Raciocínio Baseado em Casos é uma metodologia para a resolução de problemas baseado em experiências passadas. Essa metodologia tenta solucionar um novo problema recuperando e adaptando soluções previamente conhecidas de problemas similares. Porém, cada solução recuperada, em geral, requer adaptações para que possa ser utilizada como solução de um novo problema. Portanto, a adaptação de casos é uma característica desejável em sistemas de Raciocínio Baseado em Casos. Um dos maiores desafios da área de RBC é o desenvolvimento de métodos eficientes para a adaptação de casos. Em contraste com a aquisição de casos, o conhecimento para adaptação não é facilmente disponibilizado e é de difícil obtenção (Hanney, 1996; Wiratunga et al., 2002). A forma de adaptação mais utilizada é a codificação de regras de adaptação, demandando um significativo esforço para a aquisição de conhecimento (Hanney, 1996). Uma alternativa para superar as dificuldades associadas à aquisição de conhecimento para adaptação de casos tem sido a utilização de abordagens híbridas e de algoritmos de aprendizado automático para a aquisição do conhecimento utilizado para a adaptação. Este trabalho investiga a utilização de abordagens híbridas para adaptação de casos empregando algoritmos de Aprendizado de Máquina. As abordagens aprendem o conhecimento necessário para a adaptação de casos automaticamente a partir de uma base de casos e aplicam esse conhecimento para realizar a adaptação de soluções recuperadas.

Case Based Reasoning is a methodology for problem solving based on past experiences. This methodology tries to solve a new problem by retrieving and adapting previously known solntions of similar problems. However, retrieved solutions, in general, require adaptations in order to be applied to new contexts. One of the major ehallenges in Case Based Reasoning is the development of an efficient methodology for case adaptation. In contrast to case acquisition, knowledge for case adaptation is not easily available and is hard to obtain (Hanney, 1996; Wiratunga et aí., 2002). The most widely used form of adaptation employs handcoded adaptation rules, which demands a significant effort of knowledge acquisition for case adaptation, presenting a few difflculties (Hanney, 1996). An alternative to overcome the difflculties associated to the acquisition of knowledge for case adaptation has been the use of hybrid approaches and automatic learning algorithms for the acquisition of the knowledge used for the adaptation. This Work investigates the use of hybrid approaches for case adaptation employing Machine Learning algorithms. The approaches automatically le~ arn adaptation knowledge from a case base and apply it to adapt retrieved solutions.