@inproceedings{\'{E}ldman2008An\'{a}liseb,

title = {Uma Estrat\'{e}gia Metaheur\'{i}stica H\'{i}brida para Clusteriza\c{c}\~{a}o Autom\'{a}tica e Redu\c{c}\~{a}o da Dimensionalidade dos Dados},

author = {\'{E}ldman Oliveira Nunes and Aura Conci},

url = {https://www.sige.ita.br/edicoes-anteriores/2008/st/7_1.pdf},

year  = {2008},

date = {2008-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2008 (SIGE2008)},

abstract = {A clusteriza\c{c}\~{a}o \'{e} uma importante t\'{e}cnica para an\'{a}lise do comportamento dos dados e tem sido largamente utilizada para solu\c{c}\~{a}o de diversos problemas de ordem pr\'{a}tica. Entretanto, o desconhecimento do n\'{u}mero ideal de grupos para parti\c{c}\~{a}o da base e o excesso de atributos que comp\~{o}e os dados contribuem para degrada\c{c}\~{a}o da qualidade dos resultados. Este artigo apresenta uma nova estrat\'{e}gia para reduzir a dimensionalidade dos dados atrav\'{e}s do emprego de Algoritmos Gen\'{e}ticos combinados com algoritmo K-Means adaptado para clusteriza\c{c}\~{a}o autom\'{a}tica. Os resultados demonstram ser poss\'{i}vel melhorar a abrang\^{e}ncia e a acur\'{a}cia na classifica\c{c}\~{a}o dos dados. Palavras-chavesAn\'{a}lise de Agrupamentos, Segmenta\c{c}\~{a}o, Algoritmos Gen\'{e}ticos, K-Means.},

keywords = {Algoritmos Gen\'{e}ticos, An\'{a}lise de Agrupamentos, K-Means, Segmenta\c{c}\~{a}o},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{H\'{e}lcio2008Algoritmosb,

title = {Ajustando par\^{a}metros livres de um Algoritmo Gen\'{e}tico: uso da metodologia Response Surface},

author = {H\'{e}lcio Vieira Junior and Fabiano Luis Sousa},

url = {https://www.sige.ita.br/edicoes-anteriores/2008/st/4_3.pdf},

year  = {2008},

date = {2008-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2008 (SIGE2008)},

abstract = {Algoritmos Gen\'{e}ticos (AGs) s\~{a}o algoritmos de otimiza\c{c}\~{a}o e busca fundamentados no princ\'{i}pio da sele\c{c}\~{a}o natural de Charles Darwin. A vers\~{a}o mais rudimentar dos AGs foi a AGS (Algoritmo Gen\'{e}tico Simples), na qual \'{e} utilizada codifica\c{c}\~{a}o bin\'{a}ria, a sele\c{c}\~{a}o da popula\c{c}\~{a}o intermedi\'{a}ria \'{e} feita por meio da “roda de roleta”, o operador Crossover \'{e} de um ponto, o operador de Muta\c{c}\~{a}o \'{e} bit-a-bit e a substitui\c{c}\~{a}o da popula\c{c}\~{a}o \'{e} geracional. Apesar de ser bem simples, esta vers\~{a}o \'{e} bastante efetiva, desde que seus par\^{a}metros (tamanho da popula\c{c}\~{a}o, probabilidade de Crossover e probabilidade de Muta\c{c}\~{a}o) sejam bem escolhidos. O objetivo deste trabalho \'{e} mostrar que a metodologia Response Surface Methodology possui bons predicados para a defini\c{c}\~{a}o dos par\^{a}metros \'{o}timos para um AGS. Palavras-chaves Algoritmos Gen\'{e}ticos, Response Surface Metodology.},

keywords = {Algoritmos Gen\'{e}ticos, Response Surface Metodology},

pubstate = {published},

tppubtype = {inproceedings}

}