In this work, we present a new framework devoted to the numerical solution of nonlinear algebraic systems. The algorithm is composed by a symbiotic organisms search and a repulsion technique. The systematic repetition of a metaheuristic algorithm in order to find the full set of solutions tends to fail since, at times, the same solution is found over and over again. The methodology proposed here, incorporating a repulsion technique, changes the behavior of the symbiotic organisms search, allowing for a better probability of finding a high number of solutions. We tested the methodology in two examples, one of which is the inverse kinematics problem for PUMA robot. We present a detailed study of the effect that some control parameters have, showing how to increase the probability of identifying more solutions. Overall, the results validate the enhancement attained by the methodology in finding the full set of solutions of the problem.
31 October 2025 in Revista Eletrônica de Iniciação Científica em Computação
Devido à sua dependência do transporte rodoviário, a segurança viária é um desafio significativo no Brasil. O estado do Rio de Janeiro apresenta padrões recorrentes de acidentes graves, demandando a identificação de seus principais fatores de risco. Este estudo aplicou técnicas de aprendizado de máquina para desenvolver um modelo preditivo para a gravidade de acidentes ocorridos nas rodovias federais do estado entre 2020 e 2023, utilizando dados da Polícia Rodoviária Federal (PRF). Foram comparados sete algoritmos de classificação supervisionada, com hiperparâmetros otimizados e avaliação por validação cruzada. O modelo de Regressão Logística apresentou o desempenho mais robusto, alcançando 73,85% de acurácia. A análise de interpretabilidade com a ferramenta LIME indicou que o tipo de acidente, a fase do dia, as condições meteorológicas, a localização geográfica e a densidade de acidentes por quilômetro foram os preditores mais influentes. Os resultados podem subsidiar a formulação de políticas públicas de prevenção mais eficazes.
The dropout rate in Brazilian higher education institutions has become a growing concern. This study aims to identify dropout and academic success patterns using machine learning techniques on public education data. The results achieved an accuracy rate of approximately 80% in predictions. With this predictive model, an API was developed to provide information about students' chances of success and dropout, considering relevant characteristics such as age, extracurricular activities, and social support. This approach aims to assist students in planning their academic careers more efficiently, reducing the likelihood of dropout. A evasão nas instituições de ensino superior brasileiras tem se tornado uma preocupação crescente. Este trabalho possui como objetivo identificar padrões de evasão e sucesso acadêmico utilizando técnicas de aprendizado de máquina em dados públicos de educação. Os resultados alcançaram uma taxa de acerto nas previsões de aproximadamente 80%. Com posse desse modelo preditivo, foi desenvolvida uma API que fornece informações sobre as chances de sucesso e evasão dos estudantes, considerando características relevantes como idade, atividades extracurriculares e apoio social. Essa abordagem visa auxiliar os estudantes no planejamento de suas carreiras acadêmicas de forma mais eficiente, reduzindo a probabilidade de evasão.