---

O desenvolvimento de métodos automáticos para aprender estruturas de uma Rede Bayesiana (RB) diretamente a partir de dados é um problema relevante e considerado uma tarefa difícil, porque o número de estruturas possíveis cresce exponencialmente de acordo com o número de variáveis. Geralmente, para reduzir o espa‡o de busca, algumas restri‡äes podem ser impostas durante o processo de indu‡Æo da RB. Uma restri‡Æo possível é a defini‡Æo de uma ordena‡Æo das variáveis. Definir uma ordena‡Æo adequada das variáveis é, contudo, um problema complexo a ser executado. Trabalhos anteriores, na literatura, sugerem o uso de Algoritmos Evolucionários para encontrar uma ordena‡Æo de variáveis adequada ao aprendizado de estruturas de RB. No entanto, algoritmos evolucionários podem ser computacionalmente custosos. Para os casos onde a busca por uma ordena‡Æo de variáveis é adequada, este trabalho apresenta dois novos operadores genéticos e um novo algoritmo adaptativo híbrido que busca tal ordena‡Æo. Para os casos onde uma ordena‡Æo nÆo é indicada, sÆo definidos dois métodos de indu‡Æo de classificadores Bayesianos: DMBC e A-DMBC. Os resultados mostram que os métodos propostos sÆo promissores.

---

Gradua‡Æo em Ciência da Computa‡Æo pela Universidade Federal de Lavras/MG. Mestrado em Ciência da Computa‡Æo pela Universidade Federal de SÆo Carlos/SP. Doutorado em Sistemas Computacionais de Alto Desempenho pela Universidade Federal do Rio de Janeiro (PEC/COPPE/UFRJ). Professor na Universidade Federal de SÆo JoÆo del-Rei - UFSJ/MG.

---