@InProceedings{BariniBottFerr:2018:AnCuLu,
author = "Barini, Wesley Araujo and Botti, Luiz Cl{\'a}udio Lima and
Ferrari, Ricardo Bulc{\~a}o Valente",
affiliation = "{Universidade Mackenzie} and {Instituto Nacional de Pesquisas
Espaciais (INPE)} and {Universidade Mackenzie}",
title = "An{\'a}lise das curvas de luz de AGNs utilizando algoritmos
baseados em auto-aprendizagem",
year = "2018",
organization = "Semin{\'a}rio de Inicia{\c{c}}{\~a}o Cient{\'{\i}}fica e
Inicia{\c{c}}{\~a}o em Desenvolvimento Tecnol{\'o}gico e
Inova{\c{c}}{\~a}o (SICINPE)",
note = "{Bolsa PIBIC/INPE/CNPq}",
abstract = "Este trabalho, iniciado em agosto de 2017, tem como objetivo
analisar curvas de luz de um AGNs utilizando algoritmos de
auto-aprendizagem. Baseando-se no modelo AGN mais aceito pela
comunidade cient{\'{\i}}fica, que consiste em um buraco negro
massivo em seu centro e um disco de acr{\'e}scimo em seu entorno,
cujo conjunto ejeta dois jatos relativ{\'{\i}}sticos em
dire{\c{c}}{\~o}es opostas transversalmente ao plano do disco,
foi poss{\'{\i}}vel saber de onde v{\^e}m os dados, que
prov{\^e}m da intera{\c{c}}{\~a}o entre a mat{\'e}ria do disco
de acr{\'e}scimo e o buraco negro central. Utilizando-se dados
dos observat{\'o}rios espalhados pelo mundo foi poss{\'{\i}}vel
montar um banco de dados e analisar as varia{\c{c}}{\~o}es
temporais de emiss{\~a}o de densidade de fluxo nas diferentes
regi{\~o}es do espectro eletromagn{\'e}tico, no entanto notou-se
que os AGNs t{\^e}m um comportamento at{\'{\i}}pico o qual
n{\~a}o h{\'a} aparentemente um padr{\~a}o comportamental. Na
tentativa de compreender melhor seu comportamento bem como das
curvas de luz, apropriou-se dos algoritmos gen{\'e}ticos como
ferramenta, que t{\^e}m uma abordagem diferente da pr{\'o}pria
programa{\c{c}}{\~a}o tradicional, pois {\'e} estruturada e
pensada nas leis evolutivas de Charles Darwin (1809- 1882). Para
aplic{\'a}-la, foi necess{\'a}rio compreender seu funcionamento
e esquema de montagem de suas estruturas. Primeiramente, cria-se
uma popula{\c{c}}{\~a}o inicial randomicamente, a qual
representa poss{\'{\i}}veis solu{\c{c}}{\~o}es (ou
reprodu{\c{c}}{\~a}o) da curva de luz. Atrav{\'e}s de uma
fun{\c{c}}{\~a}o chamada de fun{\c{c}}{\~a}o aptid{\~a}o
(fitness), estes indiv{\'{\i}}duos s{\~a}o testados e
classificados de acordo com sua proximidade da solu{\c{c}}{\~a}o
do problema que se deseja otimizar. Os melhores
indiv{\'{\i}}duos s{\~a}o selecionados e passam por processos
de reprodu{\c{c}}{\~a}o cruzada (crossover) e
muta{\c{c}}{\~a}o gerando uma nova popula{\c{c}}{\~a}o, a qual
ser{\'a} testada novamente atrav{\'e}s da aptid{\~a}o.
Ap{\'o}s diversas intera{\c{c}}{\~o}es do algoritmo foi
poss{\'{\i}}vel reproduzir dados que possibilitaram a montagem
de uma curva de luz em determinada frequ{\^e}ncia de
observa{\c{c}}{\~a}o e por fim compar{\'a}-los com a curva de
luz real. Com esta abordagem comparativa espera-se que os dados
computacionais cheguem o mais pr{\'o}ximo poss{\'{\i}}vel da
realidade.",
conference-location = "S{\~a}o Jos{\'e} dos Campos, SP",
conference-year = "30-31 jul.",
language = "pt",
targetfile = "Barini_analise.pdf",
urlaccessdate = "10 maio 2024"
}