[pt] O algoritmo de otimização por enxame de partículas (PSO, do inglês Particle Swarm Optimization) é uma meta-heurística baseada em populações de indivíduos na qual os candidatos à solução evoluem através da simulação de um modelo simplificado de adaptação social. Juntando robustez, eficiência e simplicidade, o PSO tem adquirido grande popularidade. São reportadas muitas aplicações bem-sucedidas do PSO nas quais este algoritmo demonstrou ter vantagens sobre outras meta-heurísticas bem estabelecidas baseadas em populações de indivíduos. Algoritmos modificados de PSO já foram propostos para resolver problemas de otimização com restrições de domínio, lineares e não lineares. A grande maioria desses algoritmos utilizam métodos de penalização, que possuem, em geral, inúmeras limitações, como por exemplo: (i) cuidado adicional ao se determinar a penalidade apropriada para cada problema, pois deve-se manter o equilíbrio entre a obtenção de soluções válidas e a busca pelo ótimo; (ii) supõem que todas as soluções devem ser avaliadas. Outros algoritmos que utilizam otimização multi-objetivo para tratar problemas restritos enfrentam o problema de não haver garantia de se encontrar soluções válidas. Os algoritmos PSO propostos até hoje que lidam com restrições, de forma a garantir soluções válidas utilizando operadores de viabilidade de soluções e de forma a não necessitar de avaliação de soluções inválidas, ou somente tratam restrições de domínio controlando a velocidade de deslocamento de partículas no enxame, ou o fazem de forma ineficiente, reinicializando aleatoriamente cada partícula inválida do enxame, o que pode tornar inviável a otimização de determinados problemas. Este trabalho apresenta um novo algoritmo de otimização por enxame de partículas, denominado PSO+, capaz de resolver problemas com restrições lineares e não lineares de forma a solucionar essas deficiências. A modelagem do algoritmo agrega seis diferentes capacidades para resolver problemas de otimização com restrições: (i) redirecionamento aritmético de validade de partículas; (ii) dois enxames de partículas, onde cada enxame tem um papel específico na otimização do problema; (iii) um novo método de atualização de partículas para inserir diversidade no enxame e melhorar a cobertura do espaço de busca, permitindo que a borda do espaço de busca válido seja devidamente explorada – o que é especialmente conveniente quando o problema a ser otimizado envolve restrições ativas no ótimo ou próximas do ótimo; (iv) duas heurísticas de criação da população inicial do enxame com o objetivo de acelerar a inicialização das partículas, facilitar a geração da população inicial válida e garantir diversidade no ponto de partida do processo de otimização; (v) topologia de vizinhança, denominada vizinhança de agrupamento aleatório coordenado para minimizar o problema de convergência prematura da otimização; (vi) módulo de transformação de restrições de igualdade em restrições de desigualdade. O algoritmo foi testado em vinte e quatro funções benchmarks – criadas e propostas em uma competição de algoritmos de otimização –, assim como em um problema real de otimização de alocação de poços em um reservatório de petróleo. Os resultados experimentais mostram que o novo algoritmo é competitivo, uma vez que aumenta a eficiência do PSO e a velocidade de convergência. / [en] The Particle Swarm Optimization (PSO) algorithm is a metaheuristic based on populations of individuals in which solution candidates evolve through simulation of a simplified model of social adaptation. By aggregating robustness, efficiency and simplicity, PSO has gained great popularity. Many successful applications of PSO are reported in which this algorithm has demonstrated advantages over other well-established metaheuristics based on populations of individuals. Modified PSO algorithms have been proposed to solve optimization problems with domain, linear and nonlinear constraints; The great majority of these algorithms make use of penalty methods, which have, in general, numerous limitations, such as: (i) additional care in defining the appropriate penalty for each problem, since a balance must be maintained between obtaining valid solutions and the searching for an optimal solution; (ii) they assume all solutions must be evaluated. Other algorithms that use multi-objective optimization to deal with constrained problems face the problem of not being able to guarantee finding feasible solutions. The proposed PSO algorithms up to this date that deal with constraints, in order to guarantee valid solutions using feasibility operators and not requiring the evaluation of infeasible solutions, only treat domain constraints by controlling the velocity of particle displacement in the swarm, or do so inefficiently by randomly resetting each infeasible particle, which may make it infeasible to optimize certain problems. This work presents a new particle swarm optimization algorithm, called PSO+, capable of solving problems with linear and nonlinear constraints in order to solve these deficiencies. The modeling of the algorithm has added six different capabilities to solve constrained optimization problems: (i) arithmetic redirection to ensure particle feasibility; (ii) two particle swarms, where each swarm has a specific role in the optimization the problem; (iii) a new particle updating method to insert diversity into the swarm and improve the coverage of the search space, allowing its edges to be properly exploited – which is especially convenient when the problem to be optimized involves active constraints at the optimum solution; (iv) two heuristics to initialize the swarm in order to accelerate and facilitate the initialization of the feasible initial population and guarantee diversity at the starting point of the optimization process; (v) neighborhood topology, called coordinated random clusters neighborhood to minimize optimization premature convergence problem; (vi) transformation of equality constraints into inequality constraints. The algorithm was tested for twenty-four benchmark functions – created and proposed for an optimization competition – as well as in a real optimization problem of well allocation in an oil reservoir. The experimental results show that the new algorithm is competitive, since it increases the efficiency of the PSO and the speed of convergence.

Um sistema elétrico de potência agrega toda a estrutura pela qual a energia elétrica percorre, desde a sua geração até o seu consumo final. Nas últimas décadas observou-se um significativo aumento da demanda e, consequentemente, um aumento das interligações entre sistemas, tornando assim a operação e o controle destes extremamente complexos. Com o fim de obter a desejada operação destes sistemas, inúmeros estudos na área de Proteção de Sistemas Elétricos são realizados, pois é sabido que a interrupção desses serviços causam transtornos que podem assumir proporções desastrosas. Em sistemas elétricos malhados, nos quais as correntes de curto-circuito podem ser bidirecionais e podem ter intensidades diferentes devido a alterações topológicas nos mesmos, coordenar relés de sobrecorrente pode ser uma tarefa muito trabalhosa caso não haja nenhuma ferramenta de apoio. Neste contexto, este trabalho visa o desenvolvimento de uma metodologia eficiente que determine os ajustes otimizados dos relés de sobrecorrente direcionais instalados em sistemas elétricos malhados de forma a garantir a rapidez na eliminação da falta, bem como a coordenação e seletividade, considerando as várias intensidades das correntes de curto-circuito. Seguindo essa linha de raciocínio, observou-se que o uso de técnicas metaheurísticas para lidar com o problema da coordenação de relés é capaz de alcançar resultados significativos. No presente projeto, dentre os algoritmos inteligentes estudados, optou-se por pesquisar a aplicação do Algoritmo Enxame de Partículas Evolutivo (Evolutionary Particle Swarm Optimization) por este apresentar como características as vantagens tanto do Algoritmo Enxame de Partículas (Particle Swarm Optimization) quanto as dos Algoritmos Genéticos, possuindo assim grande potencial para solução destes tipos de problemas. / An electric power system aggregates all the structure in which the electric energy travels, from its generation to the final user. In the last decades it has been observed a significative increase of the demand and, consequently, an increment of the number of interconnections between systems, making the operation and control of them extremely complex. Aiming to obtain a good operation of this kind of systems, a lot of effort in the research area of power system protection has been spent, because it is known that the interruption of this service causes disorders that may assume disastrous proportions. In meshed power systems, in which the shortcircuit currents might be bidirectional and might have different magnitudes due to topological changes on them, to coordinate overcurrent relays may be a really hard task if you do not have a support tool. Look in this context, this work aims the development of and efficient methodology thats determine the optimal parameters of the directional overcurrent relays in a meshed electric power system ensuring the quickness in the fault elimination, as well as the coordination and selectivity of the protection system, considering the various intensities of the short-circuit currents. Maintaining this line, it has been noticed that the use of metaheuristics to deal with the problem of relay coordination is capable of achieving promissory results. In the present research, among the studied intelligent algorithms, it was chosen to use in it the Evolutionary Particle Swarm Optimization, due to its features thats is the advantages of the Particle Swarm Optimization as well as the Genetic Algorithms ones, hence it has great potential do solve theses kind of problems.

Neste estudo, o novo algoritmo hibrido autoconfigurado PSOS (Particle Swarm Optimization - Simplex) para avaliação da integridade estrutural a partir de respostas dinâmicas é apresentado. A formulação da função objetivo para o problema de minimização definido emprega funções de resposta em freqüência e/ou dados modais do sistema. Uma nova estratégia para o controle dos parâmetros do algoritmo Particle Swarm Optimization (PSO), baseada no uso do método de Nelder - Mead é desenvolvida; conseqüentemente, a convergência do PSO fica independente dos parâmetros heurísticos e sua estabilidade e precisão são melhoradas. O método híbrido proposto teve melhor desempenho, nas diversas funções teste analisadas, quando comparado com os algoritmos simulated annealing, algoritmos genéticos e o PSO. São apresentados diversos problemas de detecção de dano, levando em conta os efeitos do ruído e da falta de dados experimentais. Em todos os casos, a posição e extensão do dano foram determinadas com sucesso. Finalmente, usando o PSOS, os parâmetros de um oscilador não linear (oscilador de Duffing) foram identificados. / In this study, a new auto configured Particle Swarm Optimization - Simplex algorithm for damage detection has been proposed. The formulation of the objective function for the minimization problem is based on the frequency response functions (FRFs) and the modal parameters of the system. A novel strategy for the control of the Particle Swarm Optimization (PSO) parameters based on the Nelder-Mead algorithm (Simplex method) is presented; consequently, the convergence of the PSOS becomes independent of the heuristic constants and its stability and accuracy are enhanced. The formulated hybrid method performs better in different benchmark functions than the Simulated Annealing (SA), the Genetic Algorithm (GA) and the basic PSO. Several damage identification problems, taking into consideration the effects of noisy and incomplete data, were studied. In these cases, the damage location and extent were determined successfully. Finally, using the PSOS, a non-linear oscillator (Duffing oscillator) was identified with good results.

Um sistema elétrico de potência agrega toda a estrutura pela qual a energia elétrica percorre, desde a sua geração até o seu consumo final. Nas últimas décadas observou-se um significativo aumento da demanda e, consequentemente, um aumento das interligações entre sistemas, tornando assim a operação e o controle destes extremamente complexos. Com o fim de obter a desejada operação destes sistemas, inúmeros estudos na área de Proteção de Sistemas Elétricos são realizados, pois é sabido que a interrupção desses serviços causam transtornos que podem assumir proporções desastrosas. Em sistemas elétricos malhados, nos quais as correntes de curto-circuito podem ser bidirecionais e podem ter intensidades diferentes devido a alterações topológicas nos mesmos, coordenar relés de sobrecorrente pode ser uma tarefa muito trabalhosa caso não haja nenhuma ferramenta de apoio. Neste contexto, este trabalho visa o desenvolvimento de uma metodologia eficiente que determine os ajustes otimizados dos relés de sobrecorrente direcionais instalados em sistemas elétricos malhados de forma a garantir a rapidez na eliminação da falta, bem como a coordenação e seletividade, considerando as várias intensidades das correntes de curto-circuito. Seguindo essa linha de raciocínio, observou-se que o uso de técnicas metaheurísticas para lidar com o problema da coordenação de relés é capaz de alcançar resultados significativos. No presente projeto, dentre os algoritmos inteligentes estudados, optou-se por pesquisar a aplicação do Algoritmo Enxame de Partículas Evolutivo (Evolutionary Particle Swarm Optimization) por este apresentar como características as vantagens tanto do Algoritmo Enxame de Partículas (Particle Swarm Optimization) quanto as dos Algoritmos Genéticos, possuindo assim grande potencial para solução destes tipos de problemas. / An electric power system aggregates all the structure in which the electric energy travels, from its generation to the final user. In the last decades it has been observed a significative increase of the demand and, consequently, an increment of the number of interconnections between systems, making the operation and control of them extremely complex. Aiming to obtain a good operation of this kind of systems, a lot of effort in the research area of power system protection has been spent, because it is known that the interruption of this service causes disorders that may assume disastrous proportions. In meshed power systems, in which the shortcircuit currents might be bidirectional and might have different magnitudes due to topological changes on them, to coordinate overcurrent relays may be a really hard task if you do not have a support tool. Look in this context, this work aims the development of and efficient methodology thats determine the optimal parameters of the directional overcurrent relays in a meshed electric power system ensuring the quickness in the fault elimination, as well as the coordination and selectivity of the protection system, considering the various intensities of the short-circuit currents. Maintaining this line, it has been noticed that the use of metaheuristics to deal with the problem of relay coordination is capable of achieving promissory results. In the present research, among the studied intelligent algorithms, it was chosen to use in it the Evolutionary Particle Swarm Optimization, due to its features thats is the advantages of the Particle Swarm Optimization as well as the Genetic Algorithms ones, hence it has great potential do solve theses kind of problems.

La première détection des ondes gravitationnelles en 2015 a ouvert un nouveau plan d'étude pour l'astrophysique des étoiles binaires compactes. En utilisant les données des détections faites par les détecteurs terrestres advanced LIGO et advanced Virgo, il est possible de contraindre les paramètres physiques de ces systèmes avec une analyse Bayésienne et ainsi approfondir notre connaissance physique des étoiles binaires compactes. Cependant, pour pouvoir être en mesure d'obtenir de tels résultats, il est essentiel d’avoir des algorithmes performants à la fois pour trouver les signaux de ces ondes gravitationnelles et pour l'estimation de paramètres. Le travail de cette thèse a ainsi été centré autour du développement d’algorithmes performants et adaptées au problème physique à la fois de la détection et de l'estimation des paramètres pour les ondes gravitationnelles. La plus grande partie de ce travail de thèse a ainsi été dédiée à l'implémentation d’un algorithme de type Hamiltonian Monte Carlo adapté à l'estimation de paramètres pour les signaux d’ondes gravitationnelles émises par des binaires compactes formées de deux étoiles à neutrons. L'algorithme développé a été testé sur une sélection de sources et a été capable de fournir de meilleures performances que d'autres algorithmes de type MCMC comme l'algorithme de Metropolis-Hasting et l'algorithme à évolution différentielle. L'implémentation d'un tel algorithme dans les pipelines d’analyse de données de la collaboration pourrait augmenter grandement l'efficacité de l'estimation de paramètres. De plus, il permettrait également de réduire drastiquement le temps de calcul nécessaire, ce qui est un facteur essentiel pour le futur où de nombreuses détections sont attendues. Un autre aspect de ce travail de thèse a été dédié à l'implémentation d'un algorithme de recherche de signaux gravitationnelles pour les binaires compactes monochromatiques qui seront observées par la future mission spatiale LISA. L'algorithme est une mixture de plusieurs algorithmes évolutionnistes, avec notamment l'inclusion d'un algorithme de Particle Swarm Optimisation. Cette algorithme a été testé dans plusieurs cas tests et a été capable de trouver toutes les sources gravitationnelles comprises dans un signal donné. De plus, l'algorithme a également été capable d'identifier des sources sur une bande de fréquence aussi grande que 1 mHz, ce qui n'avait pas été réalisé au moment de cette étude de thèse. / The first detection of gravitational waves in 2015 has opened a new window for the study of the astrophysics of compact binaries. Thanks to the data taken by the ground-based detectors advanced LIGO and advanced Virgo, it is now possible to constrain the physical parameters of compact binaries using a full Bayesian analysis in order to increase our physical knowledge on compact binaries. However, in order to be able to perform such analysis, it is essential to have efficient algorithms both to search for the signals and for parameter estimation. The main part of this thesis has been dedicated to the implementation of a Hamiltonian Monte Carlo algorithm suited for the parameter estimation of gravitational waves emitted by compact binaries composed of neutron stars. The algorithm has been tested on a selection of sources and has been able to produce better performances than other types of MCMC methods such as Metropolis-Hastings and Differential Evolution Monte Carlo. The implementation of the HMC algorithm in the data analysis pipelines of the Ligo/Virgo collaboration could greatly increase the efficiency of parameter estimation. In addition, it could also drastically reduce the computation time associated to the parameter estimation of such sources of gravitational waves, which will be of particular interest in the near future when there will many detections by the ground-based network of gravitational wave detectors. Another aspect of this work was dedicated to the implementation of a search algorithm for gravitational wave signals emitted by monochromatic compact binaries as observed by the space-based detector LISA. The developed algorithm is a mixture of several evolutionary algorithms, including Particle Swarm Optimisation. This algorithm has been tested on several test cases and has been able to find all the sources buried in a signal. Furthermore, the algorithm has been able to find the sources on a band of frequency as large as 1 mHz which wasn’t done at the time of this thesis study

Submitted by Leonardo Cavalcante (leo.ocavalcante@gmail.com) on 2018-06-11T11:34:10Z No. of bitstreams: 1 Arquivototal.pdf: 1995596 bytes, checksum: bfcc1e1f3a77514dcbf7a8e4f5e4701b (MD5) / Made available in DSpace on 2018-06-11T11:34:10Z (GMT). No. of bitstreams: 1 Arquivototal.pdf: 1995596 bytes, checksum: bfcc1e1f3a77514dcbf7a8e4f5e4701b (MD5) Previous issue date: 2017-02-16 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / The problem in investment portfolio selection consists in the allocation of resources to a finite number of assets, aiming, in its classic approach, to overcome a trade-off between the risk and expected return of the portfolio. This problem is one of the most important topics targeted at today’s financial and economic issues. Since the pioneering works of Markowitz, the issue is treated as an optimisation problem with the two aforementioned objectives. However, in recent years, various restrictions and additional risk measurements were identified in the literature, such as, for example, cardinality restrictions, minimum transaction lot and asset pre-selection. This practice aims to bring the issue closer to the reality encountered in financial markets. In that regard, this paper proposes a metaheuristic called Particle Swarm for the optimisation of several PSPs, in such a way that allows the resolution of the problem considering a set of restrictions chosen by the investor. / O problema de seleção de carteiras de investimentos (PSP) consiste na alocação de recursos a um número finito de ativos, objetivando, em sua abordagem clássica, superar um trade-off entre o retorno esperado e o risco da carteira. Tal problema ´e uma das temáticas mais importantes voltadas a questões financeiras e econômicas da atualidade. Desde os pioneiros trabalhos de Markowitz, o assunto é tratado como um problema de otimização com esses dois objetivos citados. Entretanto, nos últimos anos, diversas restrições e mensurações de riscos adicionais foram consideradas na literatura, como, por exemplo, restrições de cardinalidade, de lote mínimo de transação e de pré-seleção de ativos. Tal prática visa aproximar o problema da realidade encontrada nos mercados financeiros. Neste contexto, o presente trabalho propõe uma meta-heurística denominada Adaptive Non-dominated Sorting Multiobjective Particle Swarm Optimization para a otimização de vários problemas envolvendo PSP, de modo que permita a resolução do problema considerando um conjunto de restri¸c˜oes escolhidas pelo investidor.

Neste estudo, o novo algoritmo hibrido autoconfigurado PSOS (Particle Swarm Optimization - Simplex) para avaliação da integridade estrutural a partir de respostas dinâmicas é apresentado. A formulação da função objetivo para o problema de minimização definido emprega funções de resposta em freqüência e/ou dados modais do sistema. Uma nova estratégia para o controle dos parâmetros do algoritmo Particle Swarm Optimization (PSO), baseada no uso do método de Nelder - Mead é desenvolvida; conseqüentemente, a convergência do PSO fica independente dos parâmetros heurísticos e sua estabilidade e precisão são melhoradas. O método híbrido proposto teve melhor desempenho, nas diversas funções teste analisadas, quando comparado com os algoritmos simulated annealing, algoritmos genéticos e o PSO. São apresentados diversos problemas de detecção de dano, levando em conta os efeitos do ruído e da falta de dados experimentais. Em todos os casos, a posição e extensão do dano foram determinadas com sucesso. Finalmente, usando o PSOS, os parâmetros de um oscilador não linear (oscilador de Duffing) foram identificados. / In this study, a new auto configured Particle Swarm Optimization - Simplex algorithm for damage detection has been proposed. The formulation of the objective function for the minimization problem is based on the frequency response functions (FRFs) and the modal parameters of the system. A novel strategy for the control of the Particle Swarm Optimization (PSO) parameters based on the Nelder-Mead algorithm (Simplex method) is presented; consequently, the convergence of the PSOS becomes independent of the heuristic constants and its stability and accuracy are enhanced. The formulated hybrid method performs better in different benchmark functions than the Simulated Annealing (SA), the Genetic Algorithm (GA) and the basic PSO. Several damage identification problems, taking into consideration the effects of noisy and incomplete data, were studied. In these cases, the damage location and extent were determined successfully. Finally, using the PSOS, a non-linear oscillator (Duffing oscillator) was identified with good results.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-08-05T14:42:09Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE PPGEP (Romero Luiz M. Sales Filho).pdf: 3453451 bytes, checksum: be76714c0d9a1e907faa85d15041f6ca (MD5) / Made available in DSpace on 2016-08-05T14:42:09Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE PPGEP (Romero Luiz M. Sales Filho).pdf: 3453451 bytes, checksum: be76714c0d9a1e907faa85d15041f6ca (MD5) Previous issue date: 2016-02-24 / CAPEs / In recent years, a family of probability distributions based on Nonextensive Statistical Mechanics, known as q-distributions, has experienced a surge in terms of applications to several fields of science and engineering. In this work the _-Exponential distribution will be studied in detail. One of the features of this distribution is the capability of modeling data that have a power law behavior, since it has a heavy-tailed probability density function (PDF) for particular values of its parameters. This feature allows us to consider this distribution as a candidate to model data sets with extremely large values (e.g. cycles to failure). Once the analytical expressions for the maximum likelihood estimates (MLE) of _-Exponential are very difficult to be obtained, in this work, we will obtain the MLE for the parameters of the _- Exponential using two different optimization methods: particle swarm optimization (PSO) and Nelder-Mead (NM), which are also coupled with parametric and non-parametric bootstrap methods in order to obtain confidence intervals for these parameters; asymptotic intervals are also derived. Besides, we will make inference about a useful performance metric in system reliability, the called index __(_, where the stress _ and strength are independent q-Exponential random variables with different parameters. In fact, when dealing with practical problems of stress-strength reliability, one can work with fatigue life data and make use of the well-known relation between stress and cycles until failure. For some materials, this kind of data can involve extremely large values and the capability of the q- Exponential distribution to model data with extremely large values makes this distribution a good candidate to adjust stress-strength models. In terms of system reliability, the index _ is considered a topic of great interest, so we will develop the maximum likelihood estimator (MLE) for the index _ and show that this estimator is obtained by a function that depends on the parameters of the distributions for and _. The behavior of the MLE for the index _ is assessed by means of simulated experiments. Moreover, confidence intervals are developed based on parametric and non-parametric bootstrap. As an example of application, we consider two experimental data sets taken from literature: the first is related to the analysis of high cycle fatigue properties of ductile cast iron for wind turbine components, and the second one evaluates the specimen size effects on gigacycle fatigue properties of high-strength steel. / Nos últimos anos, tem sido notado em diversas áreas da ciência e engenharia, um aumento significativo na aplicabilidade da família q de distribuições de probabilidade que se baseia em Mecânica Estatística Não Extensiva. Uma das características da distribuição q-Exponencial é a capacidade de modelar dados que apresentam comportamento de lei de potência, uma vez que tal distribuição possui uma função densidade de probabilidade (FDP) que apresenta cauda pesada para determinados valores de parâmetros. Esta característica permite-nos considerar tal distribuição como candidata para modelar conjuntos de dados que apresentam valores extremamente grandes (Ex.: ciclos até a falha). Uma vez que expressões analíticas para os estimadores de máxima verossimilhança dos parâmetros não são facilmente encontradas, neste trabalho, iremos obter as estimativas de máxima verossimilhança dos parâmetros através de dois métodos de otimização: particle swarm optimization (PSO) e Nelder-Mead (NM), que além das estimativas pontuais, irão nos fornecer juntamente com abordagens bootstrap, intervalos de confiança para os parâmetros da distribuição; intervalos assintóticos também serão derivados. Além disso, faremos inferência sobre um importante índice de confiabilidade, o chamado Índice __(_, onde Y (estresse) e X (força) são variáveis aleatórias independentes. De fato, quando tratamos de problemas práticos de força-estresse, podemos trabalhar com dados de fadiga e fazer uso da bem conhecida relação entre estresse e ciclos até a falha. Para alguns materiais, esse tipo de variável pode apresentar dados com valores muito grandes e a capacidade da q-Exponencial em modelar esse tipo de dado torna essa uma distribuição a ser considerada para ajustar modelos de força-estresse. Em termos de confiabilidade de sistemas, o índice R é considerado um tópico de bastante interesse, assim iremos desenvolver os estimadores de máxima verossimilhança para esse índice e mostrar que esse estimador é obtido através de uma função que depende dos parâmetros da distribuição de X e Y. O comportamento do estimador é investigado através de experimentos simulados. Intervalos de confiança são desenvolvidos através de bootstrap paramétrico e nãoparamétrico. Duas aplicações envolvendo dados de ciclos até a falha e retiradas da literatura são consideradas: a primeira para ferro fundido e a segunda para aço de alta resistência.

Made available in DSpace on 2016-08-17T14:52:40Z (GMT). No. of bitstreams: 1 Dissertacao-OtilioPauloSilva.pdf: 2236988 bytes, checksum: e67439b623fd83b01f7bcce0020365fb (MD5) Previous issue date: 2016-03-04 / Breast cancer is now set on the world stage as the most common among women and the second biggest killer. It is known that diagnosed early, the chance of cure is quite significant, on the other hand, almost late discovery leads to death. Mammography is the most common test that allows early detection of cancer, this procedure can show injury in the early stages also contribute to the discovery and diagnosis of breast lesions. Systems computer aided, have been shown to be very important tools in aid to specialists in diagnosing injuries. This paper proposes a computational methodology to assist in the discovery of mass in dense and nondense breasts. This paper proposes a computational methodology to assist in the discovery of mass in dense and non-dense breasts. Divided into 6 stages, this methodology begins with the acquisition of the acquired breast image Digital Database for Screening Mammography (DDSM). Then the second phase is done preprocessing to eliminate and enhance the image structures. In the third phase is executed targeting with the Particle Swarm Optimization (PSO) to find regions of interest (ROIs) candidates for mass. The fourth stage is reduction of false positives, which is divided into two parts, reduction by distance and clustering graph, both with the aim of removing unwanted ROIs. In the fifth stage are extracted texture features using the functional diversity indicia (FD). Finally, in the sixth phase, the classifier uses support vector machine (SVM) to validate the proposed methodology. The best values found for non-dense breasts, resulted in sensitivity of 96.13%, specificity of 91.17%, accuracy of 93.52%, the taxe of false positives per image 0.64 and acurva free-response receiver operating characteristic (FROC) with 0.98. The best finds for dense breasts hurt with the sensitivity of 97.52%, specificity of 92.28%, accuracy of 94.82% a false positive rate of 0.38 per image and FROC curve 0.99. The best finds with all the dense and non dense breasts Showed 95.36% sensitivity, 89.00% specificity, 92.00% accuracy, 0.75 the rate of false positives per image and 0, 98 FROC curve. / O câncer de mama hoje é configurado no senário mundial como o mais comum entre as mulheres e o segundo que mais mata. Sabe-se que diagnosticado precocemente, a chance de cura é bem significativa, por outro lado, a descoberta tardia praticamente leva a morte. A mamografia é o exame mais comum que permite a descoberta precoce do câncer, esse procedimento consegue mostrar lesões nas fases iniciais, além de contribuir para a descoberta e o diagnóstico de lesões na mama. Sistemas auxiliados por computador, têm-se mostrado ferramentas importantíssimas, no auxilio a especialistas em diagnosticar lesões. Este trabalho propõe uma metodologia computacional para auxiliar na descoberta de massas em mamas densas e não densas. Dividida em 6 fases, esta metodologia se inicia com a aquisição da imagem da mama adquirida da Digital Database for Screening Mammography (DDSM). Em seguida, na segunda fase é feito o pré-processamento para eliminar e realçar as estruturas da imagem. Na terceira fase executa-se a segmentação com o Particle Swarm Optimization (PSO) para encontrar as regiões de interesse (ROIs) candidatas a massa. A quarta fase é a redução de falsos positivos, que se subdivide em duas partes, sendo a redução pela distância e o graph clustering, ambos com o objetivo de remover ROIs indesejadas. Na quinta fase são extraídas as características de textura utilizando os índices de diversidade funcional (FD). Por fim, na sexta fase, utiliza-se o classificador máquina de vetores de suporte (SVM) para validar a metodologia proposta. Os melhores valores achados para as mamas não densas, resultaram na sensibilidade de 96,13%, especificidade de 91,17%, acurácia de 93,52%, a taxe de falsos positivos por imagem de 0,64 e a acurva Free-response Receiver Operating Characteristic (FROC) com 0,98. Os melhores achados para as mamas densas firam com a sensibilidade de 97,52%, especificidade de 92,28%, acurácia de 94,82%, uma taxa de falsos positivos por imagem de 0,38 e a curva FROC de 0,99. Os melhores achados com todas as mamas densas e não densas, apresentaram 95,36% de sensibilidade, 89,00% de especificidade, 92,00% de acurácia, 0,75 a taxa de falsos positivos por imagem e 0,98 a curva FROC.

Most optimisation problems in everyday life are not static in nature, have multiple objectives and at least two of the objectives are in conflict with one another. However, most research focusses on either static multi-objective optimisation (MOO) or dynamic singleobjective optimisation (DSOO). Furthermore, most research on dynamic multi-objective optimisation (DMOO) focusses on evolutionary algorithms (EAs) and only a few particle swarm optimisation (PSO) algorithms exist. This thesis proposes a multi-swarm PSO algorithm, dynamic Vector Evaluated Particle Swarm Optimisation (DVEPSO), to solve dynamic multi-objective optimisation problems (DMOOPs). In order to determine whether an algorithm solves DMOO efficiently, functions are required that resembles real world DMOOPs, called benchmark functions, as well as functions that quantify the performance of the algorithm, called performance measures. However, one major problem in the field of DMOO is a lack of standard benchmark functions and performance measures. To address this problem, an overview is provided from the current literature and shortcomings of current DMOO benchmark functions and performance measures are discussed. In addition, new DMOOPs are introduced to address the identified shortcomings of current benchmark functions. Guides guide the optimisation process of DVEPSO. Therefore, various guide update approaches are investigated. Furthermore, a sensitivity analysis of DVEPSO is conducted to determine the influence of various parameters on the performance of DVEPSO. The investigated parameters include approaches to manage boundary constraint violations, approaches to share knowledge between the sub-swarms and responses to changes in the environment that are applied to either the particles of the sub-swarms or the non-dominated solutions stored in the archive. From these experiments the best DVEPSO configuration is determined and compared against four state-of-the-art DMOO algorithms. / Thesis (PhD)--University of Pretoria, 2012. / Computer Science / unrestricted