Descrição: Realizar diversos experimentos com os critérios de teste existentes e propor estratégias de geração de dados de teste e aplicação desses mesmos critérios.

Situação: Concluído; Natureza: Pesquisa.

Integrantes: M. Jino - Integrante / Leticia M. Peres - Integrante / Silvia Regina Vergilio - Coordenador.

Finaciador(es): Fundação Universidade do Paraná - Auxílio financeiro.

Descrição: Objetivo: A proposição de critérios de teste, desenvolvimento de ferramentas e condução de experimentos para aplicações paralelas, desenvolvidas em ambientes de passagem de mensagens (PVM e MPI).

Situação: Concluído; Natureza: Pesquisa.

Situação: Em andamento; Natureza: Pesquisa.

Integrantes: S. R. S. Souza - Coordenador / Alexandre Ceolin Hausen - Integrante / Thiago Biscosque Goncalves - Integrante / Silvia Regina Vergilio - Integrante.

Finaciador(es): Universidade Estadual de Ponta Grossa - Cooperação / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro / Universidade de São Paulo - Cooperação.

O termo “Vida Artificial” é usado para descrever pesquisas/técnicas em sistemas que possuem algumas propriedades análogas as da vida real, dentre as quais destaca-se a "Otimização por Nuvem de Partículas" (ONP). A ONP é uma técnica baseada em população de indivíduos (soluções), desenvolvida por James Kennedy e Russell Eberhart, em (1995) através da observação do comportamento de pássaros em revoadas, modelado pelo biólogo Frank Heppner. A ONP tem sido aplicada com sucesso em muitas áreas de otimização como, por exemplo: de funções; no treinamento em redes neurais artificiais; no controle de sistemas nebulosos; dentre outros.

Por outro lado, atualmente está-se enfrentando um novo paradoxo, o acúmulo de dados /informações nas organizações. A necessidade de automatizar o processo de extração de conhecimento a partir destes dados, torna-se um procedimento cada vez mais importante. A idéia subjacente em Mineração de Dados (Data Mining), Freitas, 2000, é a busca e identificação de padrões em dados, para a sua utilização, a posteriori, na tomada de decisões.

Neste contexto, este projeto tem como foco o estudo e desenvolvimento de algoritmos baseados na técnica de ONP, abordando tanto pesquisas básicas quanto aspectos práticos e aplicações a problemas reais. A pesquisa básica tem como enfoque temas que atualmente representam desafios, tais como sua adaptação a problemas Multiobjetivos./Multicritério. O trabalho também dá ênfase a aplicação de ONP à Mineração de Dados, com objetivo de propor novas abordagens para a realização dessa atividade. O problema de identificação de padrões em dados é um problema de otimização Multicritério, pois se por um lado deseja-se obter padrões precisos, por outro lado, tais padrões devem ser genéricos.

A Computação Evolucionária é uma área que abrange métodos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente no conceito de Seleção Natural. Nos sistemas inspirados por este paradigma, as possíveis soluções para o problema são representadas sobre a forma de indivíduos de uma população. Estes indivíduos evoluem de acordo com regras de seleção e operadores genéticos. Este projeto tem como foco duas sub-áreas da Computação Evolucionária (CE), Programação Genética (PG) e Algoritmos Genéticos (AG), abordando tanto pesquisas básicas quanto aspectos práticos e aplicações. A pesquisa básica tem como enfoque temas que atualmente representam desafio, tais como adaptação automática de parâmetros, utilização de gramáticas, etc. O trabalho também dá ênfase em aplicações de PG e AGs na área de Engenharia e em Mineração de Dados, com objetivo de propor novas abordagens para a realização dessas atividades. Sua execução compreende um conjunto de fases genéricas tais como revisão de trabalhos da literatura, projeto, implementação e avaliação das ferramentas/algoritmos e documentação. Basicamente as contribuições de cada uma dessas fases podem ser caracterizadas em três direções principais: estudos teóricos, estudos empíricos e implementação de ferramentas. Além disso, a pesquisa realizada e resultados obtidos podem ser diretamente aplicados em empresas facilitando a cooperação do grupo com as mesmas. O projeto também permitirá a interação e participação de alunos de pos-graduação e graduação além de ser tema de cursos ministrados em ambos os níveis.

É incontestável o crescimento no volume de informações em todas as áreas de conhecimento e a utilização de ferramentas que auxiliem na análise das informações. Tais ferramentas surgem de áreas como mineração de dados (Data Mining) e aprendizado de máquina (Machine Learning). Embora a pesquisa nestas áreas tenha se intensificado, existe muito a se desenvolver. O objetivo deste projeto é contribuir com a descoberta de leis empíricas a partir dos exemplos e de conhecimento do domínio. O projeto situa-se no domínio de mineração de dados e aprendizado de máquina. Mais especificamente, o objetivo do trabalho é a utilização e o desenvolvimento de métodos de aprendizado de máquina e de otimização por algoritmos de evolução para a tarefa de mineração de dados chamada classificação.

Algoritmos de Computação Evolutiva (CE) têm sido aplicados com sucesso a problemas de busca e otimização das diversas áreas de aplicação e com diversos níveis de dificuldade. Pesquisas atuais focam na obtenção de algoritmos que sejam considerados competentes, no sentido de serem capazes de resolver problemas difíceis. Estes algoritmos são capazes de manter um nível adequado de diversidade na população, além de aprender sobre a estrutura do problema ao qual são aplicados, capturando interações importantes e mantendo-as ao longo do processo evolutivo. Para capturar estas informações sobre o problema e assim guiar o processo evolutivo, cada algoritmo adota um mecanismo de aprendizado; podemos citar o aprendizado de redes bayesianas, a indução de classificadores e o aprendizado de regras simbólicas como sendo os mecanismos adotados por algoritmos de CE. Entretanto, o custo computacional do processo de aprendizado escolhido é um fator limitante de alguns algoritmos, já que esta etapa é repetida a cada nova geração. Por outro lado, outros algoritmos são mais baratos computacionalmente, mas apresentam menor capacidade de prospecção do espaço de busca, exigindo a adoção de estratégias híbridas. Estes fatores evidenciam que ainda existe espaço para novas propostas em Computação Evolutiva. Neste projeto, propomos uma nova abordagem para a CE, em torno da hipótese de que o processo evolutivo seja considerado como um ambiente dinâmico, não-estacionário, e a Computação Evolutiva deva, conseqüentemente, ser guiada por técnicas reconhecidamente adequadas ao aprendizado em ambientes dinâmicos, tais como o aprendizado incremental e os ensembles de classificadores. Para realizar o trabalho proposto serão realizados os seguintes passos: levantamento do estado da arte das áreas de CE e de aprendizado em ambientes dinâmicos, escolha de técnicas de aprendizado incremental e ensembles e adequá-las ao problema, desenvolvimento e implementação do novo algoritmo e realização de experimentos e estudos teóricos. Os resultados obtidos devem contribuir para o estado da arte na área de CE.

Projeto financiado pelo CNPq (506548/2004-0). Vigente 2004-2005. O objetivo é a definição de uma ferramenta para a evolução incremental de esquemas XML, a ser utilizada por um administrador de dados que é especialista no domínio de aplicação dos documentos e esquemas, mas que não é necessariamente especialista em computação. Dado um esquema (expresso na forma de uma DTD, por exemplo), e uma seqüência de atualizações a um documento válido em relação a esse esquema, de forma tal que o resultado dessa atualização é um documento XML que não é válido, essa ferramenta deve propor mudanças ao esquema, de forma a (i) preservar a validade de documentos em relação ao esquema original e (ii) verificar a validade do documento atualizado.