• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tesis Doctoral
DOI
10.11606/T.18.2007.tde-11122007-104053
Documento
Autor
Nombre completo
Fabiana Cristina Bertoni
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Carlos, 2007
Director
Tribunal
Silva, Ivan Nunes da (Presidente)
Carvalho, André Carlos Ponce de Leon Ferreira de
Julia, Rita Maria da Silva
Morandin Junior, Orides
Teixeira, Marcelo Carvalho Minhoto
Título en portugués
Uma arquitetura neuro-genética para otimização não-linear restrita
Palabras clave en portugués
Algoritmos genéticos
Otimização não-linear restrita
Redes neurais
Resumen en portugués
Os sistemas baseados em redes neurais artificiais e algoritmos genéticos oferecem um método alternativo para solucionar problemas relacionados à otimização de sistemas. Os algoritmos genéticos devem a sua popularidade à possibilidade de percorrer espaços de busca não-lineares e extensos. As redes neurais artificiais possuem altas taxas de processamento por utilizarem um número elevado de elementos processadores simples com alta conectividade entre si. Redes neurais com conexões realimentadas fornecem um modelo computacional capaz de resolver vários tipos de problemas de otimização, os quais consistem, geralmente, da otimização de uma função objetivo que pode estar sujeita ou não a um conjunto de restrições. Esta tese apresenta uma abordagem inovadora para resolver problemas de otimização não-linear restrita utilizando uma arquitetura neuro-genética. Mais especificamente, uma rede neural de Hopfield modificada é associada a um algoritmo genético visando garantir a convergência da rede em direção aos pontos de equilíbrio factíveis que representam as soluções para o problema de otimização não-linear restrita.
Título en inglés
Neuro-genetic architecture for constrained nonlinear optimization
Palabras clave en inglés
Constrained nonlinear optimization
Genetic algorithms
Neural networks
Resumen en inglés
Systems based on artificial neural networks and genetic algorithms are an alternative method for solving systems optimization problems. The genetic algorithms must its popularity to make possible cover nonlinear and extensive search spaces. Artificial neural networks have high processing rates due to the use of a massive number of simple processing elements and the high degree of connectivity between these elements. Neural networks with feedback connections provide a computing model capable of solving a large class of optimization problems, which refer to optimization of an objective function that can be subject to constraints. This thesis presents a novel approach for solving constrained nonlinear optimization problems using a neuro-genetic approach. More specifically, a modified Hopfield neural network is associated with a genetic algorithm in order to guarantee the convergence of the network to the equilibrium points, which represent feasible solutions for the constraint nonlinear optimization problem.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
TeseFabianaBertoni.pdf (484.74 Kbytes)
Fecha de Publicación
2007-12-11
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
Centro de Informática de São Carlos
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2019. Todos los derechos reservados.