© Fernando Buarque, 2005

Página atualizada: 04-01-2012

Marcelo Luis Burégio Viana - MESTRE em 2011.2

Uma abordagem neuro-evolucionária multiperspectiva para suporte a decisões multi-objetivo (MO-HIDS++)

Gestores de grandes empresas trabalham boa parte do seu tempo definindo estratégias coorporativas para ampliar cada vez mais sua competitividade no mercado. Porém, para tomar a decisão correta os gestores enfrentam problemas complexos, onde nem sempre todo o ambiente do negócio é conhecido, além de ter que dispor de uma boa base histórica para reconhecer quais os possíveis resultados da decisão a ser tomada. Estratégias bem elaboradas demandam grande emprego em tempo de análise, além de terem de considerar fatores complicadores como a resolução de mais de um objetivo simultâneamente.

Com o propósito de fornecer ao gestor informações não evidentes para a tomada de decisão, foi proposta nesse trabalho a possibilidade de avaliação de duas formas diferentes de visualização da mesma informação, tornando assim uma ferramenta útil para o processo decisório. Essa avaliação conta com dois aspectos: (i) otimização multi-objetiva e (ii) classificação dos indivíduos baseada nas características da decisão. Essas formas, quando conjuntamente fornecidas, permitem que o gestor analise melhor o problema e produza soluções melhor informadas.

Os resultados obtidos trouxeram uma boa classificação dos indivíduos apresentando diversos agrupamentos por similaridade, explicando assim alguns fenômenos não inicialmente observados na otimização multi-objetivo. Essa segmentação trouxe para o processo decisório maior precisão por conta das diferentes formas de visualização simultânea da mesma informação. O modelo proposto neste trabalho associa abordagens da Computação Evolucionária e das Redes Neurais Artificiais, em um sistema híbrido que permite apoiar a solução de problemas complexos, principalmente pela habilidade combinada de poder tratar objetivos conflitantes e visualização multiperspectiva.

Palavras-chave: Sistemas de Apoio a Decisão, Computação Evolucionária, Redes Neurais Artificiais, Sistemas Híbridos, Otimização Multiobjetivo.

[Voltar para o topo desta página]

George Moraes Cavalcanti Júnior - MESTRE em 2011.1

Algoritmos Híbridos Baseados em Otimização por Enxames de Partículas e Busca por Cardumes para Problemas Dinâmicos

Os problemas de otimização existentes no mundo real são geralmente dinâmicos. Dessa forma, o conjunto de soluções pode, e nesses casos deve, mudar ao longo do tempo. Alguns exemplos desses problemas são: controle de tráfego aéreo, roteamento em redes de telecomunicações, visão computacional, treinamento de redes neurais, planejamento de tráfego urbano, entre outros. No caso de roteamento em redes de telecomunicações, por exemplo, podem ocorrer mudanças na topologia da rede durante seu funcionamento (queda ou inserção de um enlace) e/ou alteração substancial nas requisições de tráfego. Com isso, nesses cenários, as tabelas de roteamento entre os nós devem ser constantemente otimizadas durante o funcionamento da rede. Já em planejamento de tráfego urbano, um caminho para um dado destino pode ser bom num instante de tempo e ruim em outro, dependendo da intensidade de tráfego nos possíveis caminhos alternativos. Descrever a dinâmica no processo de otimização desses problemas é uma atividade complexa. As técnicas de otimização para esses problemas devem funcionar sem a necessidade de conhecimento prévio sobre o espaço de soluções e sobre a sua dinâmica de mudanças, já que na maior parte dos casos é difícil prever quando estas mudanças irão ocorrer. Na área de inteligência de enxames existem técnicas bem sucedidas em otimização de problemas complexos; como os algoritmos de otimização por enxames de partículas (PSO - Particle Swarm Optimization). Como, à princípio, estes foram projetados para tratar problemas estáticos, quando são usados em problemas dinâmicos, os algoritmos baseados em PSO apresentam algumas restrições tais como: baixa capacidade de gerar diversidade e baixa velocidade de mudança de modo de operação (i.e. comutar de busca em profundidade para busca em amplitude). Isso ocorre porque o enxame converge rapidamente para uma região de um ótimo global (ou local), levando à redução da diversidade da população de agentes no processo de busca. Ou seja, após uma mudança no ambiente, o enxame não apresenta diversidade para explorá-lo em busca novas soluções. De forma complementar, outro algoritmo de otimização baseado em população, o de busca por cardumes (FSS - Fish School Search), possui a habilidade de auto-regular a granularidade da busca utilizando um dos seus operadores chamado movimento coletivo volitivo. Assim, oFSS é capaz de contrair ou expandir o cardume dependendo do seu sucesso ou falha, respectivamente.  Neste trabalho de pesquisa, é proposta a utilização do operador volitivo do FSS no PSO como um mecanismo adicional para a necessária geração de diversidade em problemas de otimização quando os ambientes forem dinâmicos. O algoritmo híbrido desenvolvido foi chamado de PSO Volitivo. Adicionalmente, o operador volitivo do FSS foi testado em duas outras variações do PSO: PSO Heterogêneo (HPSO - Heterogeneous PSO) e o ClanPSO, que é uma abordagem colaborativa com múltiplos enxames. Os resultados mostram que, o uso do operador volitivo nos algoritmos baseados em PSO, provê um ganho de desempenho substancial em otimização de problemas dinâmicos, superando outros algoritmos desenvolvidos para o mesmo objetivo. Além disso, o operador volitivo foi suficiente para gerar a necessária diversidade para o PSO, dispensando a necessidade de reinicialização de partículas, que é uma prática popular para geração de diversidade. Com nossa abordagem, minimiza-se a perda de informação periódica relacionada ao espaço de busca.

Palavras-chave: Inteligência de Enxames, Sistemas Híbridos, Otimização por cardumes, FSS, PSO, Problemas Dinâmicos.

[Voltar para o topo desta página]

Hugo Serrano Barbosa Filho - MESTRE em 2011.1

A multievolutionary agent model for social simulations

Due to the high dynamicity present on several social phenomena, may be extremely di cult to carry out scientific investigations on social sciences. This is true especially for those phenomena most relevant to social sciences (e.g., human migration or cultural evolution). Several social phenomena include higher orders of emergences which significantly increase the difficulty to perform an objective scientific investigation. To overcome such constraints, social scientists have been using modeling and simulation as a new approach to carry out experimental investigations. The rst strategy to simulate human social phenomena under totally controlled conditions was applying mathematical and analytical models. Then, due to computers have become increasingly cheaper and faster, computer based models took the place occupied by analytical models and since then have been applied in social sciences. In this approach, referred to as Social Simulations, phenomena are simulated in a controlled computational environment aiming to reproduce and make emerge macro-level behaviors.
More recently, agent-based modeling is gaining an increasing prominence in social sciences. When human social phenomena are simulated with agent-based models, it is called Artificial Societies or Agent-based Social Simulations - ABSS. Nowadays, ABSS is known as the state-of-the-art method for human social simulations. However, agent models applied in social simulations often lack on plausibility regarding social sciences rationale or are oversimplified making them unable to reproduce phenomena of higher orders (which may be so, or even more, important than the original phenomenon). These drawbacks may compromise results and lead scientists to erroneous or inaccurate conclusions.
In this work a new multi-evolutionary agent model (MEAM) devised for social simulations is proposed. In fact, the proposed model is even more suitable when the investigated phenomena to be simulated have higher order of emergent dynamic behaviors (i.e. secondary emergent phenomena). In MEAM, cognitive mechanisms are centered on its
parallelized perception and multilayered adaptiveness. This way, MEAM decision-making architecture is able to perform actions taking advantage of non-linearities present on its symbolic processing units (i.e. evolutionary layers). Thus, its usefulness lies precisely on its multilevel evolutionary adaptability which enables produced models to capture
multiple parallel phenomena.
To verify the hypothesis the new agent model was applied on the simulation of different socio-demographic phenomena. This is followed by a comparative analysis against simulations carried out based on a non-evolutionary cognitive agent models and models proposed in other approaches. Results suggest that the proposed model is able to map secondary phenomena such and higher order behaviors. Also, the model proposed in here revealed that the modeling task can be successfully attained even in more complex phenomena due to the principles incorporated in MEAM.

Palavras-chave: Computação social, Sistemas multievolucionários, ABSS, Problemas sócio-demograficos.

[Voltar para o topo desta página]

Marcos Álvares Barbosa Júnior - MESTRE em 2011.1

Using Agent-Based Models in Econometrics for Forecasting Intergenerational Mobility Phenomenon

Applied econometrics has been a fundamental resource for explaining socioeconomic phenomena. Current econometric models are mainly based on mathematics and statistics that often struggle for representing dynamic and highly stochastic natural phenomena. Those models frequently fail to deal with massive structural changes that characterize extreme situations (e.g. natural disasters and economic crises). And it is precisely in those situations when an econometric model should be more helpful for aiding the elaboration of public policies by predicting future scenarios. The most desirable capabilities of adaptability and learnability not present in traditional econometric models are omnipresent in artificial intelligence algorithms. Natural phenomena can be modeled through simulation techniques and adaptive behavior can be achieved by using machine learning algorithms. In line with that, here we put forward a new approach to perform econometric analysis by using computational intelligent models for representing socioeconomic phenomena. Our main concern is the endorsement of two hypothesis: (i) if computational intelligent models can corroborate economic theories as good as mathematical and statistical approach and (ii ) if econometric analysis based on computational intelligent models can also be used for controlling and forecasting purposes. For validating the proposed approach, a set of social mobility studies was utilized in our social simulations, which is based on customized intelligent agents. The implemented social simulation was calibrated using real data that represent metropolitan regions in Brazil between 1980 and 2000 and validated by human specialists in Economics. The obtained results suggest that our intelligent computational approach can be used for helping econometricians in producing more effective econometric models. In addition to validating an economic theory, we have found that the intelligent computational approach devised here for econometrics can also be used for controlling, forecasting and training purposes on the selected socioeconomic  application problem. Actually, the results revealed that flexibility, extendibility and scalability of our approach are highlights that greatly score against traditional methods.

Palavras-chave: Computação social, ABSS, Mobilidade integeracional.

[Voltar para o topo desta página]

Murilo Rebelo Pontes - MESTRE em 2010.2

Otimização por Enxames de Partículas utilizando Clãs com Comportamento Adaptativo

Os algoritmos de otimização por enxames de partículas têm sido amplamente utilizados para resolver problemas reais, principalmente quando existem muitas variáveis a serem otimizadas e estas, por sua vez, são contínuas. Nos enxames encontrados na natureza podem ser observados comportamentos cooperativos. Uma das formas mais comuns de cooperação é a colaboração, onde os integrantes de uma mesma população se agrupam para resolver partes de um problema maior, semelhante à estratégia dividir para conquistar.
Existem algoritmos de otimização por enxames de partículas que incorporam cooperação colaborativa, como Clan Particle Swarm Optimization, Cooperative Particle Swarm Optimization e Multi-Swarm Cooperative Particle Swarm Optimization. No entanto, os algoritmos de otimização por enxames de partículas apresentam algumas deficiências como: baixa velocidade de convergência e limitada capacidade de escapar de ótimos locais. Para mitigar esses problemas, foi proposto, no algoritmo Adaptive particle swarm optimization, um processo de adaptação de parâmetros.

Inspirada pelos conceitos de cooperação colaborativa e adaptação automática de parâmetros, esta dissertação, propõe o algoritmo Clan Adaptive Particle Swarm Optimization. Partiu-se da hipótese de que o emprego de ambos conceitos em um único algoritmo pode produzir um ganho de desempenho maior do que a simples execução intercalada de algoritmos possuem apenas um destes conceitos.
Para avaliar o desempenho do algoritmo proposto foram utilizados problemas de teste conhecidos na literatura especializada e realizadas análises referentes à adaptação de parâmetros, disposição das soluções geradas no espaço de busca e a influência da quantidade de clãs. Também foram realizadas comparações com outras técnicas colaborativas baseadas em inteligência de enxames e com outras técnicas de inteligência de enxames, como busca por cardumes e otimização por colônia de abelhas artificiais. Os resultados obtidos indicam que o algoritmo proposto possui desempenho superior, principalmente em problemas de mais alta dimensionalidade, e.g. problemas de
otimização com 300 dimensões.

Palavras-chave: Comportamento Adaptativo, Otimização por enxame de partículas, Clãs cooperativos, Inteligência de enxames.

[Voltar para o topo desta página]

Moisés Danziger - MESTRE em 2010.1

Sistema Híbrido de Detecção de Intrusão em Redes IEEE 802.11 Baseado na Teoria do Perigo e Sistemas Multi-agentes (MAWIDS-DT)

Recentemente, as redes sem fio, definidas pelo padrão IEEE 802.11 vêm crescendo e ganhando cada vez mais adeptos pelo mundo. Esse novo ambiente trouxe ainda mais preocupações quanto à segurança, principalmente pelo fato de que as limitações existentes no ambiente cabeado (i.e. limites físicos) deixaram de existir e com isso, novas possibilidades de ataques emergiram trazendo desconforto aos usuários e dificuldades aos administradores. De certa forma, as ferramentas de detecção de intrusão voltadas para redes IEEE 802.11, conhecidas como WIDS (Wireless Intrusion Detection System), ainda possuem muitas vulnerabilidades pois estão em suas versões iniciais. Além disso, como nos ambientes cabeados, elas também possuem as mesmas dificuldades básicas para (1) automatização de rotinas e (2) identificação de novos tipos de ataques. Uma ferramenta capaz de atuar a contento nos itens (1) e (2) necessita de habilidades muito maiores das oferecidas por computação clássica. Estudos recentes sobre a nova geração de sistemas imunológicos artificiais (Artificial Immune Systems – AIS) inspirados pela Teoria do Perigo (Danger Theory – DT) [126], por exemplo, têm apresentado bons resultados em problemas de detecção. A abordagem proposta utiliza um modelo imuno-inspirado de detecção de intrusão em redes IEEE 802.11 e agentes inteligentes, organizados numa hierarquia modular que a torna capaz, de atuar como sensores e atuadores (i.e. detecção e combate) para execução automatizada do processo de detecção, identificação e combate dos eventos anômalos espalhados pelo ambiente a ser monitorado. Resultados obtidos através de vários experimentos em ambientes reais mostraram que a nova geração de AIS apresenta atributos bem qualificados para a sua aplicação em WIDS. A capacidade de identificação de novos ataques foi testada; utilizou-se um classificador Bayesiano, que demonstrou condições suficientes realizar a tarefa sem prejudicar o processo de execução do WIDS.

Palavras-chave: Sistemas de Detecção de Intrusão, Sistemas Imunológicos Artificiais, Sistemas Multi-agentes, Redes IEEE 802.11, Teoria do Perigo e Automatização.

[Voltar para o topo desta página]

Salomão Sampaio Madeiro - MESTRE em 2010.1

Buscas Multimodais por Cardumes baseados em Densidade

Abordagens para Problemas de Otimização de Função Multimodal (POFMM) podem ser divididas em várias classes, quais sejam: (1) abordagens para localizar apenas uma solução global, (2) abordagens para localizar todas as soluções
globais e (3) abordagens para localizar todas as soluções (globais ou locais) de um dado POFMM, independentemente do valor da função para essas soluções. Em POFMM, a localização de cada solução pode ser feita sequencial ou simultaneamente. Em abordagens baseadas em enxames para POFMM, cada solução do POFMM representa um ponto no domínio da função. A desejável atração simultânea dos integrantes do enxame dessas soluções é um desafio para qualquer algoritmo de otimização. Adicionalmente, a localização simultânea de várias soluções de um POFMM sem a necessidade do custosos ajustes de parâmetros do algoritmo é uma questão ainda em aberto para problemas de otimização.
Neste trabalho, a abordagem baseada no comportamento de cardumes para otimização de função unimodal - Fish School Search (FSS) é adaptada para localizar simultanemente múltiplas soluções (globais ou locais) de POFMM. Para a nova abordagem, chamada Density based Fish School Search (dFSS), foram criados dois novos operadores em relação ao FSS:
Operador de Memória ou Afinidade e Operador de Divisão do Cardume. Adicionalmente, os Operadores de Movimento Individual, de Alimentação, Coletivo Instintivo e Coletivo Volitivo sofreram modificações com o objetivo de: (1) permitir a divisão do cardume em subcardumes e (2) preservar os subcardumes criados nas regiões correspondentes aos seus respectivos valores ótimos. O dFSS, ao final do processo de busca, oferece como resposta ao usuário o conjunto de todos os valores ótimos encontrados para um dado POFMM.
O desempenho do dFSS foi avaliado para três cenários: (1) para um conjunto de funções de teste com duas dimensões e um número finito de soluções, o desempenho do dFSS é comparado ao desempenho das abordagens baseadas em
exames para POFMM NichePSO e GSO em função da quantidade de entidades e do número de iterações do algoritmo; (2) para funções de teste com descontinuidade e com infinitas soluções, é avaliado o comportamento de convergência do dFSS para diferentes regiões no domínio dessas funções; e (3) para POFMM com mais de duas dimensões, o desempenho do dFSS é avaliado e comparado ao desempenho das abordagens NichePSO e GSO em função do número de dimensões do POFFM, do número de entidades e do número de iterações do algoritmo.
Os resultados apresentados mostraram que o desempenho do dFSS foi superior ao desempenho dos algoritmos NichePSO e GSO para todas as funções de teste. Adicionalmente, o dFSS é capaz de lidar com funções com descontinuidade bem como com funções que possuem uma quantidade infinita de soluções. Por fim, para POFMM com mais de duas dimensões, o dFSS é capaz de localizar uma quantidade relativamete grande de soluções sem a necessidade do ajuste de parâmetros.

Palavras-chave: Otimização de função multimodal, Fish School Search, Inteligência de enxames, Especiação.

[Voltar para o topo desta página]

Marcelo Rodrigo de Souza Pita - MESTRE em 2009.2

Algoritmos Baseados em Agentes Evolucionários Híbridos para Simulações Sociais

Simulações computacionais de fenômenos sociais são comumente referidas como simulações sociais. Quando estas simulações são modeladas e instanciadas a partir de arquiteturas de agentes, são referidas como simulações sociais baseadas em agentes (ABSS). Apesar dos avanços em ABSS, a modelagem computacional de fenômenos sociais com alta fidelidade ainda é uma tarefa bastante árdua. Ainda assim, ABSS têm dado bons resultados para simulações de contextos sociais específicos (e.g. humor de mercado, disseminação de doenças, violência civil, etc.).
Arquiteturas para representação estrutural e funcional razoavelmente plausíveis quanto a cognição humana têm sido propostas, algumas das quais tendo sido exploradas para o desenvolvimento de agentes e sistemas multiagentes. Um ponto fundamental no qual a maioria destas arquiteturas cognitivas deixa a desejar é a incorporação de fatores sociais, que se concretizam através de meios para transmissão/representação de cultura entre/em agentes. Em ABSS, particularmente, esta é uma característica não apenas desejável, mas essencial.
Esta dissertação de mestrado investiga novos algoritmos sociais e modelos de agentes evolucionários híbridos para ABSS. As suas principais contribuições são as seguintes: (1) um novo modelo de agente evolucionário híbrido que incorpora dois componentes de decisão inteligente: (a) subsimbólico --- responsável pela codificação e dinâmica evolucionária de comportamentos e características do agente que são geneticamente motivados (fundamentado teoricamente na Teoria Evolucionária de Darwin) --- e (b) simbólico --- reponsável pelo aprendizado e dinâmica evolucionária cultural do agente (fundamentado teoricamente na Teoria dos Memes de Richard Dawkins); (2) um novo modelo de estruturação do espaço social, onde são tratados não apenas os relacionamentos comportamentais e temporais entre entidades simuladas, mas também os espaciais; (3) framework PAX para ABSS, que implementa os referidos modelos e provê diversas facilidades para o desenvolvimento de simulações.
Os resultados de simulação da pesquisa variam desde a instanciação de ambientes simplificados até cenários reais que espelham pequenas cidades, mostrando a evolução do desenvolvimento do framework PAX e do modelo de agente proposto. Estes resultados, além de validarem os modelos com dados reais na área de saúde pública extraídos da BDE-PE (Base de Dados do Estado de Pernambuco) e bases de dados do IBGE, revelam interessantes dinâmicas populacionais para contextos específicos, fortalecendo a hipótese de real aplicabilidade dos modelos e ferramentas em sistemas de apoio à decisões governamentais.

Palavras-chave: Simulações sociais, modelagem baseada em agentes, sistemas multi-agente, dinâmicas populacionais, decisões políticas.

[Voltar para o topo desta página]

Flávio Rosendo da Silva Oliveira - MESTRE em 2009.2

Novas Abordagens para Diálogos Flexíveis em Sistemas de Apoio à Decisão Inteligentes

Os Sistemas de Apoio à Decisão (SAD) são ferramentas capazes de auxiliar na solução dos problemas semi-estruturados, caracterizados pelo grande número de opções a analisar e pelos altos impactos associados à implementação da opção escolhida. Devido à relativa dificuldade em especificá-los computacionalmente, a solução utilizada em geral para tratar tais problemas é combinar a capacidade cognitiva do usuário e a capacidade analítica do sistema de apoio. Apesar de SADs serem um valioso recurso para lidar com essa particular e freqüente classe de problemas, estudos mostram que se uma ferramenta de apoio não for considerada enriquecedora ao processo decisório, ela poderá ser abandonada com a justificativa alegada de poupar esforço cognitivo do tomador de decisão.

Com o propósito de melhorar a satisfação do usuário e a utilidade do SAD, reduzindo sua probabilidade de abandono, essa dissertação apresenta uma investigação, visando considerar os aspectos relacionados ao provimento de diálogos flexíveis em Sistemas de Apoio à Decisão Inteligentes (SADI), em problemas que necessitem de um único modelo analítico para apoiar seu processo decisório.
A investigação e proposição se fundamentaram na consideração de uma arquitetura de SAD, cujos principais aspectos são: (i) a geração de modelos analíticos inteligentes incorporando aspectos do perfil cognitivo do usuário, (ii) a seleção do modelo de acordo com as particularidades do problema e do tomador de decisão e (iii) a evolução contínua do SADI. Esses aspectos foram analisados e discutidos tanto sob o ponto de vista abstrato quanto computacional.Os resultados da investigação, obtidos através de provas de conceito e simulações, apontam para a factibilidade da arquitetura considerada, no sentido de prover diálogos flexíveis a
usuários, no escopo dos problemas de decisão enfocados. Espera-se que a utilização dessa abordagem, possa melhorar a satisfação dos tomadores de decisão no uso da sua ferramenta de apoio, por promover um aumento de flexibilidade e de confiança na mesma, que ao longo do tempo, adapta-se progressivamente ao estilo cognitivo do decisor. Assim, é razoável esperar que haja uma redução na probabilidade de abandono do sistema e consequentemente, um aumento na qualidade das decisões tomadas.

Palavras-chave: Inteligência Computacional, Sistemas de Suporte à Decisão, Diálogos de Decisão Flexíveis, Sistemas Inteligentes Híbridos, Computação Evolucionária.

[Voltar para o topo desta página]

Diogo Ferreira Pacheco - MESTRE em 2008.2

Uma Abordagem Evolucionária Multi-Objetiva para Suporte à Decisão de Colheitas de Cana-de-Açúcar

A cana-de-açúcar é uma das commodities mais disputadas e com volumes de comercialização de maior expansão no mundo. Esse interesse é motivado por sua importância econômica advinda de seus principais sub-produtos: o açúcar, o álcool e a produção de energia térmica. O Brasil é o maior produtor mundial de cana-de-açúcar, com produção anual maior que a soma dos quatro maiores produtores seguintes.
A colheita da cana-de-açúcar é uma das etapas mais importantes na complexa atividade canavieira. As decisões de colheita têm impacto elevado e direto na produtividade, e consequentemente, na rentabilidade do agro-negócio. Talvez essa complexidade explique, em não poucas usinas, a realização do planejamento de colheita de forma empírica.
Nesta dissertação registramos o trabalho de pesquisa onde se desenvolveu uma abordagem evolucionária e multi-objetiva (MO) para apoiar decisões de colheita de cana-de-açúcar. Foram considerados concomitantemente interesses agronômicos e logísticos, inerentes à atividade, ambos, concorrentes entre si. Ainda, cuidou-se de incorporar no modelo proposto, as preferências gerenciais dos tomadores de decisão quando das sugestões de colheita produzidas pelo modelo.
Esta pesquisa foi desenvolvida em três fases, nas quais o complexo problema de planejamento de colheita foi analisado e tratado, a saber: (i) formulação MO do problema; (ii) inclusão de aspectos logísticos em adição aos aspectos agronômicos, além de melhorias na modelagem do problema (i.e. representação dos dados, operadores genéticos e algoritmos utilizados); e finalmente, (iii) tratamento das preferências gerenciais do tomador da decisão.
Em adição ao modelo proposto, construiu-se um aplicativo inteligente híbrido bastante flexível, que incorpora redes neurais artificiais, algoritmos evolucionários multi-objetivo para otimização da busca pela melhor decisão e lógica fuzzy.
Para validar o modelo, utilizou-se dados de três bases reais de usinas do sudeste brasileiro. Nos experimentos realizados foram analisados aspectos MO diversos, sejam eles computacionais (e.g. diversidade de soluções, tempo de computação e convergência para o Pareto ótimo) bem como aspectos econômicos (e.g. agronômicos e logísticos).
Os resultados obtidos comprovaram que o modelo proposto e implementado conseguiu (i) aumentar a produtividade das safras de cana-de-açúcar simuladas e (ii) tornar o processo de decisão e planejamento de colheita de cana-de-açúcar menos empírico.

Palavras Chaves: Computação Evolucionária,  Otimização Multi-Objetivo, Suporte a Decisção, Colheita de Cana-de-açúcar.

[Voltar para o topo desta página]

Bernardo João de Barros Caldas - MESTRE em 2008.1

Suporte a Decisão Executiva Apropriada Baseado em Sistemas Imunológicos Artificiais (SSDeSIA)

As organizações são estruturadas em camadas, que lhes confere funcionalidades integradas e interdependentes, além de uma hierarquia de decisão, suportadas por específicos Sistemas de Informação, respectivamente. A hierarquia de decisão esta relacionada aos tipos de problemas tratados por estas camadas, onde: (i) a camada operacional trata os problemas estruturados e repetitivos o que implica em decisões determinísticas, (ii) a camada tática trata os problemas semi-estruturados onde critérios (e.g. internos ou externos) podem influir em seus resultados, por fim, (iii) a camada estratégica onde tanto cenários de decisão e critérios, não são conhecidos a priori.
Os atuais sistemas de suporte à decisão (SSD) permitem incorporar modelos para tratar decisões das três camadas organizacionais. Eles são suportados por módulos gerenciadores de conhecimento baseados em, por exemplo, regras heurísticas, Sistemas Especialistas, Lógica Fuzzy e Redes Neurais Artificiais. Tudo isso, para prover aos decisores meios de gerar e avaliar suas decisões. A própria natureza das decisões implica em especificidades e graus diferentes e crescentes de dificuldade à medida que se sobe na hierarquia das organizações. No caso de decisões estratégicas, a diversidade e a complexidade da decisão dificultam sobremaneira o SSD.
Decidir estrategicamente é administrar o amanhã, com informações de ontem e de hoje, o que torna a decisão estratégica uma das mais complexas ações enfrentadas por um decisor. Trata-se, com freqüência, de decisões que não foram vivenciadas anteriormente, seja no âmbito organizacional seja no âmbito pessoal do decisor, daí a sua complexidade.
Com o objetivo de apoiar decisores estratégicos em suas decisões, este trabalho de pesquisa incorporou conhecimentos dos sistemas imunológicos artificiais, de processos de decisão executiva e dos sistemas de informação, no sentido de propor: (1º) uma analogia entre o domínio imunológico e da informação. Em seguida, baseado nessa fertilização cruzada de áreas de conhecimento, foi proposta (2º) uma extensão e adaptação de hierarquia de decisão adotada no nível gerencial para o nível executivo. Finalmente, esta dissertação propõe, também, (3º) um novo algoritmo inspirado em Sistemas Imunes Artificiais para a abordagem de decisão proposta. Esse novo algoritmo visa apoiar o processo de decisões executivas, através de duas maneiras, a saber: (a) geração e (b) avaliação de células de decisão consideradas apropriadas para com o problema de decisão. O algoritmo proposto foi instanciado na ferramenta 'Appropriate Executive Decisions' (AED). Esta ferramenta incorpora características como memória, detecção imperfeita, diversidade, unicidade e aprendizagem, todas, pertencentes ao sistema imunológico dos vertebrados.
Como conclusão, esta dissertação apresenta uma ampla validação da ferramenta e conseqüentemente do novo algoritmo e abordagens propostas. A validação produziu resultados bastante favoráveis indicando a eficácia da proposta. Validação esta, que foi realizada com usuários decisores estratégicos que puderam experimentar a ferramenta em suas duas capacidades (i.e. geração e avaliação de células de decisão, próprias ou de seus subordinados).


Palavras Chaves: Teoria Geral da Administração, Sistemas de Informações Executivas, Decisão Executiva Apropriada, Sistemas Imunológicos Artificiais, Geração e Avaliação de Células de Decisão Executiva.

[Voltar para o topo desta página]

Renata Lúcia Mendonça Ernesto Rego - MESTRE em 2006.2

Sistema neural para reconstrução de superfícies a partir de nuvens de pontos

Em uma grande variedade de aplicações existe a necessidade de modelos digitais de objetos reais, como máquinas, produtos comerciais, esculturas, órgãos humanos, entre outros. O processo de criação desses modelos a partir de dados do objeto real que ele representa é chamado de Reconstrução. Nesse trabalho é proposta uma nova Rede Neural que gera uma representação em malha de triângulos da forma de um objeto a partir de um conjunto de pontos de sua superfície. O sistema de reconstrução recebe como entrada um conjunto de imagens de secções transversais de um objeto real ou um de objeto sintético. A partir dessas entradas são adquiridos os pontos que são fornecidos à Rede Neural para a reconstrução da forma do objeto.
Inicialmente o processo de Reconstrução de um modo geral será apresentado juntamente com algumas das soluções atualmente disponíveis. Em seguida é apresentado o sistema de Reconstrução desenvolvido, particularmente a nova Rede Neural proposta para reconstrução de superfícies. Por fim são apresentados os experimentos realizados, os resultados alcançados, e discutidos os aspectos favoráveis e desfavoráveis do algoritmo proposto para Reconstrução de Superfície, bem como as possibilidades futuras de melhorias para o sistema.

Palavras Chaves: Modelos Digitais de Superfícies, Reconstrução de Superfícies Virtuais, Redes neurais Artificiais.

[Voltar para o topo desta página]