classify the Genetic Algorithm population and to select the elite solutions (elite strategies). Decoders and encoders were developed for the multiobjective problem too. The results were compared with a known Genetic Algorithm, the Nondominated Sorting Genetic Algorithm II (NSGA II). For 234 small instances, the results were compared with the Pareto optimal solutions, obtained by complete enumeration. On average, the BRKGA found 94% of the Pareto optimal solutions and, for 720 medium and large instances, outperformed the NSGA-II by means of the measures adopted (percentage of efficient solutions, hypervolume, epsilon and coverage).