creating the new model of the chapters

consideracoes.tex

@@ -1,4 +1,4 @@
-\chapter{Considerações}
+\chapter{Conclusão e Trabalhos Futuros}
 \label{ch:consideracoes}
 
 De um modo geral, a maioria das pesquisas em algoritmos evolutivos e de enxame concentram-se em problemas de otimização estáticos. No entanto, muitos problemas do mundo real são problemas de otimização dinâmica, em que as mudanças ocorrem ao longo do tempo. Isso requer algoritmos de otimização, não só para encontrar a solução ideal global sob um ambiente específico, mas também para monitorar continuamente a mudança em diferentes ambientes dinâmicos. Assim, são necessários métodos de otimização que são capazes de se adaptar continuamente.

main.aux

@@ -25,8 +25,9 @@
 \@writefile{lot}{\select@language{portuges}}
 \@input{introducao.aux}
 \@input{fundamentos.aux}
-\@input{problemas.aux}
 \@input{relacionados.aux}
-\@input{proposta.aux}
+\@input{modelo.aux}
+\@input{protocolo.aux}
+\@input{resultados.aux}
 \@input{consideracoes.aux}
 \@input{bibliography.aux}

main.lof

@@ -1,12 +1,13 @@
 \select@language {portuges}
 \addvspace {10\p@ }
 \addvspace {10\p@ }
-\contentsline {figure}{\numberline {2.1}{\ignorespaces representa\IeC {\c c}\IeC {\~a}o de uma popula\IeC {\c c}\IeC {\~a}o com 4 cl\IeC {\~a}s e seus l\IeC {\'\i }deres, $ s = 0,9 $}}{21}{figure.2.1}
-\contentsline {figure}{\numberline {2.2}{\ignorespaces representa\IeC {\c c}\IeC {\~a}o dos l\IeC {\'\i }deres disseminando a informa\IeC {\c c}\IeC {\~a}o, $ s = 0,9 $}}{22}{figure.2.2}
+\contentsline {figure}{\numberline {2.1}{\ignorespaces representa\IeC {\c c}\IeC {\~a}o de uma popula\IeC {\c c}\IeC {\~a}o com 4 cl\IeC {\~a}s e seus l\IeC {\'\i }deres}}{21}{figure.2.1}
+\contentsline {figure}{\numberline {2.2}{\ignorespaces representa\IeC {\c c}\IeC {\~a}o dos l\IeC {\'\i }deres disseminando a informa\IeC {\c c}\IeC {\~a}o}}{22}{figure.2.2}
+\contentsline {figure}{\numberline {2.3}{\ignorespaces Gr\IeC {\'a}fico de duas dimens\IeC {\~o}es do movimento dos picos, ap\IeC {\'o}s 300 altera\IeC {\c c}\IeC {\~o}es no ambiente, $ s = 0,9 $}}{33}{figure.2.3}
+\contentsline {figure}{\numberline {2.4}{\ignorespaces Gr\IeC {\'a}fico que representa os ambientes gerados pelo Gerador de Problemas testes para Ambientes n\IeC {\~a}o Estacion\IeC {\'a}rios}}{34}{figure.2.4}
 \addvspace {10\p@ }
-\contentsline {figure}{\numberline {3.1}{\ignorespaces Gr\IeC {\'a}fico de duas dimens\IeC {\~o}es do movimento dos picos, ap\IeC {\'o}s 300 altera\IeC {\c c}\IeC {\~o}es no ambiente, $ s = 0,9 $}}{33}{figure.3.1}
-\contentsline {figure}{\numberline {3.2}{\ignorespaces Gr\IeC {\'a}fico que representa os ambientes gerados pelo Gerador de Problemas testes para Ambientes n\IeC {\~a}o Estacion\IeC {\'a}rios}}{34}{figure.3.2}
 \addvspace {10\p@ }
 \addvspace {10\p@ }
 \addvspace {10\p@ }
-\contentsline {figure}{\numberline {6.1}{\ignorespaces Cronograma para o TCC - 2}}{50}{figure.6.1}
+\addvspace {10\p@ }
+\contentsline {figure}{\numberline {7.1}{\ignorespaces Cronograma para o TCC - 2}}{48}{figure.7.1}

main.lot

@@ -2,11 +2,8 @@
 \addvspace {10\p@ }
 \addvspace {10\p@ }
 \addvspace {10\p@ }
+\contentsline {table}{\numberline {3.1}{\ignorespaces Tabela das Rela\IeC {\c c}\IeC {\~o}es dos Algoritmos Analisados}}{42}{table.3.1}
+\addvspace {10\p@ }
 \addvspace {10\p@ }
-\contentsline {table}{\numberline {4.1}{\ignorespaces Tabela das Rela\IeC {\c c}\IeC {\~o}es dos Algoritmos Analisados}}{43}{table.4.1}
 \addvspace {10\p@ }
-\contentsline {table}{\numberline {5.1}{\ignorespaces Fun\IeC {\c c}\IeC {\~o}es \textit {benchmark}}}{45}{table.5.1}
-\contentsline {table}{\numberline {5.2}{\ignorespaces Tabela de resultados do FSS can\IeC {\^o}nico}}{47}{table.5.2}
-\contentsline {table}{\numberline {5.3}{\ignorespaces Compara\IeC {\c c}\IeC {\~a}o dos resultados}}{48}{table.5.3}
-\contentsline {table}{\numberline {5.4}{\ignorespaces Tabela de media de tempo de execu\IeC {\c c}\IeC {\~a}o}}{48}{table.5.4}
 \addvspace {10\p@ }

main.out

@@ -17,23 +17,27 @@
 \BOOKMARK [2][-]{subsection.2.4.1}{Manuten\347\343o}{section.2.4}% 17
 \BOOKMARK [2][-]{subsection.2.4.2}{M\351tricas}{section.2.4}% 18
 \BOOKMARK [1][-]{section.2.5}{Aplica\347\343o do AG em ambientes din\342micos}{chapter.2}% 19
-\BOOKMARK [0][-]{chapter.3}{Problemas Din\342micos com Dom\355nio Cont\355nuo}{}% 20
-\BOOKMARK [1][-]{section.3.1}{Fun\347\365es Benchmark}{chapter.3}% 21
-\BOOKMARK [2][-]{subsection.3.1.1}{Avalia\347\343o de Desempenho}{section.3.1}% 22
-\BOOKMARK [1][-]{section.3.2}{Inst\342ncias de Problemas}{chapter.3}% 23
-\BOOKMARK [2][-]{subsection.3.2.1}{Moving Peaks - MP}{section.3.2}% 24
-\BOOKMARK [2][-]{subsection.3.2.2}{Ocillating Peaks - OP}{section.3.2}% 25
-\BOOKMARK [2][-]{subsection.3.2.3}{Gerador de Problemas de teste para Ambientes n\343o Estacion\341rios}{section.3.2}% 26
-\BOOKMARK [0][-]{chapter.4}{Trabalhos Relacionados}{}% 27
-\BOOKMARK [1][-]{section.4.1}{Evolu\347\343o Diferencial Local a Base de Aglomera\347\343o e com Mem\363ria Baseada em Esp\351cies}{chapter.4}% 28
-\BOOKMARK [1][-]{section.4.2}{Algoritmo de Vaga-Lumes baseado em multi-enxames - MSFA}{chapter.4}% 29
-\BOOKMARK [1][-]{section.4.3}{Algoritmo PSO em Ambientes Din\342micos}{chapter.4}% 30
-\BOOKMARK [2][-]{subsection.4.3.1}{Dynamic Species-Based Particle Swarm Optimizer - DSPSO}{section.4.3}% 31
-\BOOKMARK [2][-]{subsection.4.3.2}{Clustering Particle Swarm Optimizer - ClPSO}{section.4.3}% 32
-\BOOKMARK [2][-]{subsection.4.3.3}{Volitive Particle Swarm Optimizer - VPSO}{section.4.3}% 33
-\BOOKMARK [1][-]{section.4.4}{Otimiza\347\343o por Col\364nia de Bact\351rias em Problemas Din\342micos}{chapter.4}% 34
-\BOOKMARK [1][-]{section.4.5}{Considera\347\365es}{chapter.4}% 35
-\BOOKMARK [0][-]{chapter.5}{Proposta}{}% 36
-\BOOKMARK [1][-]{section.5.1}{Estudo de Caso}{chapter.5}% 37
-\BOOKMARK [0][-]{chapter.6}{Considera\347\365es}{}% 38
-\BOOKMARK [0][-]{chapter*.10}{Bibliografia}{}% 39
+\BOOKMARK [1][-]{section.2.6}{Problemas Din\342micos com Dom\355nio Cont\355nuo}{chapter.2}% 20
+\BOOKMARK [1][-]{section.2.7}{Fun\347\365es Benchmark}{chapter.2}% 21
+\BOOKMARK [2][-]{subsection.2.7.1}{Avalia\347\343o de Desempenho}{section.2.7}% 22
+\BOOKMARK [1][-]{section.2.8}{Inst\342ncias de Problemas}{chapter.2}% 23
+\BOOKMARK [2][-]{subsection.2.8.1}{Moving Peaks - MP}{section.2.8}% 24
+\BOOKMARK [2][-]{subsection.2.8.2}{Ocillating Peaks - OP}{section.2.8}% 25
+\BOOKMARK [2][-]{subsection.2.8.3}{Gerador de Problemas de teste para Ambientes n\343o Estacion\341rios}{section.2.8}% 26
+\BOOKMARK [0][-]{chapter.3}{Trabalhos Relacionados}{}% 27
+\BOOKMARK [1][-]{section.3.1}{Evolu\347\343o Diferencial Local a Base de Aglomera\347\343o e com Mem\363ria Baseada em Esp\351cies}{chapter.3}% 28
+\BOOKMARK [1][-]{section.3.2}{Algoritmo de Vaga-Lumes baseado em multi-enxames - MSFA}{chapter.3}% 29
+\BOOKMARK [1][-]{section.3.3}{Algoritmo PSO em Ambientes Din\342micos}{chapter.3}% 30
+\BOOKMARK [2][-]{subsection.3.3.1}{Dynamic Species-Based Particle Swarm Optimizer - DSPSO}{section.3.3}% 31
+\BOOKMARK [2][-]{subsection.3.3.2}{Clustering Particle Swarm Optimizer - ClPSO}{section.3.3}% 32
+\BOOKMARK [2][-]{subsection.3.3.3}{Volitive Particle Swarm Optimizer - VPSO}{section.3.3}% 33
+\BOOKMARK [1][-]{section.3.4}{Otimiza\347\343o por Col\364nia de Bact\351rias em Problemas Din\342micos}{chapter.3}% 34
+\BOOKMARK [1][-]{section.3.5}{Considera\347\365es}{chapter.3}% 35
+\BOOKMARK [0][-]{chapter.4}{Modelo}{}% 36
+\BOOKMARK [1][-]{section.4.1}{Caracter\355sticas do algoritmo}{chapter.4}% 37
+\BOOKMARK [2][-]{subsection.4.1.1}{Fun\347\343o de Aglomeramento \(crowding\)}{section.4.1}% 38
+\BOOKMARK [1][-]{section.4.2}{Ilustra\347\343o Conceitual}{chapter.4}% 39
+\BOOKMARK [0][-]{chapter.5}{Protocolo de Experimenta\347\343o}{}% 40
+\BOOKMARK [0][-]{chapter.6}{Resultados e An\341lises}{}% 41
+\BOOKMARK [0][-]{chapter.7}{Conclus\343o e Trabalhos Futuros}{}% 42
+\BOOKMARK [0][-]{chapter*.10}{Bibliografia}{}% 43

main.tex

@@ -8,9 +8,10 @@
 	\include{capa}
 	\include{introducao}
 	\include{fundamentos}
-	\include{problemas}
 	\include{relacionados}
-	\include{proposta}
+	\include{modelo}
+	\include{protocolo}
+	\include{resultados}
 	\include{consideracoes}
 	\include{bibliography}
 \end{document}

main.toc

@@ -18,25 +18,29 @@
 \contentsline {subsection}{\numberline {2.4.1}Manuten\IeC {\c c}\IeC {\~a}o}{24}{subsection.2.4.1}
 \contentsline {subsection}{\numberline {2.4.2}M\IeC {\'e}tricas}{25}{subsection.2.4.2}
 \contentsline {section}{\numberline {2.5}Aplica\IeC {\c c}\IeC {\~a}o do AG em ambientes din\IeC {\^a}micos}{26}{section.2.5}
-\contentsline {chapter}{\numberline {3}Problemas Din\IeC {\^a}micos com Dom\IeC {\'\i }nio Cont\IeC {\'\i }nuo}{28}{chapter.3}
-\contentsline {section}{\numberline {3.1}Fun\IeC {\c c}\IeC {\~o}es \textit {Benchmark}}{28}{section.3.1}
-\contentsline {subsection}{\numberline {3.1.1}Avalia\IeC {\c c}\IeC {\~a}o de Desempenho}{29}{subsection.3.1.1}
-\contentsline {subsubsection}{Otimalidade}{30}{section*.8}
-\contentsline {subsubsection}{Comportamento}{31}{section*.9}
-\contentsline {section}{\numberline {3.2}Inst\IeC {\^a}ncias de Problemas}{31}{section.3.2}
-\contentsline {subsection}{\numberline {3.2.1}\textit {Moving Peaks} - MP}{32}{subsection.3.2.1}
-\contentsline {subsection}{\numberline {3.2.2}\textit {Ocillating Peaks} - OP}{33}{subsection.3.2.2}
-\contentsline {subsection}{\numberline {3.2.3}Gerador de Problemas de teste para Ambientes n\IeC {\~a}o Estacion\IeC {\'a}rios}{34}{subsection.3.2.3}
-\contentsline {chapter}{\numberline {4}Trabalhos Relacionados}{36}{chapter.4}
-\contentsline {section}{\numberline {4.1}Evolu\IeC {\c c}\IeC {\~a}o Diferencial Local a Base de Aglomera\IeC {\c c}\IeC {\~a}o e com Mem\IeC {\'o}ria Baseada em Esp\IeC {\'e}cies}{36}{section.4.1}
-\contentsline {section}{\numberline {4.2}Algoritmo de Vaga-Lumes baseado em multi-enxames - MSFA}{38}{section.4.2}
-\contentsline {section}{\numberline {4.3}Algoritmo PSO em Ambientes Din\IeC {\^a}micos}{39}{section.4.3}
-\contentsline {subsection}{\numberline {4.3.1}\textit {Dynamic Species-Based Particle Swarm Optimizer} - DSPSO}{39}{subsection.4.3.1}
-\contentsline {subsection}{\numberline {4.3.2}\textit {Clustering Particle Swarm Optimizer} - ClPSO}{40}{subsection.4.3.2}
-\contentsline {subsection}{\numberline {4.3.3}\textit {Volitive Particle Swarm Optimizer} - VPSO}{40}{subsection.4.3.3}
-\contentsline {section}{\numberline {4.4}Otimiza\IeC {\c c}\IeC {\~a}o por Col\IeC {\^o}nia de Bact\IeC {\'e}rias em Problemas Din\IeC {\^a}micos}{41}{section.4.4}
-\contentsline {section}{\numberline {4.5}Considera\IeC {\c c}\IeC {\~o}es}{42}{section.4.5}
-\contentsline {chapter}{\numberline {5}Proposta}{44}{chapter.5}
-\contentsline {section}{\numberline {5.1}Estudo de Caso}{44}{section.5.1}
-\contentsline {chapter}{\numberline {6}Considera\IeC {\c c}\IeC {\~o}es}{49}{chapter.6}
-\contentsline {chapter}{Bibliografia}{51}{chapter*.10}
+\contentsline {section}{\numberline {2.6}Problemas Din\IeC {\^a}micos com Dom\IeC {\'\i }nio Cont\IeC {\'\i }nuo}{27}{section.2.6}
+\contentsline {section}{\numberline {2.7}Fun\IeC {\c c}\IeC {\~o}es \textit {Benchmark}}{28}{section.2.7}
+\contentsline {subsection}{\numberline {2.7.1}Avalia\IeC {\c c}\IeC {\~a}o de Desempenho}{29}{subsection.2.7.1}
+\contentsline {subsubsection}{Otimalidade}{29}{section*.8}
+\contentsline {subsubsection}{Comportamento}{30}{section*.9}
+\contentsline {section}{\numberline {2.8}Inst\IeC {\^a}ncias de Problemas}{31}{section.2.8}
+\contentsline {subsection}{\numberline {2.8.1}\textit {Moving Peaks} - MP}{31}{subsection.2.8.1}
+\contentsline {subsection}{\numberline {2.8.2}\textit {Ocillating Peaks} - OP}{32}{subsection.2.8.2}
+\contentsline {subsection}{\numberline {2.8.3}Gerador de Problemas de teste para Ambientes n\IeC {\~a}o Estacion\IeC {\'a}rios}{33}{subsection.2.8.3}
+\contentsline {chapter}{\numberline {3}Trabalhos Relacionados}{35}{chapter.3}
+\contentsline {section}{\numberline {3.1}Evolu\IeC {\c c}\IeC {\~a}o Diferencial Local a Base de Aglomera\IeC {\c c}\IeC {\~a}o e com Mem\IeC {\'o}ria Baseada em Esp\IeC {\'e}cies}{35}{section.3.1}
+\contentsline {section}{\numberline {3.2}Algoritmo de Vaga-Lumes baseado em multi-enxames - MSFA}{37}{section.3.2}
+\contentsline {section}{\numberline {3.3}Algoritmo PSO em Ambientes Din\IeC {\^a}micos}{38}{section.3.3}
+\contentsline {subsection}{\numberline {3.3.1}\textit {Dynamic Species-Based Particle Swarm Optimizer} - DSPSO}{38}{subsection.3.3.1}
+\contentsline {subsection}{\numberline {3.3.2}\textit {Clustering Particle Swarm Optimizer} - ClPSO}{39}{subsection.3.3.2}
+\contentsline {subsection}{\numberline {3.3.3}\textit {Volitive Particle Swarm Optimizer} - VPSO}{39}{subsection.3.3.3}
+\contentsline {section}{\numberline {3.4}Otimiza\IeC {\c c}\IeC {\~a}o por Col\IeC {\^o}nia de Bact\IeC {\'e}rias em Problemas Din\IeC {\^a}micos}{40}{section.3.4}
+\contentsline {section}{\numberline {3.5}Considera\IeC {\c c}\IeC {\~o}es}{41}{section.3.5}
+\contentsline {chapter}{\numberline {4}Modelo}{43}{chapter.4}
+\contentsline {section}{\numberline {4.1}Caracter\IeC {\'\i }sticas do algoritmo}{43}{section.4.1}
+\contentsline {subsection}{\numberline {4.1.1}Fun\IeC {\c c}\IeC {\~a}o de Aglomeramento (\textit {crowding})}{44}{subsection.4.1.1}
+\contentsline {section}{\numberline {4.2}Ilustra\IeC {\c c}\IeC {\~a}o Conceitual}{44}{section.4.2}
+\contentsline {chapter}{\numberline {5}Protocolo de Experimenta\IeC {\c c}\IeC {\~a}o}{45}{chapter.5}
+\contentsline {chapter}{\numberline {6}Resultados e An\IeC {\'a}lises}{46}{chapter.6}
+\contentsline {chapter}{\numberline {7}Conclus\IeC {\~a}o e Trabalhos Futuros}{47}{chapter.7}
+\contentsline {chapter}{Bibliografia}{49}{chapter*.10}

modelo.tex

@@ -0,0 +1,26 @@
+\chapter{Modelo}
+\label{ch:modelo}
+
+Neste capítulo, uma nova versão baseada no Algoritmo de Otimização Enxame de Partículas em Clãs, chamado de Algoritmo de Otimização por Enxame de Partículas em Clãs Dinâmico (\textit{Dynamic Clan Particle Swarm Optimization}, DCPSO), será apresentada para utilização na otimização de problemas dinâmicos de domínio contínuo.
+
+Essa nova versão do CPSO utiliza uma rotina de aglomeramento (\textit{crowding}) como manutenção da diversidade e uma rotina nova chamada de explosão, que consiste em um reinicialização de alguns clans quando a diversidade entre esses clans forem muito baixa e o ambiente sofrer uma mudança.
+
+\section{Características do algoritmo}
+\label{sec:caracteristicas_algoritmo}
+
+Inicialmente o CPSO, sem nenhuma alteração, aplicado a problemas dinâmicos não teve uma performance muito boa em manter o rastreamento de vários picos ao mesmo tempo. Então foram definidos modificação para ajudar neste processo de rastreamento e assim na melhoria da performace do algoritmo. Algo que foi adicionado também foi uma rotina de verificação de mudança, pois as rotinas citada anteriomente são ações reativas e precisam saber quando acontece uma mudança no ambiente
+
+\begin{enumerate}
+	\item Função de Aglomeramento (\textit{crowding}): Tem como abjetivo ajudar os clãs a se manterem separados e assim a convergência acontece melhor dentro de cada um dos clãs.
+	\item Função de Explosão: Tem como objetivo reinicializar os clãs que se aglomeraram, assim permitindo que o clã resetado procure outro pico (ótimo local) para fazer o rastreamento e assim almentado a diversidade populacional e entre clãs.
+	\item Função de Detecção de Mudança: É executada toda iteração e tem como objetivo detectar se o ambiente sofreu alguma mudança. Para isso foi criada uma partícula de teste que acrescenta uma avaliaçào de fitness a mais para cada execução.
+\end{enumerate}
+
+\subsection{Função de Aglomeramento (\textit{crowding})}
+\label{subsec:crowding}
+
+
+\section{Ilustração Conceitual}
+\label{sec:ilustracao_conceitual}
+
+Nesta seção será apresentado um modelo de ilustração conceitual para demotrar a execução do algoritmo em um ambiente de teste com duas dimenções

protocolo.tex

@@ -0,0 +1,2 @@
+\chapter{Protocolo de Experimentação}
+\label{ch:protocolo}

resultados.tex

@@ -0,0 +1,2 @@
+\chapter{Resultados e Análises}
+\label{ch:resultados}