Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2026-232586
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!Métodos multicritério baseados em distância, como TOPSIS e VIKOR, são amplamente adotados, mas sofrem com ponderação subjetiva e sensibilidade a outliers. Este artigo propõe o COBRA-ML (Comprehensive Distance-Based Ranking with Machine Learning), extensão híbrida que incorpora quatro inovações: (i) normalização vetorial por norma euclidiana; (ii) ponderação objetiva via Índice de Seleção de Preferência (PSI); (iii) balanceamento gaussiano estrutural para compensar a tendência do PSI de subponderar critérios dispersos; e (iv) calibração automática de parâmetros via Random Forest Regressor (R² = 0,880 ± 0,015 em validação cruzada). Aplicado à seleção de fontes de energia renovável no Brasil, o método identifica Eólica Onshore como alternativa ótima (escore = 0,6843), com τ de Kendall médio = 0,933 na análise de sensibilidade e concordância perfeita com PROMETHEE II (τ = 1,000). O software está registrado no INPI (blind review) e disponível como código aberto.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo