TESES
  1. Mestrado - Modelo de Análise da Expansão a Médio Prazo de Sistemas de Geração de Energia Elétrica


  2. Data da defesa: 27 de abril de 1981.
    Título obtido: Mestre em Análise de Sistemas e Aplicações
    Instituição: INPE - Instituto de Pesquisas Espaciais, São José dos Campos, São Paulo.
    Banca examinadora: Resumo:
      Esse trabalho apresenta aspectos do planejamento ligado à expansão do sistema elétrico de potência brasileiro e um modelo para formulação e avaliação de planos de expansão de sistemas de geração hidrotérmica com as características básicas de alta participação hidráulica, ausência de usinas tipo "reversíveis" e levando em conta a transmissão de energia a grandes distâncias. Tal modelo fornece um plano de expansão baseado em uma programação, no tempo, de alternativas de expansão ordenadas pelos índices de custo/benefício que as usinas apresentam como próximas adições ao sistema existente.
       
  3. Doutorado – Diagrama de Influências Múltiplo Secionado


  4. Data da defesa: 20 de junho de 2000
    Título obtido: Doutor em Ciência da Computação (área Inteligência Artificial)
    Instituição: Universidade Federal do Rio Grande do Sul
    Entidade: Instituto de Informática, Porto Alegre, Rio Grande do Sul
    Banca examinadora:
    • Dra. Rosa Maria Vicari, PhD - II/UFRGS (presidente, orientador)
    • Dr. Helder Manuel Ferreira Coelho, PhD - DI-FCUL, Portugal (co-orientador)
    • Dr. Guilherme Bittencourt, PhD - UFSC
    • Dr. Henrique Pacca L Luna, PhD - UFMG
    • Dr. Paulo Martins Engel, PhD - II/UFRGS
    Resumo:
      Nos primórdios da Inteligência Artificial (IA) se estudava os mecanismos da inteligência de forma isolada e se desenvolvia aplicações simples e específicas. Com a complexidade das aplicações requeridas pelo mundo atual, as quais lidam com a incerteza, é mais adequado enfrentar os problemas reais e construir sistemas completos que os resolvam. É necessário recorrer ao uso de métodos probabilísticos e técnicas adaptativas, possíveis graças ao progresso alcançado no desenvolvimento dessas técnicas na última década.

      Na história da IA foram propostos diversos formalismos para quantificar e manipular incerteza. Em meados dos anos 80, surgiram as redes probabilísticas, provocando grande aceitação do uso da teoria de probabilidade como ferramenta de manipulação da incerteza. A importância atribuída à área tem aumentado com a edição de diversos números especiais de revistas científicas, dedicados ao assunto e com o reconhecimento das redes probabilísticas no congresso mundial de IA, IJCAI 1999, através da outorga do prêmio “Research Excellence” a um pesquisador nessa área. As principais redes probabilísticas são as redes bayesianas (BN) e os diagramas de influências (ID). Uma BN é adequada para realizar inferências probabilísticas. Um ID representa a formalização de um problema de decisão em um domínio com incerteza, onde o decisor é racional. Em geral, esses formalismos modelam o domínio por meio de uma única rede monolítica, sem levar em consideração a existência de subdomínios naturais, no domínio em questão.

      Essa pesquisa propõe o formalismo Diagrama de Influência Múltiplo Secionado (MSID) para a avaliação de diagramas de influências, motivado pela intenção de explorar a propriedade de localidade em grandes domínios de dados. Um domínio que apresenta localidade, pode ser considerado por partes, pois existem subdomínios “naturais” fixos. O decisor humano que raciocina e toma decisões, com base nas informações contidas no domínio, pode fazê-lo focalizando um único subdomínio, em cada instante e desviando a sua atenção para outro subdomínio, de tempo em tempo. Um MSID é um conjunto de grafos acíclicos orientados (DAG) que representam ID ou BN, relacionados entre si, denotados subredes. Um MSID suporta as abordagens único agente ou multiagentes. Em ambas, o conjunto das subredes representa um único problema de decisão. Cada subrede modela uma fração do problema e representa um subproblema de decisão ou relações probabilísticas em um subdomínio natural do domínio em questão. A avaliação do problema original é realizada através da avaliação de cada uma das subredes. Na abordagem único agente, a entrada de evidências probabilísticas é feita por um único subdomínio de cada vez e somente são propagadas para outros quando o decisor (agente) alterna o subdomínio que está focalizando. Na abordagem multiagentes cada subrede representa um agente e a evidência pode ser entrada simultaneamente através das subredes. Ambos os enfoques apresentam as seguintes vantagens em relação ao enfoque tradicional: a) evitam a propagação prematura de evidências por todo o domínio; b) reduzem o esforço cognitivo do(s) decisor(es) ao apresentar apenas as informações referentes ao subdomínio em análise; e c) tornam os requisitos computacionais, necessários em um certo instante, proporcionais aos requisitos para representação e manipulação da maior subrede.

      PALAVRAS CHAVES: raciocínio probabilístico, diagramas de influências, árvore de junções, representação de conhecimento, tomada de decisão, inteligência artificial.