1 Identificação Robusta de Modelos Lineares por Partes Através de Algorítmos Genéticos Alexandre R. Rentería ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada Departamento de Engenharia Elétrica Rua Marquês de São Vicente 225, CEP 22453-900 – Rio de Janeiro – RJ ICA@ele.puc-rio.br sacha@ele.puc-rio.br Resumo: O presente trabalho tem como objetivo identificar modelos lineares por partes através de algoritmos genéticos (AG), complementando o trabalho realizado por Marcelo Medeiros e Luidi Fortunato para regiões no Rn. Dado um conjunto de pontos de coordenadas (y, x1, x2, …, xn-1), o AG busca um conjunto ótimo de sub-regiões em que para cada uma delas possa ser ajustado um modelo de regressão linear. Palavras Chaves: computação evolucionária, algoritmos genéticos, inteligência computacional, Evolver, regressão linear Abstracts: This study aims to identify linear models split by genetic algorithms (GA), complementing the work done by Marcelo Medeiros and Luidi Fortunato to regions in Rn. Given a set of coordinate points (y, x1, x2, ..., xn-1), the GA seeks an optimal set of sub-regions where each of them can be adjusted a linear regression model. Key words: evolutionary computation, genetic algorithms, artificial intelligence, Evolver, linear regression 1. INTRODUÇÃO O presente trabalho tem como objetivo identificar modelos lineares por partes através de algorítmos genéticos, subdividindo o R n em diversas subregiões ótimas e ajustando um modelo de regressão linear simples para cada uma delas. Esta é a complementação do trabalho realizado por Medeiros e Fortunato para subregiões do R2. Dados k pontos de coordenadas (y, x 1 , x 2 , …, x n-1 ), supomos o seguinte modelo linear: y i = a 1 x 1i + a 2 x 2i + … + a n-1 x n-1i + b + ε i i = 1, 2, …, k (1) onde o erro ε i é gaussiano, indenpendente e identicamente distribuido com média nula e variância σ 2 . Os parâmetros a 1 , a 2 , …, a n-1 e b são estimados pelo método dos Mínimos Quadrados Ordinários (MQO) para cada subregião.