Técnicas de Tratamento de Restrições aplicado em um Algoritmo Evolucionário Multiobjetivo para Repactuação de Outorgas em uma Bacia Hidrográfica
Bibliographic record
Abstract
A outorga é o instrumento de alocação de água entre os diversos usos da bacia hidrográfica, contudo, os critérios de determinação da vazão máxima outorgável são bastante restritivos, o que provoca descontentamentos e gera conflitos entre os usuários. Dessa forma, a outorga atua como fator limitante do quantitativo disponível a ser alocado, principalmente em bacias que já apontam para o esgotamento dos seus recursos hídricos outorgáveis. Algoritmos evolucionários multiobjetivo têm se destacado na otimização de problemas relacionados à gestão dos recursos hídricos. Neste trabalho utilizamos o algoritmo evolucionário multiobjetivo SPEA2 para alocação de água como suporte à negociação da repactuação da outorga em bacias hidrográficas com vazões outorgáveis insuficientes para a demanda. Diversas técnicas têm sido desenvolvidas para considerar as restrições específicas do problema e melhorar o desempenho de algoritmos evolucionários, neste trabalho analisamos o ganho de desempenho obtido pela introdução de algumas destas técnicas. Os resultados demonstram a importância da utilização das técnicas de tratamento das restrições, e a aplicabilidade da utilização do algoritmo evolucionário como sistema de suporte à decisão na gestão dos recursos hídricos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".