Eventos

Divulgação - Defesa Nº 274

Aluno: João Paulo Martins Alcântara

Título: "Handling Constraints in FSS – Enhanced Fish School Search Algorithm for Constrained Optimization (e-rwFSS)".

Orientador: Fernando Buarque de Lima Neto

Coorientador: Marcelo Gomes Pereira de Lacerda

Examinador Externo: Hugo Valadares Siqueira (UTFPR)

Examinador Interno: Bruno José Torres Fernandes (PPGEC)

Data-hora: 31 de Julho de 2023 às 09:00h.
Local: Formato Remoto


Resumo:

         Metaheuristics can be used to find a good set of parameters values in optimization problems in them industry. However, hazardous or unfeasible values combinations can arise throughout the search process, which can affect productivity and safety. One way to mitigate this problem is to make metaheuristic approaches incorporate constraints to prevent unsafe behaviour. In this work, we propose modifications on the restricted niching version of Fish School Search algorithm (rwFSS) to create a new version capable of better tackling constrained optimizations, referred as Enhanced Restricted Weight-Based Fish School Search (e-rwFSS). This algorithm exploits the search space in terms of fitness and feasibility and provide multiple solutions. e-rwFSS enables the constraints to be tackled gradually using adjustable tolerances and favours feasible individuals on sub swarm leader’s selection to enhance algorithm’s convergence. The proposed approach was compared to rwFSS and to other state-of-the-art algorithms with proven capabilities on solving constrained optimization problems (COPs). The benchmark functions for the CEC 2020 competition on real-world constrained optimization were used to evaluate the algorithms. Tests proved that e-rwFSS enhanced feasibility capabilities regarding equality constraints, but it still struggles to show competitiveness with other consolidated state-of-the-art algorithms on highly constrained search spaces.

Imagem-Defesa

Divulgação - Defesa Nº 273

Aluno: Ailton de Souza Leite

Título: “Processamento, reconhecimento e classificação de fala disártrica através do processamento de espectrogramas utilizando modelos híbridos inteligentes”.

Orientador: Sérgio Murilo Maciel Fernandes

Coorientador: Rodrigo de Paula Monteiro

Examinador Externo: Paulo Salgado G. de Mattos Neto (UFPE)

Examinador Interno: Alexandre Magno Andrade Maciel (PPGEC)

Data-hora: 28 de Julho de 2023 às 13:30h.
Local: Formato Remoto


Resumo:

         Este trabalho apresenta quatro dos modelos híbridos inteligentes mais utilizados na literatura capazes de processar, reconhecer e classificar a fala disártrica, condição que afeta a produção articulatória e a inteligibilidade da fala, por meio da análise de seus respectivos espectrogramas. Os modelos visam dar suporte aos profissionais de saúde na análise e diagnóstico da fala disártrica, contribuindo para um prognóstico mais preciso e auxiliando na definição do estado de saúde dos indivíduos acometidos por essa condição. Para apoiar os experimentos e validar as aplicações dos modelos, foi utilizada a base de dados de articulação distártrica TORGO, disponibilizada pelo departamento de Ciência da Computação da Universidade de Toronto. O intuito deste trabalho é criar modelos híbridos capazes de distinguir um áudio sem alteração de fala de um áudio com alteração de fala e, também, indicar o sexo do individuo que se expressa. Foi realizado um pré-processamento inicial nos áudios das falas disponíveis na base de dados TORGO para extração dos seus respectivos espectrogramas, que serviram de entrada para os modelos apresentados. Os modelos utilizaram a extração das características dos espectrogramas que geraram características nomeadas para um processamento supervisionado. Essas características foram extraídas utilizando uma Convolutional Neural Network (CNN), com o apoio de técnicas de transferência de aprendizagem e ajustes finos em sua arquitetura e seus hiperparâmetros. Os resultados do processamento da CNN foram entregues a outros algoritmos inteligentes para realização da etapa de reconhecimento e classificação da fala. O primeiro modelo criado utilizou o algoritmo Support Vector Machine (SVM) para reconhecimento e classificação das características extraídas pela CNN e obteve uma acurácia de 98,22%. O segundo modelo utilizou o algoritmo K-Nearest Neighbors (KNN), obtendo uma acurácia de 97,51%. O terceiro modelo utilizou o algoritmo Random Forest (RF), e obteve uma acurácia de 97,16%. O último modelo utilizou o algoritmo Naive Bayes (NB), e alcançou uma acurácia de 89,71%.

Imagem-Defesa

Divulgação - Defesa Nº 272

Aluno: Carlos Adriano Beserra da Silva

Título: “Análise comparativa de algoritmos meméticos em otimização por enxame utilizando métricas de redes de interação”.

Orientador: Carmelo José Albanez Bastos Filho

Examinador Externo: José Alfredo Ferreira Costa (UFRN)

Examinador Interno: : Daniel Augusto Ribeiro Chaves (PPGEC)

Data-hora: 20 de Julho de 2023 às 14:00h
Local: Formato Remoto


Resumo:

         "Esta dissertação analisa e compara algoritmos meméticos em problemas de otimização por enxame. Os algoritmos meméticos são uma abordagem que combina as vantagens da otimização por enxame com a busca local, visando melhorar a eficiência e a qualidade das soluções encontradas. Foram realizadas avaliações da diversidade e qualidade das soluções geradas pelos algoritmos em diferentes topologias de PSO (Particle Swarm Optimization) utilizando métricas como a Interaction Diversity e a Portrait Divergence. Os resultados revelaram padrões distintos de exploração e explotação em cada algoritmo, fornecendo informações sobre o seu desempenho e comportamento ao longo do processo de otimização. Os resultados contribuem para uma compreensão mais profunda do desempenho e das características dos algoritmos meméticos em problemas de otimização de enxames, ajudando na seleção e desenvolvimento de abordagens práticas para a resolução de problemas complexos."

Imagem-Defesa

Pagina 15 de 54

Go to top Menu