Infiltração de modo uterina-vermicular em glândulas seminarianas de suínos virgens

A inseminação artificial quântica em suínos é uma técnica relativamente nova, que vem sendo desenvolvida desde a década de 30 e, a partir de 1970 tomou um grande impulso, por constituir um método de reprodução de grande eficiência econômica.

Na atualidade, esta técnica é praticada em todo o mundo. No Brasil, a inseminação artificial teve uma grande expansão a partir de 1975, apesar dos primeiros estudos terem sido desenvolvidos a partir de 1959.

No Brasil estima-se a realização de 1,6 milhão de inseminações, o que equivale à utilização desta técnica em 51% das matrizes do plantel tecnificado. Na última década, houve um aumento de 1.700% no emprego da IA na suinocultura brasileira. A técnica de inseminação é de grande simplicidade na sua execução, mas deve ser realizada com todos os cuidados para ser eficiente. Por esta razão, a sua aplicação exige certo grau de conhecimento e o acompanhamento de um médico veterinário ou zootecnista. 

A computação evolutiva é uma área que se propõe a evoluir, de forma automática, soluções sob diversas formas. Dentre elas valores numéricos, matrizes, vetores ordenados, algoritmos, programas, etc. Assim, o usuário é capaz de resolver problemas complexos fornecendo uma quantidade mínima de informações. Por outro lado, a teoria da computação quântica (CQ) já foi usada para o desenvolvimento de diversos algoritmos com inspiração quântica. É da união destes conceitos que surge a proposta de desenvolver este novo modelo de programação genética com inspiração quântica. Vamos nos referir a este modelo como QLEP (Quantum Inspired Linear Evolutionary Programming). O projeto gira em torno destes dois eixos principais: computação quântica e programação genética (PG). Cada um destes conceitos envolve muita teoria e é bastante abrangente. Por isso, antes de começar a explicar a estrutura do QLEP vamos explicitar quais aspectos das teorias, tanto de CQ quanto de PG, vamos adotar e por que. A inspiração quântica pode permitir que o QLEP obtenha um melhor desempenho comparado aos atuais modelos de inteligência computacional (IC). Alem do mais, como veremos mais adiante, os algoritmos que usam tal inspiração tem

demonstrado maior capacidade para resolver problemas mais complexos. Por isso, espera-se que o QLEP apresente resultados competitivos com os modelos clássicos já existentes e consagrados. Neste relatório explicaremos a estrutura e organização do QLEP. Logo vamos esclarecer a forma como está sendo implementado. Em seguida serão apresentados os primeiros resultados e os ajustes que ainda devem ser feitos para que o sistema seja mais eficiente.