@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"
}