Estudo da técnica ant colony learning no controle de sistemas não-lineares

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Horevicz, Daniel Simão
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Cornelio Procopio
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Otimização matemática
Sistemas não-lineares
Algorítmos computacionais
Mathematical optimization
Nonlinear systems
Computer algorithms
CNPQ::ENGENHARIAS
Engenharia Elétrica
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/3414
Resumo: Os algoritmos bio-inspirados baseados em populações e meta-heurísticas têm se tornado uma opção atraente na resolução de problemas de busca e otimização, para os quais abordagens tradicionais apresentam dificuldades ou até mesmo impossibilidade de aplicação. O presente trabalho tem como objetivo verificar o desempenho de um destes algoritmos no campo de controle de sistemas não-lineares, cujo métodos analíticos não garantem soluções. Para tal, é feito o estudo de um método recentemente desenvolvido, chamado Ant Colony Learning (ACL), o qual é baseado no algoritmo de otimização por colônia de formigas (ACO, do inglês Ant Colony Optimization). O ACL é uma abordagem multiagente para aprendizado de políticas de controle. Para validar a análise da técnica, é feito o controle de dois sistemas: um pêndulo invertido e um sistema do tipo quadricóptero. Ao final deste trabalho, apresentam-se os resultados dos sistemas controlados e as observações obtidas com o uso desta técnica.
id UTFPR-12_36fe34d9846e33b1b5deab09d96afb2e
oai_identifier_str oai:repositorio.utfpr.edu.br:1/3414
network_acronym_str UTFPR-12
network_name_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository_id_str
spelling Estudo da técnica ant colony learning no controle de sistemas não-linearesThe ant colony learning technique in the control of nonlinear systemsOtimização matemáticaSistemas não-linearesAlgorítmos computacionaisMathematical optimizationNonlinear systemsComputer algorithmsCNPQ::ENGENHARIASEngenharia ElétricaOs algoritmos bio-inspirados baseados em populações e meta-heurísticas têm se tornado uma opção atraente na resolução de problemas de busca e otimização, para os quais abordagens tradicionais apresentam dificuldades ou até mesmo impossibilidade de aplicação. O presente trabalho tem como objetivo verificar o desempenho de um destes algoritmos no campo de controle de sistemas não-lineares, cujo métodos analíticos não garantem soluções. Para tal, é feito o estudo de um método recentemente desenvolvido, chamado Ant Colony Learning (ACL), o qual é baseado no algoritmo de otimização por colônia de formigas (ACO, do inglês Ant Colony Optimization). O ACL é uma abordagem multiagente para aprendizado de políticas de controle. Para validar a análise da técnica, é feito o controle de dois sistemas: um pêndulo invertido e um sistema do tipo quadricóptero. Ao final deste trabalho, apresentam-se os resultados dos sistemas controlados e as observações obtidas com o uso desta técnica.Universidade Tecnológica Federal do ParanáCornelio ProcopioBrasilPrograma de Pós-Graduação em Engenharia ElétricaUTFPRDurand, Fábio Renanhttp://lattes.cnpq.br/4899728455368301Agulhari, Cristiano Marcoshttp://lattes.cnpq.br/4935395556663775Agulhari, Cristiano MarcosMelo, Leonimer Flávio deSilva, Emerson Ravazzi Pires daHorevicz, Daniel Simão2018-09-04T12:55:28Z2018-09-04T12:55:28Z2017-08-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfHOREVICZ, Daniel Simão. Estudo da técnica ant colony learning no controle de sistemas não-lineares. 2017. 59 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2017.http://repositorio.utfpr.edu.br/jspui/handle/1/3414porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPR2018-09-04T12:55:29Zoai:repositorio.utfpr.edu.br:1/3414Repositório InstitucionalPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestriut@utfpr.edu.br || sibi@utfpr.edu.bropendoar:2018-09-04T12:55:29Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.none.fl_str_mv Estudo da técnica ant colony learning no controle de sistemas não-lineares
The ant colony learning technique in the control of nonlinear systems
title Estudo da técnica ant colony learning no controle de sistemas não-lineares
spellingShingle Estudo da técnica ant colony learning no controle de sistemas não-lineares
Horevicz, Daniel Simão
Otimização matemática
Sistemas não-lineares
Algorítmos computacionais
Mathematical optimization
Nonlinear systems
Computer algorithms
CNPQ::ENGENHARIAS
Engenharia Elétrica
title_short Estudo da técnica ant colony learning no controle de sistemas não-lineares
title_full Estudo da técnica ant colony learning no controle de sistemas não-lineares
title_fullStr Estudo da técnica ant colony learning no controle de sistemas não-lineares
title_full_unstemmed Estudo da técnica ant colony learning no controle de sistemas não-lineares
title_sort Estudo da técnica ant colony learning no controle de sistemas não-lineares
author Horevicz, Daniel Simão
author_facet Horevicz, Daniel Simão
author_role author
dc.contributor.none.fl_str_mv Durand, Fábio Renan
http://lattes.cnpq.br/4899728455368301
Agulhari, Cristiano Marcos
http://lattes.cnpq.br/4935395556663775
Agulhari, Cristiano Marcos
Melo, Leonimer Flávio de
Silva, Emerson Ravazzi Pires da
dc.contributor.author.fl_str_mv Horevicz, Daniel Simão
dc.subject.por.fl_str_mv Otimização matemática
Sistemas não-lineares
Algorítmos computacionais
Mathematical optimization
Nonlinear systems
Computer algorithms
CNPQ::ENGENHARIAS
Engenharia Elétrica
topic Otimização matemática
Sistemas não-lineares
Algorítmos computacionais
Mathematical optimization
Nonlinear systems
Computer algorithms
CNPQ::ENGENHARIAS
Engenharia Elétrica
description Os algoritmos bio-inspirados baseados em populações e meta-heurísticas têm se tornado uma opção atraente na resolução de problemas de busca e otimização, para os quais abordagens tradicionais apresentam dificuldades ou até mesmo impossibilidade de aplicação. O presente trabalho tem como objetivo verificar o desempenho de um destes algoritmos no campo de controle de sistemas não-lineares, cujo métodos analíticos não garantem soluções. Para tal, é feito o estudo de um método recentemente desenvolvido, chamado Ant Colony Learning (ACL), o qual é baseado no algoritmo de otimização por colônia de formigas (ACO, do inglês Ant Colony Optimization). O ACL é uma abordagem multiagente para aprendizado de políticas de controle. Para validar a análise da técnica, é feito o controle de dois sistemas: um pêndulo invertido e um sistema do tipo quadricóptero. Ao final deste trabalho, apresentam-se os resultados dos sistemas controlados e as observações obtidas com o uso desta técnica.
publishDate 2017
dc.date.none.fl_str_mv 2017-08-25
2018-09-04T12:55:28Z
2018-09-04T12:55:28Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv HOREVICZ, Daniel Simão. Estudo da técnica ant colony learning no controle de sistemas não-lineares. 2017. 59 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2017.
http://repositorio.utfpr.edu.br/jspui/handle/1/3414
identifier_str_mv HOREVICZ, Daniel Simão. Estudo da técnica ant colony learning no controle de sistemas não-lineares. 2017. 59 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2017.
url http://repositorio.utfpr.edu.br/jspui/handle/1/3414
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Cornelio Procopio
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Cornelio Procopio
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
dc.source.none.fl_str_mv reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
collection Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository.name.fl_str_mv Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv riut@utfpr.edu.br || sibi@utfpr.edu.br
_version_ 1850498317418496000

Registros relacionados