Professional Documents
Culture Documents
Campos
dos
Goytacazes/RJ, para obteno do grau de
MESTRE EM PESQUISA OPERACIONAL E
INTELIGNCIA COMPUTACIONAL.
Campos
dos
Goytacazes/RJ, para obteno do grau de
MESTRE EM PESQUISA OPERACIONAL E
INTELIGNCIA COMPUTACIONAL.
BANCA EXAMINADORA
_________________________________________________________
Prof. talo de Oliveira Matias, D.Sc.- orientador
Universidade Candido Mendes
_________________________________________________________
Prof. Eduardo Shimoda, D.Sc.
Universidade Candido Mendes
________________________________________________________
Prof. Adelson Siqueira Carvalho, D.Sc.
Instituto Federal Fluminense
AGRADECIMENTOS
RESUMO
Algoritmo
Gentico,
Inteligncia
ABSTRACT
LISTA DE FIGURAS
Figura 1: Sistema pndulo invertido.
14
17
35
36
37
38
38
40
41
42
43
46
64
67
71
72
74
76
Figura 22: Grfico da resposta do sistema ao distrbio, aps variaes das variveis
de estado.
77
Figura 23: Grfico da resposta do sistema ao distrbio, ao final da simulao.
78
79
79
80
LISTA DE TABELAS
Tabela 1: Quantidades de publicaes por rea.
22
22
22
23
23
37
67
73
74
LISTA DE SIGLAS
ACO
AE
Algoritmos evolutivos
AG
Algoritmo Gentico
AI
Artificial Intelligence
ANN
EP
Evolutionary Programming
EPNet
GA
Genetic Algorithm
GPS
IA
Inteligncia Artificial
MIMO
MLP
Multilayer Perceptron
PID
RNA
SIMO
SISO
IC
Inteligncia Computacional
CI
Computational intelligence
CE
computao evolutiva
SUMRIO
INTRODUO
13
1.1 OBJETIVO
16
16
16
1.2 JUSTIFICATIVA
17
18
18
2 PESQUISA TEMTICA
21
21
26
3 REVISO DE LITERATURA
30
30
32
3.2.1 Pseudocdigo
36
39
3.3.1 Neurnios
40
43
44
45
46
46
47
49
52
53
54
55
56
57
58
4 DESENVOLVIMENTO
59
59
60
64
64
68
69
4.4 SIMULAO
70
70
71
5 RESULTADOS E DISCUSSES
73
CONSIDERAES FINAIS
81
6.1 CONCLUSO
81
83
REFERNCIAS BIBLIOGRFICAS.
84
91
13
INTRODUO
14
15
16
A otimizao feita pelo mtodo heurstico AG foi escolhida por apresentar fcil
implementao computacional, obter solues viveis com maior simplicidade,
exigindo somente uma funo de custo. A RNA como parte do sistema de controle
adaptativo apresenta menor custo computacional quando comparado programao
convencional estruturada para checagem e resposta das condicionais na variao
do sistema. Para contornar o problema enfrentado na configurao da Rede Neural,
um AG ser utilizado como mecanismo de configurao e otimizao, determinando
a quantidade de camadas ocultas, suas funes de ativao, e tambm o nmero de
neurnios nas camadas ocultas. Um AG tambm ser utilizado para escolher a
localizao dos novos polos da equao caracterstica, responsvel por gerar o
vetor de controle.
1.1 OBJETIVO
17
1.2 JUSTIFICATIVA
18
Na Figura 2.a tem-se como exemplo um rob de brinquedo bpede que exige
um sistema de controle para seu equilbrio. Na Figura 2.b um veculo de um eixo que
requer um controle robusto para ter agilidade e proporcionar suavidade em sua
conduo e na Figura 2.c um exoesqueleto utilizado para propiciar equilbrio ao
deficiente fsico, auxiliando-o em sua locomoo, substituindo a utilizao de uma
cadeira de rodas. Assim nos trs exemplos de reas distintas pode-se identificar as
possibilidades de aplicao das teorias de controle moderno.
19
20
21
2 PESQUISA TEMTICA
22
Classificao
1
2
3
4
5
rea Temtica
Engenharia
Cincia da Computao
Matemtica
Fsica e Astronomia
Neuro cincias
Quantidade
3611
2206
1133
621332
243
Classificao
Pas
Quantidade
1
Estados Unidos
1357
2
China
1332
3
Reino Unido
389
4
Taiwan
330
5
Japo
263
6
Alemanha
253
7
Canad
249
8
Frana
229
9
Singapura
173
21
Brasil
70
Fonte: Tabela extrada da base SCOPUS.
Disponvel em:< http://www.scopus.com/.>. Acesso em: fevereiro de 2013.
23
Classificao
rea Temtica
Quantidade
1
Engenharia
2817
2
Cincia da Computao
1679
3
Matemtica
920
4
Fsica e Astronomia
211
5
Engenharia Qumica
243
Fonte: Tabela extrada da base SCOPUS.
Disponvel em: <http://www.scopus.com/>. Acesso em: fevereiro de 2013.
Tabela 5: Quantidades de publicaes por pas para sistemas no lineares.
Classificao
Pas
Quantidade
1
China
1084
2
Estados Unidos
988
3
Taiwan
278
4
Reino Unido
273
5
Canad
190
6
Frana
167
7
Japo
166
8
Alemanha
154
9
Singapura
143
20
Brasil
52
Fonte: Tabela extrada da base SCOPUS.
Disponvel em:< http://www.scopus.com/.>. Acesso em: fevereiro de 2013.
Tabela 6: Quantidades de publicaes por Lngua de publicao para sistemas no lineares.
24
Figura 3: Citaes do artigo Identification and Control of Dynamical Systems using Neural Networks.
Fonte: Grfico extrada da base SCOPUS.
Disponvel em: <http://www.scopus.com/>. Acesso em: fevereiro de 2013.
25
Classificao
rea Temtica
Quantidade
1
Engenharia
9
2
Cincia da Computao
8
3
Matemtica
3
Fonte: Tabela extrada da base SCOPUS.
Disponvel em: <http://www.scopus.com/.>. Acesso em: maro de 2013.
26
Classificao
Pas
Quantidade
1
Itlia
2
2
Coreia do Sul
2
3
Arglia
1
4
Canad
1
5
China
1
6
Iran
1
7
Malsia
1
8
Paquisto
1
9
Taiwan
1
10
Turquia
1
Fonte: Tabela extrada da base SCOPUS.
Disponvel em: <http://www.scopus.com/.>. Acesso em: maro de 2013.
27
28
29
30
3 REVISO DE LITERATURA
31
pensar?, pode-se levar anlise separada das palavras mquinas e pensar como
usualmente so definidas, levando a concluses no adequadas para a pergunta, e
a tentativa de substituir tal questo por outra para tentar definir a questo levantada,
s levar a outra questo que estar intimamente relacionada com a primeira.
Prope-se: ao invs de procurar uma definio para a questo, pode-se descrever
atravs da soluo de um determinado problema.
Com a dificuldade de definir a IA, torna-se mais fcil formar uma ideia atravs
dos objetivos no estudo da IA, como proposto por Nascimento e Yoneyama (2004),
que relatam que a IA busca prover mquinas com capacidade de realizar algumas
atividades mentais do ser humano, atravs de alguns recursos computacionais com
variadas arquiteturas. Estas atividades podem envolver a sensopercepo como
tato, audio, viso, as capacidades intelectuais como aprendizagem, raciocnio
dedutivo, memria, a linguagem sendo verbais ou grficas; ateno, nas tomadas de
deciso sob um estmulo, a orientao, tendo um conhecimento sob sua situao
temporal e espacial num dado ambiente, a conceituao que busca captar a
essncia dos objetos e agrup-los em classe.
De acordo com Bittencourt (2001), o objetivo central da IA simultaneamente
a criao de teorias e modelos para capacidade cognitiva, prtica, com
implementao computacional, podendo mostrar-se com objetivo semelhante a do
estudo da psicologia, sendo diferenciado pela sua implementao computacional,
tornando-o autnomo de certa forma. Desta forma o modelo ou teoria de IA no
precisa ser provada atravs da comparao com os resultados previstos com o
comportamento humano.
Desviando das consideraes filosficas que abrange a IA pode-se afirmar
que existem duas reas que concentram as atenes dos pesquisadores em IA: a
representao de conhecimento e busca. A primeira trata de capturar um problema
numa linguagem formal e adequada para que este seja manipulado num
computador, fornecendo todo conhecimento necessrio para um comportamento
inteligente. A segunda a tcnica de soluo que explora o espao de estados do
problema, estgios sucessivos e alternativos no processo de soluo, que permite
numa busca gerar diferentes alternativas de resposta para diferentes escolhas
(LUGER, 2004).
Na construo de sistemas inteligentes existem duas principais linhas de
pesquisas: a linha conexionista e a linha simblica. A linha conexionista visa
32
33
34
35
e outras
36
3.2.1 Pseudocdigo
No pseudocdigo do AG abaixo, exemplifica e explica passo a passo as
etapas do fluxograma anterior.
1- Incio {Algoritmo Gentico simples}
2- Gera populao inicial de tamanho n: a populao gerada aleatoriamente
com conjunto de caractersticas pr-definidas. Se tratando de problemas numricos,
estes possuem intervalos numricos definidos, exemplificados na Figura 6.
37
0,1
0,15
0,05
0,10
0,25
0,30
n-2
n-1
n
0,11
0,02
0,07
0,82
0,93
1,00
38
A Figura 8 mostra um gene que sofre mutao, o bit tem seu valor modificado de 0
para 1. Aps a mutao o valor de fitness individual e global atualizado.
Michalewicz (1999), adota uma taxa de cruzamento de 0,25 garantindo a
renovao de no mximo metade da populao neste processo, e mutao de 0,01.
6- Caso no atenda a condio de parada retorna ao passo 5. A condio de
parada pode ser uma condio de convergncia ou atendimento de um conjunto de
restries.
7- Fim
Outras estratgias de crossover, mutao podem ser adotadas na
39
implementao dos AGs, assim como taxas diferentes das mencionadas podem ser
escolhidas no objetivo de melhorar a convergncia do algoritmo.
40
3.3.1 Neurnios
Apesar da complexidade do crebro humano, este formado por estruturas
relativamente simples, chamadas de neurnios. O neurnio biolgico mostrado na
Figura 9 dividido em trs sees: corpo celular, os dendritos e o axnio. Cada uma
possui uma funo especfica, porm estes so complementares.
41
42
43
44
Hebb.
Dois
tipos
de
aprendizagem
podem
ser
citados:
monitorada
45
dado, neste caso, a partir de uma referncia exterior, comparando a um alvo real,
gerando um erro. Este erro usado pela rede para o mapeamento dos valores de
entrada para o aprendizado (ajustes dos valores de pesos e bias) de uma
determinada classe. Aprender atravs de correo de erro o mecanismo de
aprendizagem mais utilizado (TAWIL,1999).
46
47
48
seguinte forma:
eq. 01
O algoritmo de Levenberg-Marquardt introduz outra aproximao da matriz
T
eq. 02
Assim quando o coeficiente de combinao quase zero, a equao z
aproxima se para equao x, utilizando o mtodo Gauss-Newton, quando o
coeficiente de combinao muito grande utiliza o mtodo do gradiente. A taxa de
aprendizagem pode ser obtida da relao = 1/ .
O algoritmo utilizado para o treinamento pelo mtodo de Levenberg Marquardt
apresentado atravs do fluxograma da Figura 14.
49
Ogata (2010) diz que a teoria de controle moderno tem sido desenvolvida em
razo da necessidade de atender s crescentes e rigorosas exigncias de
desempenho dos sistemas de controle, ao aumento da complexidade dos sistemas e
ao acesso fcil e em larga escala aos computadores. Esta teoria , tambm,
essencialmente, uma abordagem no domnio de tempo, enquanto a teoria de
controle convencional uma abordagem no domnio da frequncia complexa. A
teoria de controle moderno enquadra sistemas de entradas e sadas mltiplas,
lineares ou no lineares e variantes ou invariantes no tempo.
A representao de um sistema em Espaos de Estados consiste da
representao de n funes de transferncias na forma matricial. A modelagem de
50
eq. (03)
51
eq. (04)
52
eq. (05)
53
form. (01)
form. (02)
K = n an n1 an1 ... 2 a2 1 a1 T 1
form. (03)
54
ser definido como um sistema de controle composto de um loop rpido para controle
e um loop lento ajuste de controle. Nesse caso, a definio do termo adaptativo
para modificar de acordo com as mudanas de circunstncias. Quase todos os
sistemas de controles adaptativos modificam-se sob as mudanas de circunstncias.
Segundo Bolton (2010), o controle adaptativo utilizado em situaes de
controle em que os parmetros da planta variam com o tempo ou, talvez com a
carga. Com a mudana da funo de transferncia da planta, necessria uma nova
sintonia do sistema de controle para que as condies de otimizao sejam
atendidas.
Para se projetar um sistema de controle, devem ser definidos quatro
critrios bsicos:
1) Um modelo de planta que seja controlvel e o range de sua validade.
2) Os valores dos parmetros do modelo e suas esperadas variaes.
3) Os objetivos de desempenho
4) As restries do projeto, como os custos das aes de controle, limites
de autoridade do controle e o custo pretendido do controlador.
55
realizar o controle em diversas regies sejam elas de ganho fixo ou agendado. Est
fundamentado que, para poucas regies que so alteradas raramente, ou possuem
parmetros que so alterados muito devagar, a estabilidade do sistema pode ser
assegurada se cada parte da lei de linearidade for examinada, isso se essas leis
forem fixadas. Portanto, o ganho programado geralmente considerado como
dependente de alguma variao lenta de parmetro (FLANKLIN, 1998).
Segundo o autor (op. Cit.), este mtodo um sofisticado conceito,
frequentemente usado para avaliar a estabilidade do sistema. Na prtica, a anlise
de
estabilidade
do
ganho
programado
consiste
na
realizao
de
um
56
57
determinsticos:
em
sua
modelagem
no
so
inseridos
58
era atribuda ao modelo. Estes podem ser do tipo: modelos voltados previso:
podem utilizar a simulao partindo de algumas suposies do seu comportamento
no presente para determinar seu estado em um ponto futuro; modelos voltados
investigao: baseia-se em simulaes voltadas a levantamento de informaes e
ou hipteses sobre a natureza do fenmeno estudado e seu comportamento;
modelos voltados comparao: um dos mais populares. Avalia-se a
performance obtida nas mudanas das variveis de controle, a partir da comparao
entre os resultados obtidos em diferentes rodadas de simulao; modelos
especficos: so projetados e utilizados no auxlio tomada de deciso em
diferentes nveis gerenciais, podendo ser aplicados em situaes nicas e
especficas dentro de uma empresa e outros .
59
4 DESENVOLVIMENTO
60
eq. (06)
eq. (07)
61
Onde:
(movimentos em funo do ngulo) e
(movimentos em funo da
posio)
Considerando:
Resumindo, tem-se:
Considerando
e substituindo:
Admitindo:
62
Admitindo:
A matriz de estados A.
Onde,
Matriz de entrada B.
Onde:
e,
63
A matriz de sada C.
64
65
P = (S + a + bi) (S + a - bi) (S + c) (S + c)
P = S4 + (2a+2c) S3 + (a2+4ac+b2+c2) S2 + [2ac2 + (2a2+2b2) c)] S + c2(a2+b2)
66
x (A - Bk)x
Y= CX
67
68
Projeto 2
69
70
4.4 SIMULAO
71
Na Figura 18.a o tempo de acomodao tem valor inicial de 2,0s e fica mais
rgido com o passar do tempo, estabilizando prximo do valor de 0,5s. Na Figura
18.b o valor inicial do sobressinal igual a 0,4 no incio da simulao (requisito
inicial do sistema), tende a 0,1 para tempos maiores que 600s. A Figura 18.c mostra
a variao da massa do carro ao decorrer da simulao representada pelo diagrama
de blocos. Este comea com valor de massa inicial de 5,0kg, e tende a se estabilizar
no valor de 2,0kg aps um intervalo de tempo de 600s.
72
73
5 RESULTADOS E DISCUSSES
5,764
6,296
6,218
7,551
8,884
12,806
20,531
24,257
30,884
26,610
67,188
68,639
67,345
61,267
52,286
54,835
47,345
52,482
54,875
48,012
2,151
10,061
0,453
3,708
1,120
2,375
2,845
1,512
0,806
0,178
Ts
1,830
1,657
1,634
1,410
1,245
1,128
0,818
0,695
0,550
0,500
ts
ts
ts
ts
ts
ts
ts
ts
ts
ts
mp
2,000
1,830
1,657
1,634
1,410
1,245
1,128
0,818
0,695
0,550
0,366
0,331
0,327
0,282
0,249
0,226
0,164
0,139
0,110
0,100
ts
ts
ts
ts
ts
ts
ts
ts
ts
ts
M
0,400
0,366
0,331
0,327
0,282
0,249
0,226
0,164
0,139
0,110
4,661
4,313
4,267
3,820
3,490
3,257
2,637
2,390
2,100
2,000
ts
ts
ts
ts
ts
ts
ts
ts
ts
ts
5,000
4,661
4,313
4,267
3,820
3,490
3,257
2,637
2,390
2,100
74
O erro mdio quadrtico (fitness) encontrado aps o treino foi igual a 0,0697.
A Tabela 12 mostra a evoluo do erro, at encontrar o melhor indivduo n.
Indivduo n-10 n-9 n-8 n-7 n-6 n-5 n-4 n-3 n-2 n-1 n
Erro
22,71 2,41 1,66 1,51 1,33 1,30 1,09 1,00 0,99 0,96 0,07
Fonte: Elaborada pelo autor.
75
Camadas Ocultas
Funo de Ativao
N de Neurnios
Camada Camada Camada Camada Camada Camada Camada Camada Camada
1
2
3
1
2
3
1
2
3
5
0
0
1
2
3
5
3
4
Fonte: Elaborada pelo autor.
tamanho. Para gerar o bloco da RNA no simulink aps o treino, utiliza-se o comando
gensim(net).
Os resultados obtidos na plataforma de simulao com o controlador
adaptativo em relao a varivel de estado ngulo pode ser visualizado atravs das
Figuras 21, 22, e 23.
76
77
Figura 22: Grfico da resposta do sistema ao distrbio, aps variaes das variveis de estado.
Fonte: Elaborado pelo autor.
78
79
Na Figura 24, tem-se o controle por ganho agendado atravs da RNA, blocos
responsveis por variar o tempo de acomodao, sobressinal e massa. Os
integradores representam as variveis de estado e uma chave para inserir o
distrbio no sistema;
A Figura 25 apresenta a animao feita no wonderware Intouch verso
acadmica.
80
como ferramenta de verificao, pois segundo Freitas Filho (2008) esta ferramenta
empregada no estudo simulado permite a percepo de comportamentos sutis no
modelo em que no sistema real poderia passar desapercebido.
A Figura 25 mostra a tela com a animao em 2D do simulador do pndulo
invertido. Nesta tela pode-se acompanhar a variao de massa do sistema, a
mudana dos requisitos sobressinal Mp e tempo de acomodao Ts, valores
instantneos de ngulo de inclinao da haste, frequncia angular, posio,
velocidade linear do carro, grficos de tendncia real e a dinmica do carro pndulo .
A seta horizontal vermelha presente na Figura 25 do simulador representa o sentido
em que a fora est atuando no carro, a seta vertical superior indica a posio do
carro e a seta vertical inferior indica o referencial zero horizontal. Quando estas duas
setas se alinham, significa que o carro se encontra na posio zero.
Durante a simulao, possvel interagir com o sistema atravs do boto
com ttulo distrbio. Quando utilizado, este muda sua cor de vermelho, Figura 25,
para verde, apresentado na Figura 26.
81
CONSIDERAES FINAIS
6.1 CONCLUSO
82
configurao que atenda os objetivos com o menor erro aps o treino das
arquiteturas analisadas. Desta forma pode-se obter uma configurao sem que fosse
fundamental o conhecimento de um especialista em relao s funes de ativao,
a quantidade de camadas ocultas e o nmero de neurnios destas camadas para
configurar a RNA.
A RNA no foi utilizada como controlador pela complexidade da massa de
dados que esta exigiria, pois a superfcie que descreve o comportamento do sinal da
ao de controle para determinado distrbio, combinado com mudana de massa,
tempo de acomodao e sobressinal de extrema complexidade exigindo uma
grande quantidade de camadas ocultas e um grande nmero de neurnios nestas
camadas para minimizao do erro, algo que demanda muita capacidade de
processamento, apresentando um elevado tempo de resposta, inviabilizando a
simulao devido ao tempo de resposta da RNA ser maior que o perodo mnimo de
amostragem do sistema.
A RNA no foi utilizada para interpolao na alocao dos polos, por exigir um
intenso mapeamento para gerar uma tabela de dados capaz de representar
significativamente a superfcie do modelo com as mudanas das condies de
operao. Na tentativa de interpolar polos com distncias significativas entre si, para
atender diferentes condies de operao (sobressinal e tempo de acomodao),
este retornar um resultado insatisfatrio com condies de operao diferentes do
requerido para a massa de dados utilizada neste trabalho.
Embora tenha sido considerado satisfatrio o resultado obtido pelo AG na
configurao da RNA, tendo retornado a configurao de rede com o menor erro
dentre as configuraes presentes na otimizao, o comando utilizado para a
aplicao do algoritmo de aprendizagem train(net,x,y) aloca inicialmente um valor
aleatrio de pesos e bias, podendo retornar um valor significativamente diferente
entre dois treinos consecutivos com o mesmo tipo de RNA e com as mesmas
configuraes, dificultando a avaliao de aptido de indivduos iguais ou similares.
O controle agendado apresentou bom desempenho com a alocao fixa dos
polos, pois todos os polos apresentados atendiam os critrios de sobressinal e
tempo
de
acomodao
estabelecidos
no
incio
deste
trabalho.
Tambm
83
consiste na alocao dos polos e este varia com o ganho constante devido
variao angular. No controlador desenvolvido os polos alocados no variam com a
variao angular, reproduzindo com melhor preciso o estipulado em projeto.
Mesmo que a soluo em Espaos de Estados seja baseada em sistemas
lineares, a soluo deste modelo baseia-se na linearizao, em cada instante de
operao aumentando sua eficincia, apresentando uma soluo numrica a para
cada posio angular.
84
REFERNCIAS BIBLIOGRFICAS.
BITTENCOURT, G. Inteligncia
Florianpolis: UFSC, 2001.
Adaptive
Artificial:
Control
ferramentas
Systems.
2.ed.
teorias.
2.ed.
85
ELE LITEX 2: Disciplina EE-09 Inteligncia Artificial. Sntese de uma das reas da
Inteligncia Artificial. Disponvel em: <http://www.ele.ita.br/~flavios/listex2.htm>.
Acesso em: 22/ out/2013.
86
87
JUANG J.-G. Fuzzy neural network approaches for robotic gait synthesis. IEEE
Transactions on Systems, Man and Cybernetics, Part B. p.594-601, Aug 2000.
Disponvel: <ieeexplore.ieee.org/iel5/3477/18734/00865178.pdf>, acessado em
25/01/2014.
KAYNAK O.; ERBATUR K.; ERTUGNRL M. The fusion of computationally
intelligent methodologies and sliding-mode control-a survey. IEEE Trans. on
Industrial Electronics, vol. 48, no. 1, pp. 4-17, Feb 2001. Disponvel:
<ieeexplore.ieee.org/iel5/3477/18734/00865178.pdf>, acessado em 25/01/2014.
KRATZER, K. P. Neuronale Netze Grundlagen und Anwendungen. Disponvel
em < http://link.springer.com/chapter/10.1007%2F978-3-322-89950-7_4>. Acessado
em 18/out/2013.
88
89
SAMAN R., BRYAN A. T. A new formulation forfeed forward Neural Networks. IEEE
Trans. NeuralNetw., v.22, 10, p. 1588-1598, 2011. Disponvel em:
<http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=5993545&url=http%3A%2F%
2Fieeexplore.ieee.org%2Fiel5%2F72%2F4359168%2F05993545.pdf%3Farnumber
%3D5993545>. Acessado em 18/out/2013.
SEGWAY
SIMPLY
MOVING:
Vehicle
patrol.
<http://www.segway.com/patrol>. Acesso em 25/out/2013.
Disponvel
em:
90
em 18/out/2013
SILVA, T. Estratgias de Aplicaes Sequenciais e Paralelas da Metaheurstica
Otimizao por Enxame de Partculas ao Problema do Caixeiro Viajante.
Mestrado (Engenharia de Produo). Universidade Federal do Rio Grande do Norte,
Natal-RN, 2008.
YAO, X; LIU, Y. A new evolutionary system for evolving artificial neural networks.
IEEE Transactions on Neural Networks, v. 8, n.3, p. 694-713, 1997. Disponvel em:
< http://www.cs.bham.ac.uk/~axk/evoNN2.pdf>. Acessado em 18/out/2013
for
and
em:
em
91
92