Accepted papers
Evolutionary, swarm and nature-inspired computation
Ant Colony Optimization and Swarm Intelligence
Muitas vezes, os métodos meta-heurísticos se deparam com um problema conhecido como convergência prematura, o que faz com que eles percam a capacidade de gerar diversidade. Embora várias abordagens tenham sido propostas, a convergência prematura ainda é uma questão em aberto. Meta-heurísticas mais recentes como Algoritmo de Polinização das Flores (FPA) também enfrentam o problema. Este trabalho apresenta um conceito da área de sistemas de recomendação, chamado serendipidade, como uma nova abordagem para o contexto de otimização. O trabalho formaliza serendipidade e também propõe uma nova variante FPA que implementa duas dimensões desse conceito: acaso e sagacidade. O algoritmo proposto foi comparado com o FPA e com uma variante da literatura chamada DE-FPA. Os resultados obtidos mostraram a superioridade da variante proposta quando comparada ao FPA e à DE-FPA.
This paper deals with a new and interesting variant of the classical Resource-Constrained Project Scheduling Problem (RCPSP). In this variant, called by Multi-Mode Resource-Constrained Project Scheduling Problem with energy (MRCPSP-energy), each job has different execution modes where duration and energy consumption are conflicting. To make a job take less time to finish, it is necessary to spend more energy in its execution and vice-versa. This situation happens in several mechanized operations where the machines can operate in distinct energy saving manners. In order to tackle this problem, a Mixed Integer Programming (MIP) is proposed as well as some tightening constraints. For large instances, a metaheuristic based on Ant Colony Optimization technique was tested. The obtained results show that the formulation provided significant bounds. The heuristic results are also competitive with other results.
Discrete Interval Binary Signals (DIBS) is a well-known multi-frequency two-level amplitude signal used in system identification and commonly occurs harmonic distortion in the frequency spectrum as a drawback. Hence, an optimization must be done to improve the relation between signal and undesired harmonic distortion to improve the Crest Factor (CR). This paper proposes the use of Particle Swarm Optimization (PSO) to optimize DIBS. The employed PSO is the canonical codified in the continuous domain. Eight different experiments with different parameters of DIBS are proposed to validate this PSO application. PSO performance is compared with the Van Den Bos algorithm widely used in the literature. Results show better performance for PSO compared to the Van Den Bos algorithm passing the Wilcoxon rank sum test with a very small p-value. Another remarkable fact is that PSO shows good convergence to all problem instances, giving robustness to the solution.
The MAX-MIN Ant System is a bio-inspired metaheuristic algorithm that has presented some of the best results for combinatorial optimization problems, specially the Quadratic Assignment Problem. But differently from most of the Ant Colony Optimization algorithms, it does not make use of any heuristic information when applied with local search. The rationale for this is that both the heuristic and the local search serve to the same purpose of preventing bad solutions to update the pheromone trails. In this work, we analyse this statement and compare the results obtained with and without heuristic, also determining which pheromone update choice is more suitable for each case. In the experiments, it was observed a clear benefit of using the heuristic information regarding the expended time to find good solutions, with no overall advantage of not using it.
The identification of oil patterns in the distillation process provides useful information for the refinery operation and logistics. The a priori information concerning the characteristics expected by a given oil sample improves the logistic concerning which refineries should process the sample, together with pricing and marketing. This article presents the results of data mining models applied to a generic database of crude oil samples. Only information available in the beginning of the oil refinement process is used. Clustering techniques based on bio-inspired algorithms are applied to the data samples in order to extract structured patterns from data. Three algorithms were used: PSO, FSS and ABC. The silhouette index was used as the fitness function to be optimized. The results were later evaluated using other clustering quality index. The algorithms were able to find patterns beyond the standard oil classification, which considers only the oil density measure.
Feature selection is an important step used in several pattern recognition tasks to identify the significant features and discard irrelevant or redundant ones from the original set. In this research, a feature selection algorithm based on binary artificial bee colony with K-NN classifier is used for the discriminative analysis between healthy voices and voices with vocal deviations (breathiness, roughness and strain). The aim is to determine which acoustic measures based on the recurrence quantification analysis are relevant and contribute more in voice signals discrimination. In thirty two tests performed, 88.33% of accuracy was obtained with a reduction of fifteen for seven features in the discrimination between healthy and strained voices, four features and accuracy of 88.33% in the classification between healthy and breathiness and a reduction for five features, with an accuracy of 93.33%, in the discrimination between healthy and rough voices.
This paper presents a method for solving the problem of Simultaneous Localization and Mapping (SLAM) based on the application of Particle Swarm Optimization (PSO) to the estimation of occupancy grid maps from laser scan data. The registration task is cast in the form of a nonlinear optimization problem and used to get an adequate approximation of the relative motion of the robot in between data frames. The method presented has the advantage of requiring no landmarks and being fast enough to perform online. Furthermore, we elaborate on how to tune the parameters of the algorithm to obtain satisfactory results.
Derivative-free methods are being explored recently due to the increased complexity of the models used in the optimization problems, and the impossibility/inconvenience of using derivatives in several situations. However, those methods show some limitations due to their low convergence rate, and when the problem is high-dimensional. Metaheuristics are another commonly adopted type of search technique. Despite their robustness, metaheuristics require a large number of objective function evaluations to find an accurate solution. The combination of derivative-free optimization methods with bio-inspired metaheuristics is analyzed here. Specifically, Particle Swarm Optimization and Differential Evolution are hybridized with Pattern Search techniques. Also, an improvement of the conventional pattern search is proposed. Finally, computational experiments are performed to comparatively analyze the hybrid methods and the proposed pattern search.
Métodos aproximativos são muito utilizados na resolução de problemas computacionais complexos, pois são capazes de produzir re- sultados significativos em um tempo satisfatório. Sendo o problema de agrupamento automático NP-difícil, métodos não-exatos que possuem uma complexidade tratável são desejáveis. Por essa razão, nesse trabalho é apresentada uma metaheurística de inteligência coletiva, inspirada no comportamento das formigas para resolver problemas de agrupamento de dados. O algoritmo implementado foi submetido a testes, recebendo como entrada 68 instâncias da literatura e os resultados foram compara- dos com outro método de agrupamento baseado em densidade. O índice silhueta foi adotado para mensurar a qualidade dos agrupamentos gera- dos. Os resultados obtidos pelo algoritmo proposto foram competitivos quanto comparados com a literatura, indicando que o algoritmo é capaz de encontrar agrupamentos que representem bem a distribuição original dos dados.
Evolutionary Machine Learning
Redes Neurais Artificiais (RNA) são técnicas comumente utilizadas em tarefas como predição, regressão e classificação. O treinamento destas redes costuma ser feito pelo algoritmo de retropropagação do erro, ou backpropagation. Diversos trabalhos na literatura sugerem a utilização de algoritmos de otimização baseados em populações, como o algoritmo PSO (Particle Swarmn Optimization), para o treinamento de RNAs. Em 2011, o algoritmo Teaching-Learning Based Optimization (TLBO) foi proposto, baseado em interações em sala de aula. O objetivo deste trabalho foi comparar o TLBO com outros algoritmos de otimização já consolodados na tarefa de treinar RNA para classificação. TLBO obteve resultados interessantes comparado a seus concorrentes utilizando as bases Iris, Wine e Ovarian Cancer, podendo ser uma alternativa promissora no treinamento de RNAs.
Evolutionary Multiobjective Optimization
Na atualidade um dos algoritmos mais eficientes para a busca de soluções globais em problemas de otimização multiobjetivos é o chamado NSGA III (Non-Dominated Sorting Genetic Algorithm III). Este vem sendo aplicado nos últimos anos a diversas classes de problemas e apresentando bons resultados, fato que popularizou a sua utilização. Pode-se observar na mais recente literatura da área que diversos algoritmos vêm sendo desenvolvidos a fim de gerar resultados melhores ou equivalentes aos obtidos pelo NSGA III. Este trabalho propõe um algoritmo evolucionário multiobjetivo híbrido baseado no Evolução Diferencial, no K Means e no NSGA II. Os resultados da aplicação deste nos benchmarks DTLZ1 e DTLZ2 para 3 e 5 objetivos mostraram que a hibridização de três algoritmos clássicos diferentes pode gerar resultados equivalentes aos obtidos pelo NSGA III. As métricas e condições de experimentação desta análise são as mesmas usadas pelos autores do NSGA III para demonstrar sua qualidade.
Este trabalho tem como objetivo analisar o desempenho do clássico algoritmo cul-tural (CA) com uma nova proposta CA além de duas técnicas de pesquisa locais (Simulated Annealing - SA e Busca Tabu - BT). Para diversificar os testes, no AC com SA houve variação da energia do parâmetro, e no AC com BT, houve variação no tamanho da lista de tabu. Os algoritmos foram submetidos a dois ce-nários (cenário 1 - Funções básicas, cenário 2 - Funções híbridas). O algoritmo proposto difere de outros encontrados na literatura, pelo processo de alimentação do conhecimento topográfico que orienta a pesquisa. Já que é alimentado pelos espaços onde as buscas locais tiveram o melhor desempenho formando uma área de resultados promissora, isso justifica o contributo da pesquisa. A análise foi re-alizada utilizando os testes Friedman, Friedman Aligned e Quades, que servem para comparar o comportamento de um conjunto de algoritmos de uma só vez.
Existe disponível na literatura uma grande variedade de Algoritmos Evolucionários e Determinísticos para otimização multiobjetivo. Porém a otimização de muitos objetivos (n > 3) ainda é um campo em exploração com muitas oportunidades de desenvolvimentos tanto para melhoria das soluções encontradas quanto em custo computacional para obtenção dos resultados. Neste sentido o presente trabalho apresenta uma abordagem de aplicação da evolução das soluções através da metodologia de PSO (particle swarm optimization) realizando a Decomposição das soluções e obtenção da Fronteira de Pareto a partir do algoritmo MOEA-D (Multiobjective Evolutionary Algorithm Based on Decomposition) e busca local utilizando-se um EDA (Estimation of distribution algorithm) a fim de auxiliar a convergência. Palavras Chaves: Otimização, Multiobjetivo, Enxame de Partículas, Estimativa de distribuição, Muitos Objetivos
Genetic Programming
A WEB é utilizada como plataforma para debates, opiniões, etc. Esses dados permitiram que a área de Análise de Sentimento (AS) se desenvolvesse. Entre os desafios da AS, destaca-se a criação de classificadores eficazes. Normalmente, os modelos gerados pelas técnicas não supervisionadas são heurísticas específicas, manualmente definidas e pouco adaptáveis. Assim, este trabalho propõe a utilização da Programação Genética (PG) para a geração automatizada de modelos de classificação de sentimento. Com isso, espera-se reduzir o custo de geração dos classificadores e aumentar a eficácia para cada domínio. Para validar a proposta foi utilizado o benchmark SemEval2014. Os resultados mostram que a abordagem utilizando a PG é promissora, pois os modelos gerados superam o baseline e são competitivos com outros trabalhos. Por fim, destaca-se a capacidade de customização dos modelos de acordo com o contexto e a possibilidade de transferência de conhecimento dos usuários por meio das funções da PG.
Este trabalho apresenta um estudo de caso utilizando a programação genética como uma proposta para obter um modelo de previsão para centrais de teleatendimento. O trabalho apresenta um modelo clássico utilizado em séries temporais com um ajuste para as centrais de teleatendimento. Um processo de extração de características da série é apresentado e utilizado na programação genética. Os resultados do estudo de caso indicam que a programação genética é viável com resultados superiores ao modelo clássico. Melhorias e trabalhos futuros são indicados no intuito de explorar esta abordagem de computação evolucionária para séries temporais.
Genetic and Evolutionary Algorithms
When a metaheuristic is used for solving Job-Shop Scheduling Problems (JSPs), ones need to select the correct movement operators and theirs parameters to improve the results for them. However, the correct setup for a problem is a hard work and it is problem-dependent. In this work, we propose the use of an Adaptive Genetic Algorithm (AGA) to automatically control the techniques contained in its framework, while it is solving the problem. An Adaptive Pursuit Method with Extreme Credit Assignment is used to select the movement operators (crossover and mutation techniques) and its parameters, and select the Local Search rate. The algorithm is tested in instances provided by a well-known generator for JSPs. The results show superior performance and reliability when compared with a standard genetic algorithm.
Este trabalho visa avaliar modelos de carga em sistemas brasileiros de distribuição de energia elétrica. Um procedimento para construção de modelos residenciais e comerciais é apresentado. Os resultados obtidos no procedimento desenvolvido foram avaliados e confrontados com modelos de carga padronizados pela entidade reguladora do setor elétrico brasileiro. Para tal propósito, foram simulados dois sistemas de distribuição de energia elétrica. Em seguida, um algoritmo genético é apresentado para tratar o problema da modelagem de carga. Após a otimização, foram evidenciadas melhorias na modelagem de carga e cálculo perdas técnicas, especialmente nos horários de maior demanda de energia.
A evolução tecnológica observada nos últimos tempos, aliada à crescente popularização de sistemas e recursos computacionais, tem permitido que um substancial volume de informações seja captado, analisado e armazenado. Embora muito úteis para o meio científico, a disseminação de tais fontes de dados envolve o aspecto ético do risco de violação do sigilo do indivíduo. Neste sentido, a microagregação, técnicas de controle estatístico de sigilo, pode contribuir para mitigar este risco. O presente trabalho apresenta proposta de um novo método de microagregação, considerando o estudo da metaheurística algoritmo genético de chaves aleatórias. No final do trabalho é apresentado um conjunto de resultados computacionais promissores, sendo esses resultados referentes à aplicação do novo método proposto e de outros métodos da literatura.
This paper presents an experimental analysis of some of the most popular methods for handling boundary constraints in the Differential Evolution algorithm. We also propose an additional method were an infeasible mutant vector is scaled back to the allowable bounds through the selection of an adequate scale factor. The selected methods are applied to the CEC2017 benchmark suite for single objective real-parameter numerical optimization. We present a statistical analysis using the Wilcoxon test and Performance Profiles. The experimental results show the superiority of the method known as Resampling and that, for some scenarios, our proposed method might be a good option.
O presente artigo trata sobre o Problema de Dimensionamento de Lotes Monoestágio Multi-item Capacitado, que consiste em determinar a quantidade de itens a serem produzidos em diferentes períodos de tempo a fim de minimizar o custo total de produção, considerando a demanda relativa ao item e a capacidade produtiva do período. O problema foi resolvido através de duas abordagens:um algorítmo genético e um resolvedor CPLEX. Foram realizados experimentos computacionais comparando os resultados obtidos pelo software de otimização e pelo algoritmo genético desenvolvido a partir de instâncias geradas aleatoriamente. Os resultados obtidos mostraram que o algoritmo genético, apesar de não encontrar a melhor solução para o problema na maior parte dos casos, apresentou uma resposta em um tempo substancialmente menor que a do CPLEX. Outra contribuição importante se refere a representação da solução utilizada, que define uma ordem de produção para cada período.
Genetic Programming (GP) is used for solving many real world problems. From data classification to building phylogenetic trees, the technique can be applied almost to any problem. One way to improve GP performance is using a formal grammar. We propose here the use of grammar-based genetic programming (GGP) with Differential Evolution (DE). DE is incorporated to GGP in order to improve the quality of solutions obtained by GGP when solving symbolic regression problems by finding good numerical coefficients for the models. In this proposal, the coefficients of the best individuals generated by GGP during the search are adjusted by DE. Also, this technique incorporates these values to the grammar; thus, the grammar is adapted during the search. The proposed technique is applied to 8 symbolic regression problems and it is compared to a standard GGP. The results indicate that GGP hybridized with DE obtained better models, specially when the original model contains real-valued coefficients.
Beehive Hidato puzzles are logic games, similar to Sudoku, in which the grid cells are hexagons. Some hexagons are prefilled with given numbers, and the objective of the game is to find a path of natural numbers, from 1 to the grid size n, in such a way that consecutive numbers stay connected by any hexagon side. Although the rules of the game are simple, find the solution for this problem can be quite challenging. In this work, we designed and implemented a genetic algorithm (GA) to solve Beehive Hidato problems. The proposed GA uses commonly used genetic operators and the RTS niching technique to preserve population diversity. A new strategy based on gene convergence rate is also implemented and tested. The proposed algorithm was evaluated in 21 instances of Beehive Hidato with different sizes and complexities. The results show that GAs are promising tools for solving Beehive Hidato problems.
Bilevel optimization problems rise great interest, given their ability to model hierarchical decision structures. However, the challenges in their solution require the development of appropriate computational techniques. This work aims at a class of bilevel problems where the ob- jective function of the follower agent is linear or quadratic in the follower variables. Using the Karush-Kuhn-Tucker conditions, the follower level is solved as a linear complementarity problem, giving rise to a nested approach. The follower response is obtained by Lemke’s algorithm, while the leader level is handled by the differential evolution metaheuristic.
Real World Applications
Food intake, bodyweight and appetite are controlled by a “web of hormones.”On this work, we shall present a problem in parameter estimation using evolutionary algorithms alongside local search, what we have called hybrid algorithms (global search + local search); furthermore, we apply artificial neural networks (feedforward neural network) for supporting the numerical simulations (what we have called “fake data”). We present a mathematical model for ghrelin partially published elsewhere by the same authors; furthermore, we have confronted the model mathematically with in vivo data via parameter estimation and got promising results for the novel mathematical formulation. Notwithstanding the parameter estimation was unable to model precisely the experimental data, most likely due to physiological details still unclear in the medical literature, it generated an optimized curve relatively close to the experimental data, leaving promising results for future investigations.
Este trabalho traz a proposta de um algoritmo de otimização para resolução do problema de estratificação ótima univariado. Nesse problema, dado um nível de precisão fixado, busca-se a minimização do tamanho da amostra. O algoritmo é baseado nas metaheurísticas VNDS com Path-Relinking. A parte final desse artigo traz um conjunto de resultados computacionais considerando a comparação do algoritmo proposto com dois algoritmos bem conhecidos da literatura, produzindo a melhor solução para 90\% das instâncias consideradas.
A aplicação de técnicas da computação de alto desempenho viabiliza a solução de problemas de otimização, especialmente aqueles que envolvem um custo computacional elevado. O agendamento de intervenções em redes elétricas apresenta-se como um problema enfrentado comumente na operação de curto prazo de redes elétricas. A forte relação de dependência entre variáveis e o alto custo da avaliação das soluções propostas tornam o problema tão interessante quanto complexo, o que aponta naturalmente para o uso de algoritmos evolutivos. Neste artigo, técnicas e estratégias são propostas para lidar com o alto custo da função de avaliação de cada solução do problema, sem perda de qualidade. Resultados de testes obtidos com redes elétricas típicas são apresentados e discutidos.
O problema de previsão de carga a curto prazo consiste em estimar a demanda futura de um perı́odo de até uma semana e possui fundamental importância nas operações de um sistema elétrico. Tal problema pode ser modelado em termos de similaridades de padrões, permitindo o uso de algoritmos de regressão baseados em aprendizado de máquina aplicados a análise de séries temporais. Neste trabalho, dois modelos imunoinspirados são avaliados e incorporados a um método de transformação. Os experimentos apresentam resultados interessantes, comprovando a aplicabilidade dos modelos e da estratégia adotada.
As redes de sensores sem fio têm se tornado uma das mais importantes tecnologias da atualidade. Quando elas são projetadas para realizar monitoramento, é essencial determinar a adequada posicão dos sensores de modo que a área coberta possa ser maximizada. Além disso, é fundamental garantir confiabilidade na entrega dos dados à estação base. O presente trabalho lida com estes dois objetivos simultaneamente, apresentando uma formulação multiobjetivo e propondo um algoritmo Evolução Diferencial Multiobjetivo dedicado ao problema. A finalidade é, além de garantir conectividade, obter um conjunto de soluções de compromisso entre cobertura e confiabilidade e, a partir disto, direcionar a busca por soluções pertencentes a uma região de interesse por meio de uma estratégia alternativa de dominância. Esta proposta obteve uma boa representação da fronteira Pareto em todos os cenários analisados e foi capaz de alcançar soluções promissores na região de interesse.
This paper investigates the application of bio-inspired Swarm-based algorithms - Particle Swarm Optimization (PSO) and Artificial Bee Colony (ABC) - to improve the capability of the Ad Hoc On-Demand Distance Vector (AODV) routing protocol to recover broken connections that occur due to the mobility of nodes in Mobile ad-hoc networks (MANETs). We use the algorithms as mentioned earlier to calculate the weight of a function based on the number of hops traveled by the package, the number of hops to reach the destiny, source node connectivity and the predecessor node connectivity. We compare the obtained results with the standard version of the AODV. The results show that the proposed approach with both ABC and PSO algorithms are capable of achieving better results than the standard AODV protocol concerning routing overhead, delay, and packet delivery ratio.
Neste trabalho são propostos dois algoritmos híbridos de otimização, sendo cada um deles composto pela combinação das metaheuristicas: Algoritmo de Otimização de Leão (AOL), Evolução Diferencial (ED) e Busca Local Iterativa (BLI). Nestes algoritmos, as metaheurísticas são processadas de forma paralela e trocam informações, para melhorar seus respectivos desempenhos quando considerados individualmente. Adicionalmente cada metaheurísta do algoritmo híbrido proposto contém um processamento paralelo visando redução de custo computacional. O contexto do presente artigo é o problema de estimação de parâmetros de modelos para sistemas não lineares.
Neural and machine learning systems
Artificial Neural Networks
Deep Learning
Hybrid Systems
Machine Learning
Real World Applications
Fuzzy and Stochastic Modeling
Fuzzy Control and Decision Making
Este trabalho está voltado para o controle Fuzzy proporcional, integral e derivativo (PID) de um modelo de tanque. O modelo não linear abordado do sistema permite analisar e simular o comportamento físico do nível de liquido em determinadas situações para fins de testes e a aplicação topologia de controle Fuzzy PID proposto. A aplicação do controle Fuzzy PID consegue realizar um mapeamento não linear da planta através das bases de regras e serve para impor estabilidade robusta, garantir rastreamento e regulação do nível na altura desejada, com o objetivo de controlar o nível para qualquer referência desejada objetivando o melhor desempenho do sistema. Utiliza-se o MATLAB® 2015 com a ferramenta Simulink para simular o comportamento da planta e a toolbox Fuzzy do MATLAB® para projetar o controlador Fuzzy PID.
Neste artigo, apresentamos uma nova perspectiva e uma nova abordagem para o problema de roteamento de veículos elétricos e de localização de estações de troca de baterias, que visa determinar a localização ótima de estações de troca de bateria e simultaneamente o roteamento de uma frota de veículos elétricos com o intuito de amenizar os impactos ambientais causados pelo uso de automóveis e possibilitar a utilização de veículos elétricos de forma economicamente viável em serviços de transportes. Diferentemente de outros trabalhos na literatura tratando deste mesmo problema, utilizamos de instâncias modificadas em que os custos de implantação das bases são diferentes, dependendo da densidade de clientes em algumas instâncias ou custos totalmente aleatórios em outras. É apresentada uma estratégia para resolver o problema e, após os resultados, é feita uma avaliação sobre os possíveis impactos na resolução deste problema gerados pela alteração dos custos feita nas instâncias modificadas.
Fuzzy Systems
This paper describes a multi objective system for induction of fuzzy classifiers based on Fuzzy Pattern Trees. This is a tree-based hierarchical model. Each tree will be a "logical class description" allowing the interpretation of the result. The construction method of the original trees was replaced by the Cartesian Genetic Programming, in order to better explore the search space. The search is guided by two objectives the accuracy in the classification and the interpretability, therefore the NSGA II multi-objective algorithm was used for search solutions that contemplate both. The proposed Classifier was compared with Random Forests, Support Vector Machines and K Nearest Neighbors in several databases of the UCI Machine Learning Repository presenting a competitive and interpretable result. Another comparison made was between the proposed model and the Fuzzy Pattern Trees originally proposed. The proposed model presented competitive results and smaller trees.
Este artigo apresenta uma metodologia para agrupamento incremental de dados em fluxos contínuos. O método proposto se baseia nos conceitos de tipicidade e excentricidade e no algoritmo CEDAS, recentemente introduzidos. A cada nova amostra recebida, atualiza-se uma estrutura de micro grupos os quais armazenam, dentre outros parâmetros, a densidade local dos dados e a tipicidade local. Em seguida, uma estrutura de macro grupos é atualizada como sendo uma soma das tipicidades dos micro grupos que se sobrepõem ponderadas pela densidade local de cada um destes micro grupos. Ao final tem-se um modelo de mistura de densidades locais que possui a capacidade de agrupar dados de distribuições arbitrárias e gerar como saída um valor de pertinência de uma amostra para cada agrupamento. Os resultados preliminares, com bases de dados sintéticas, mostraram que o algoritmo proposto é promissor para aplicações de agrupamento online.
The aim of this paper is to propose a method for probabilistic forecasting based on the aggregation of seasonal Fuzzy Time-Series techniques with ensemble learning. The proposed method generates different seasonal FTS models and the best ones are combined into an ensemble learning. The forecasting procedure consists in evaluating individual models and combining their outputs into a continuous probability distribution using Kernel density estimation. The method was applied to SONDA dataset considering three seasonal indexes on solar radiation data. The best Ensemble models were those with 15 minutes interval index and Entropy partitioning in their different parameters. The built ensemble forecasts were then compared with ARIMA and Quantile Auto-Regression models using Continuous Ranked Probability Score (CRPS) metric. The Ensemble FTS method presented a slightly larger CRPS, especially for the Epanechnikov, Tophat and Triangular kernels, which suggests a better model.
Este trabalho tem como objetivo apresentar o desenvolvimento de um hardware dedicado de um sistema baseado em lógica Fuzzy para um Field Programmable Gate Array (FPGA). O sistema proposto utiliza uma máquina de inferência Takagi-Sugeno e sua implementação utilizou uma estratégia híbrida com partes em ponto-fixo e outras ponto flutuante. Objetivando validar o hardware proposto, o trabalho apresenta resultados através de simulação em precisão de bit para várias resoluções em tamanho de bit. Além dos resultados de validação são apresentadas informações sobre a ocupação e \emph{throughput} do hardware proposto. O hardware utilizou como alvo um FPGA Xilinx Virtex 6 xc6vlx240t-1ff1156.
Systema Fuzzy aplicado à avaliação de desempenho de programas governamentais. Está dividido em: (i) análise gráfica e identificação de vá-riaveis, a partir da análise dos conceito de eficácia e eficiência e seus correlacionamen-tos com os indicadores desempenho físico e financeiro; (ii) fuzzificação é a etapa que permite associar as variáveis identificadas na etapa anterior à conjuntos fuzzy e atribu-tos de termos linguísticos , bem como estabelecer um grau de pertinência dos valores destas variáveis as estes atributos; (iii) Inferências fuzzy estabelece regras do tipo if-then que associam premissas contendo variáveis linguísticas de entrada a consequência que impacta na mudança de status da variável linguística de saída do sistema; (iv) defuzificação –retorna uma saída crisp a partir do bloco de inferência, utilizando o mé-todo do centróide - (v) Classificação transforma o valor numérico calculado na defuzificação em um valor categórico.
Real World Applications
Este trabalho apresenta um aperfeiçoamento do modelo nebuloso do reconhecimento antigênico inspirado no sistema imune que será testado através de seu emprego em três tipos de algoritmos imunoinspirados. Os algoritmos estudados são aplicados a problemas de detecção de falhas em sistemas dinâmicos provendo resultados interessantes na detecção das falhas estudadas nos estudos de casos apresentados.
O objetivo deste trabalho é analisar o processo de envelhecimento da voz através de técnicas de agrupamento (clustering), utilizando como atributos de entrada parâmetros extraídos dos sinais de voz e do sinal glotal. Os sinais de voz e glotal têm sido utilizados para identificar patologias diversas e a extração desses parâmetros são obtidos utilizando técnicas não invasivas. O sinal de voz foi obtido na gravação da voz dos locutores através de um microfone e o sinal glotal através da filtragem inversa do sinal das vozes gravadas. Dois métodos distintos foram usados nesta análise: Mapas Auto-organizáveis (SOM) – Kohonen e Fuzzy c-Means. A base de dados utilizada é constituída de vozes gravadas por locutores masculinos e femininos, de idades diferentes, na faixa etária de 15 a 100 anos. Os modelos de agrupamento permitiram classificar a idade vocal dos locutores, identificando modificações nos parâmetros acústicos da voz, independente da idade cronológica dos locutores.
Uncertainty Analysis
Fuzzy Multi-criteria decision making methods have been provided to help the decision-makers in their complex decisions about future uncertainties. Taking into consideration uncertainties such vagueness and scenarios, this paper aims to apply the methods Fuzzy-MultiMoora, Fuzzy-Topsis Linear, Fuzzy-Topsis Vector, Fuzzy-Vikor and Fuzzy-Waspas in a practical Hydrothermal Dispatch. Five scenarios were evaluated varying hydrology and energy demand parameters, from very pessimistic to very optimistic. Two decision makers made explicit their preferences weighting three criteria: Cost, Rationing and Distance. The normalized fuzzy numbers were calculated using the concept of alpha-cuts. Finally, the indexes were aggregated into a final ordering considering weights for the methods based on Kendall tau distance. The best solutions were compared in relation to the criteria. It was observed that these solutions presented good results in all scenarios evaluated, which confirms the good results.