Composio de Msica com

o Uso de Algoritmos
Eduardo Dias Camaratta, Leonardo Garcia Fischer
Instituto de Informtica Universidade Federal do Rio Grande do Sul (UFRGS)
Caixa Postal 15.064 91.501-970 Porto Alegre RS Brasil
{edcamaratta,lgfischer}@inf.ufrgs.br

Abstract. This study aims at showing an introduction about the musical

creation, by using algorithms. We show examples of the way composers have
been using algorithms to compose music through our history. We also show
some possible classifications for algorithms of automatic and semi-automatic
musical composition for computers, and we use one of these classifications to,
thus, detail each one of them. After, we will compare the models showed.
Resumo. Neste trabalho ser feita uma introduo criao de msica, com
o auxlio de algoritmos. Apresentaremos exemplos de como compositores
utilizaram algoritmos para compor msicas ao longo da histria. Tambm
apresentaremos algumas classificaes possveis para algoritmos de
composio automtica e semi-automtica de msica por computador e
utilizaremos uma dessas classificaes para, ento, detalhar cada uma delas.
Em seguida, compararemos os modelos apresentados.

1. Introduo
A criatividade essencial para a criao de arte. Dentre as diversas formas de arte, a
msica destaca-se, sendo a mais difundida. E, por tocar no intelecto e na emoo
humana, a composio de msica por computador um desafio s reas de pesquisa em
inteligncia artificial e computao musical. Esse desafio to grande que, ainda hoje,
poucos foram os avanos na rea de simulao convincente da criatividade.
Dentre as diversas reas de pesquisa em cincia da computao, sempre houve
um foco especial implementao de sistemas com intuito de simular a inteligncia e
criatividade humana. A inteligncia artificial sempre se preocupou com o
desenvolvimento de sistemas que ajudem a resolver problemas, do mesmo modo como
os humanos raciocinam sobre o assunto. Outra rea pesquisada pela inteligncia
artificial a simulao da criatividade humana pelo computador.
Por outro lado, a utilizao de algoritmos para a composio de msica j
realizada desde muito antes da popularizao dos computadores. Tais algoritmos, apesar
de no simularem a criatividade, auxiliaram muito a criao de melodias. Mozart e John
Cage so exemplos de msicos que utilizaram algoritmos para compor algumas de suas
obras.
Portanto, algoritmos podem ser teis na composio de melodias, mesmo
quando implementados das mais diversas formas. E, com o desenvolvimento e

popularizao dos sistemas computacionais no sculo XX, tornou-se possvel a

implementao de tais mtodos algortmicos em computador, bem como a criao de
novos.
Assim, este trabalho ir focar na composio de msica por computador atravs
do uso de algoritmos. Inicialmente, ser feita uma reviso histrica da produo de
msica a partir de algoritmos, desde os primeiros algoritmos utilizados h vrios sculos
por compositores, at as implementaes em computador utilizadas hoje em dia. Em
seguida, citaremos algumas das diversas classificaes citadas na literatura para as
diversas formas de composio a partir de algoritmos por computador. Tambm
colocaremos exemplos de algoritmos j utilizados em implementaes de compositores
algortmicos. Aps apresentar as diversas classificaes de algoritmos utilizados em
composies, faremos uma comparao entre elas. Por fim, a bibliografia utilizada para
a preparao deste trabalho ser disponibilizada para complementar os estudos
desejados do leitor.

2. Histrico
Dentre as diversas possibilidades de diviso histrica do uso de algoritmos para a
criao de msica, podemos dizer que a popularizao do computador representa um
grande marco para a composio algortmica. Isso devido ao fato que o uso do
computador permitiu o uso de novos algoritmos baseados em conceitos matemticos de
grande complexidade, tal como o uso de fractais, alm do fato de o computador ser
naturalmente algortmico. Apesar de tudo, devemos destacar que o surgimento do
computador no extinguiu o uso de algoritmos sem o uso de computador, mas apenas
abriu um novo leque de possibilidades.
2.1. Histrico Pr-Computador
Desde a Grcia antiga so utilizados processos e formalismos para criao de msica.
Pitgoras, por exemplo, acreditava que a msica era inseparvel dos nmeros. Ptolomeu
e Plato traaram relaes da msica com o movimento dos planetas, idia que ressurgiu
na idade mdia, com Shakespeare e Milton.
Apesar de os matemticos gregos terem criado sistemas musicais com os quais o
msico se guiava, a performance era quase totalmente improvisada. No entanto, apesar
da msica grega antiga no ter suas origens de natureza algortmica, a sua importncia
nesse estudo inegvel pela sua tendncia em processos formais no humanos.
A msica cannica no sculo XV deu uma nova viso a esse assunto, com a
introduo de regras que davam instrues de como os cantores deveriam prosseguir.
Era um tipo de algoritmo e, ao contrrio do que os gregos imaginavam, ficou claro que o
compositor estava sendo removido de grande parte do processo de composio, no qual
ele apenas criava o ncleo da msica e o restante era construdo automaticamente.
Em 1787, Mozart criou uma espcie de jogo para a criao de melodias. Nele,
dados eram jogados e ento se escolhia aleatoriamente pequenos pedaos de
composies pr-prontas, de forma a criar uma nova melodia. John Cage tambm
utilizou algoritmos em suas composies. Em sua obra intitulada Atlas Eclipticalis ele
sobreps uma partitura sobre um atlas astronmico, colocando as notas nos pontos onde
as estrelas do atlas apareciam.

Em estilos musicais da primeira metade do sculo XX, como o Dodecafonismo

(Twelve-tone technique) e o Dodecafonismo Serial (Serialism), houve a tentativa de
controlar todos os parmetros da msica, buscando objetivar e tornar o processo de
composio to abstrato quanto possvel. Todas as decises sobre a composio se
referiam a sries e matrizes de valores pr-compostos, que automatizavam muitos dos
parmetros da composio. Essas matrizes determinavam em que ordem os tons
deveriam ocorrer em uma pea. O Dodecafonismo Serial tambm pode ser denominado
composio algortmica ou automatizada no sentido puro, especialmente quando tenta
integrar tantos parmetros musicais quanto possvel. Porm, por tentar substituir a
criatividade humana, esses estilos musicais foram abandonados na dcada de 60.
2.2. Histrico Ps-Computador
O primeiro trabalho com o uso de algoritmos para a gerao de msicas de que se tem
registros o de Lejaren Hiller e Leonard Isaacson, da Universidade de Illinois, na
dcada de 50. Em seu trabalho, Hiller e Isaacson desenvolveram um sistema que gera
notas musicais pseudoaleatoriamente, utilizando cadeias de Markov para isso. As notas
eram selecionadas atravs de heursticas e, desse modo, era construida a msica. Se
nenhuma nota era gerada pelo sistema, era feito um backtracking (retrocesso), e ento
um novo ciclo era iniciado. Eles justificarm esse mtodo dizendo que antes de resolver o
problema de simular a expressividade musical, era necessrio resolver problemas mais
simples, como a prpria composio da msica. Esse trabalho resultou na Illiac Suite, a
primeira msica completamente composta por computador. Hiller, junto com Robert
Baker, tambm desenvolveu o MUSICOMP, um sistema para a composio de msicas
de forma automtica.
O trabalho de Hiller e Isaacson deu inicio uma srie de outros trabalhos,
principalmente baseados em cadeias de Markov. Porm, com esses trabalhos percebeuse que no possvel criar msicas com riqueza artistica utilizando apenas tcnicas
probabilsticas. Assim, tambm ouveram trabalhos cujo foco era a composio de
msicas de forma muito mais algortmica e heurstica.
Dentre os diversos trabalhos com o uso claro de tcnicas de inteligncia
artificial, um de destaque foi o de Rader, em 1974. Em seu trabalho, Rader utilizou um
sistema de regras e pesos, definidas como Regras de Aplicabilidade, que determinavam
a forma de produo da melodia, de forma a introduzir algum sentimento musical.
J o trabalho de Simon e Sumner descreveram uma linguagem formal para a
descrio de msica e seus padres. Junto com o trabalho de Fred Lerdahl e Ray
Jackendoff, uma grande quantidade de trabalhos baseados em gramticas foram
desenvolvidos.
Em 1983, Marvin e Minsky desenvolveram um sistema baseado em agentes, de
forma que um agente coordena varios outros, que possuem uma certa habilidade
musical. Bharucha, em 1993, desenvolveu um sistema baseado em redes neurais, de
forma que o sistema aprendesse a fazer msica. No mesmo ano, Feulner desenvolveu
um sistema baseado em redes neurais, complementando com um sistema de satisfao
de restries.

Um outro trabalho, de J. Sabater, J. L. Arcos e R. Lpez de Mntaras prope o

uso de regras para auxiliar a composio de msica, mas no para regir o seu
desenvolvimento. Este sistema foi baseado em harmonizao da msica, utilizando um
sistema de Raciocnio Baseado em Casos (CBR, Case Based Reasoning), e aplicao de
regras nos casos onde no era possvel harmonizar com os dados j obtidos.
Um ltimo exemplo ser o trabalho de David Cope. Este trabalho era baseado
em assinaturas, onde o sistema pesquisava partituras de obras j existentes, encontrava
padres, e ento gerava novas composies. Desse modo, ele obteve composies ao
estilo Mozart, Bach, Chopin, e outros.

3. Modelos de Composio Algortmica

Podem-se dividir os meios de composio algortmica de muitas formas diferentes, e
no h um consenso sobre essa diviso. Citaremos diversas formas encontradas na
literatura, mas devemos ressaltar que essa lista no exaustiva.
possvel analisar como o algoritmo entra no processo de composio, e assim
pode-se dividir em msica composta pelo computador e msica composta com o auxlio
do computador. No primeiro caso, o algoritmo faz as prprias escolhas durante o
processo. No segundo, os algoritmos apenas servem de auxlio ao compositor, o qual
coordena o processo de composio.
Pode-se tambm categorizar a composio algortmica a partir dos resultados da
composio. Nesses casos, os algoritmos podem prover informaes para instrumentos
musicais ou devem possuir maneiras independentes de sntese de som. Existe tambm a
possibilidade de algoritmos que provenham ambos. Por exemplo, a execuo de um
algoritmo pode resultar em uma partitura, que pode ser utilizada por um instrumentista
posteriormente, pode gerar um arquivo do tipo MIDI, ou ento pode gerar o udio
atravs de uma mdia, que ser executada por um computador ou outro dispositivo
capaz de reconhec-la, como um arquivo MP3.
Mas na literatura muito comum classificar os algoritmos composicionais
quanto maneira como eles processam os dados musicais e pela sua estrutura. Uma das
divises encontradas, que ser utilizada neste trabalho, consiste de seis modelos:

Modelos matemticos;

Sistemas baseados em conhecimento;

Gramticas;

Mtodos evolucionrios;

Sistemas de aprendizado;

Sistemas hbridos.

A seguir detalhamos cada um dos modelos.

3.1 Modelos Matemticos
Modelos matemticos so baseados em equaes e processos randmicos. A maneira
mais utilizada de construir composies com matemtica atravs de processos

estocsticos. Nesses modelos, um trecho de msica composto a partir do resultado de

mtodos no-determinsticos. O processo parcialmente controlado pelo compositor,
que atribui pesos s possibilidades dos eventos randmicos. Algoritmos estocsticos
tambm so utilizados em conjunto com outros algoritmos em vrios processos de
tomada de deciso.
Um processo estocstico uma seqncia de funes mensurveis, ou seja, uma
varivel randmica, definida em um espao probabilstico com valores em um
determinado espao de funes. Um processo estocstico tambm pode ser considerado
como uma coleo indexada de variveis randmicas. Um exemplo de algoritmo de
composio que se utiliza desses processos a Subdiviso Binria Estocstica, uma
tcnica que originalmente foi desenvolvida para gerar ritmos de bateria. A inspirao
por trs desse algoritmo foi a observao de que muitas tcnicas randmicas de gerao
de msica falham porque suas estruturas mtricas no so adequadas, em particular, um
ritmo esperado ignorado.
Outro exemplo de processo estocstico so as cadeias de Markov. Em uma
cadeia de primeira ordem, os estados do sistema se tornam notas ou valores de pitch, e
construdo um vetor de probabilidade para cada nota, completando a matriz de
transio de probabilidade. Um algoritmo ento construdo para gerar valores de nota
baseados nos pesos da matriz de transies, que podem ser valores MIDI, freqncia ou
outra mtrica desejada. Uma cadeia de segunda ordem pode ser introduzida,
considerando o estado atual e tambm o anterior. Cadeias de ordem n tendem a agrupar
notas particulares, enquanto quebra em outros padres e seqncias ocasionalmente.
Essas cadeias de mais alta ordem tendem a gerar resultados com um senso de estrutura
frasal, ao invs das composies sem sentido realizadas por sistemas de primeira ordem.
Tambm, desde 1970, fractais tem sido estudados como modelos de composio
algortmica. Compositores tem tentado vrias maneiras de utilizar fractais nas suas
msicas, explorando a auto-similaridade e a amplificao de dados que eles encorpam.
Um dos usos mais simples das formas fractais envolve a substituio sucessiva de uma
linha reta por alguns segmentos de linhas retas. Essa idia determinstica e produz
sempre o mesmo resultado. Se o algoritmo modificado com a introduo de variveis
aleatrias, o resultado parecer mais natural. Essa idia pode ser adaptada, por exemplo,
composio musical automtica, atravs de interpolao entre notas por um esquema
pseudo-randmico. Nesse caso, a interpolao recursivamente dividiria o intervalo de
tempo entre notas at que uma resoluo especfica fosse atingida, e ento iria inserir
novas notas.
3.2 Sistemas Baseados em Conhecimento
Um sistema Baseado em Conhecimento utiliza solues de problemas j conhecidos
para propor novas solues para problemas ainda no resolvidos. Esses sistemas
baseiam-se na premissa de que problemas semelhantes possuem solues semelhantes, e
que j existe uma larga base de problemas j resolvidos.
Assim, uma maneira de compr msica atravs do uso de composies j
consagradas, e o uso de pequenos trechos, de forma a compor novas msicas similares
s j criadas. Desse modo, podemos utilizar Sistemas Baseados em Conhecimento para
compor novos trabalhos com o mesmo gnero ou estilo. Tambm possvel, a partir de

uma composio pouco expressiva (gerada a partir de um outro mtodo, por exemplo),
adicionar ou modificar trechos, de modo a torn-la mais expressiva.
Assim, o mtodo consiste em analizar trechos de composies j realizadas,
encontrar notas de entrada semelhantes a esse trecho, e ento modificar um outro trecho
de entrada, de forma a se tornar semelhante aos trechos encontrados. Desse modo, uma
nota de entrada modificada para que possua semelhanas trechos dos trabalhos j
feitos.
Um exemplo de sistema implementado com este mtodo o SaxEx. Ele
implementa um Sistema Baseado em Casos em trs passos. O primeiro a obteno,
onde uma srie de notas ou trechos similares uma composio original so
selecionados. O segundo a adaptao, onde o sistema decide as modificaes a serem
feitas nas notas selecionadas no primeiro passo, e a melodia composta. Por fim, o
resultado obtido incorporado base de problemas j resolvidos.
O primeiro e o segundo passos so implementados com a ajuda de modelos
baseados em espectro, de forma a extrair informaes de expressividade do trecho
analisado (como a dinmica, vibrao, articulao e ataque). Um exemplo de modelo
baseado em espectro o SMS (Spectral Modeling Synthesis). Este modelo permite a
manipulao dos parmetros da msica citados, sem perda de qualidade.
Deste modo, o SaxEx consegue analisar composies j realizadas, compar-las
com as notas de entrada, e ento modific-las para compor uma nova melodia.
3.3 Gramticas
A gramtica pode ser utilizada para composio de msica. A partir de uma gramtica
musical, podemos definir as regras que regem o possvel desenvolvimento da msica.
Tambm possvel adicionar gramtica elementos que coordenem caractersticas da
msica, tal como o ritmo e a harmonia.
Diversos tipos de gramticas podem ser utilizadas para a composio de msica.
Utilizando uma abordagem baseada em gramticas de Chomsky regulares, sensveis ao
contexto e livres do contexto, a msica composta a partir da gramtica, e durante a sua
reproduo, cada um dos smbolos da string formada deve ser substituido pelas notas ou
acordes correspondentes. Utilizando linguagens livres do contexto, tambm possvel
se trabalhar em n dimenses, de forma que cada dimenso possa representar um atributo
particular da msica.
Existem outros modelos de gramtica, que tambm podem ser adaptados para a
composio musical, do mesmo modo que as gramticas de Chomsky podem ser.
Lindenmayer props, em 1968, um modelo de gramtica, chamdo L-System. Os LSystems so baseados em gramticas livres do contexto, com a adio de um axioma,
adicionado s produes possveis. Esse axioma tem a forma . Com isso, a
derivao de uma string pode ser feita em paralelo, em at um nmero pr-determinado
de nveis. A string gerada com at n nveis interpretada como informao msical,
gerando a composio. Uma das caractersticas dos L-Systems a gerao de strings
com um certo grau de repetio, uma caracterstica comum s composies musicais.
Existem outras estenses aos L-Systems, que podem ser utilizadas na
composio musical. Com L-Systems paramtricos, podemos associar nmeros ao

smbolos, de forma que possam ser interpretados durante derivao da string. Outras
extenses, com L-Systems diferenciais (Differential L-Systems) ou L-Systems
hierrquicos (Hierarchical L-Systems) tambm podem ser utilizados para a composio
musical.
Nos L-Systems hierrquicos, a derivao de um simbolo pode resultar em uma
outra gramtica, com as suas prprias regras de derivao. A derivao da nova
gramtica derivada ocorre de forma independente da primeira gramtica. Porm, a
primeira gramtica pode passar parmetros gramtica que derivada. Desse modo, a
derivao naturalmente hierarquica da gramtica facilita a construo da estrutura da
msica.
Um outro tipo de gramtica so as gramticas estocsticas. Nelas, atribumos
uma probabilidade cada regra de derivao. Ento, as derivaes so feitas de forma
aleatria, considerando as probabilidades utilizadas. Um exemplo de uso desse tipo de
gramtica a criao de cadeias de Markov que, conforme citado no item 3.1, tambm
podem ser utilizados para a composio de msica.
3.4 Mtodos Evolucionrios
Os mtodos evolucionrios para criao de msica so baseados em algoritmos
genticos. A composio feita atravs de conceitos do processo evolucionrio. Atravs
de mutao e seleo natural, diferentes solues convergem para uma pea musical. A
ao interativa do algoritmo corta solues ruins e cria boas novas solues atravs dos
indivduos sobreviventes ao processo de evoluo. Nesses mtodos o resultado
observado por um crtico, uma parte vital do algoritmo, que controla a qualidade das
composies criadas.
Um dos primeiros trabalhos nessa rea foi a linguagem procedural Flavors Band
(1984), baseada em LISP, para estilos especficos de Jazz e msica popular. Ela permite
a gerao de partituras em um estilo pr-determinado, atravs de modificaes em uma
partitura fornecida como entrada. Permite tambm a combinao de funes randmicas
e parmetros musicais para gerao de variaes de improvisao.
Biles, em 1994, construiu um sistema (GenJam) que modelava um msico de
Jazz aprendendo a improvisar, atravs de algoritmos genticos. Um crtico humano
deveria calibrar as funes de avaliao atravs da atribuio de notas para as
improvisaes. Papadopoulos e Wiggins tambm utilizaram algoritmos genticos para
criar improvisaes de melodias de Jazz em determinadas progresses. Ao contrrio do
GenJam, esse programa incluia uma funo de avaliao que classificava a melodia
improvisada em oito diferentes aspectos, como durao de notas, intervalo entre as
notas e contorno meldico.
Em 2001, Franklin usou redes neurais para aprender como improvisar solos de
Jazz, a partir de improvisaes solo do saxofonista Sonny Rollins. Um outro algoritmo
de aprendizado era utilizado como reforo para o comportamento da rede neural. A
funo de recompensa avaliava o solo em termos de harmonia do Jazz e do estilo de
Rollins.
Tambm em 2001, Thom, com o sistema Band-Out-of-a-Box (BoB), posicionou
o problema de improvisao em tempo real entre o msico e seu sistema. O sistema era

apenas um acompanhamento para uma improvisao em tempo real. A proposta era um

modelo estocstico, baseado em busca gulosa sobre um espao restrito de notas
possveis de se tocar em um determinado momento. A maior contribuio desse trabalho
o fato de que o algoritmo aprendia as restries e o modelo estocstico, a partir de um
msico humano, atravs de um algoritmo probabilstico no supervisionado de
clusterizao. Os parmetros desse modelo aprendido eram ento incorporados em um
processo estocstico que gerava os solos em resposta a solos de quatro barras de um
improvisador humano. Sistemas semelhantes a esse foram propostos por Dannenberg
(1993), que diferia pela gerao de msica ser controlada pelos objetivos do compositor,
e Wessel (1998), que tambm se baseava no acompanhamento e na melhora de
improvisaes ao vivo.
3.5 Sistemas de Aprendizado
Um sistema de aprendizado no tem, a princpio, qualquer conhecimento sobre o gnero
musical com o qual trabalha. Ele coleta o material de aprendizado por si prprio, atravs
de exemplos fornecidos pelo usurio ou programador. Os exemplos coletados so ento
processados em uma pea musical, que apresentar similaridade aos exemplos
fornecidos. Esse mtodo de composio algortmica fortemente ligado a estudos da
cincia cognitiva e ao estudo de redes neurais.
A partir da forma em que armazenam o conhecimento, esses sistemas podem ser
classificados em Simblicos (Machine Learning - ML) ou Simblicos/Distribudos
(Artificial Neural Networks ANN).
Alguns exemplos de trabalhos que utilizaram redes neurais e que tiveram
sucesso, principalmente na percepo e cognio foram Todd e Loyd (1991), Leman
(1992) e Griffith e Todd (1997).
Em 1989, Todd usou uma rede neural com realimentao para gerao de
melodias. Mozer fez um trabalho semelhante em 1994, que, segundo ele mesmo, tinha
resultados melhores que tabelas de transio de terceira ordem. Em 1994, Belgard e
Tseng construiram uma Mquina de Boltzmann (Effective Boltman Machine EBM)
para harmonizao que possuia, alm da gerao no-determinstica de harmonias,
medidas de qualidade da harmonia gerada.
Toivianen, em 1995, utilizou uma rede neural para improviso de Jazz. Hrnel e
Degenhardt, em 1997, fizeram o mesmo que Toivianen para improvisao meldica em
estilo barroco. Em 1998, Melo usou duas redes neurais cooperativas operando em
diferentes nveis, na tentativa de capturar a tenso harmnica de uma msica. Essas
redes foram treinadas com percepes de ouvintes humanos e podiam prever bem a
tenso da msica (e tambm dos trechos que no faziam parte do treinamento), mas no
tinham sucesso na gerao de msica.
Implementaes de Machine Learning no so comuns. Em 1992, Widmer usou
ML para harmonizao de melodia. Schwanauer (1993) utilizou cinco tcnicas de
aprendizado no sistema MUSE.

3.6 Sistemas Hbridos

Os sistemas baseados em um nico modelo algortmico dificilmente tiveram resultados
artisticamente bons, devido s restries e dificuldades de expresso de cada um. Assim,
um novo ramo de pesquisa a combinao de diversos modelos em uma mesma
implementao, de forma a obter as facilidades que cada modelo pode proporcionar.
Deste modo, alguns trabalhos esto sendo realizados utilizando-se desta tcnica.
O trabalho de P. M. Gibson e J. A Byrne fez uso de redes neurais e algoritmos genticos
para compor msica. As redes neurais foram utilizadas para produzir trechos de msica,
enquanto os algoritmos genticos manipulavam os fragmentos criados pelas redes
neurais. Alm disso, a rede neural tambm coopera para a avaliao dos resultados
gerados pelos algoritmos genticos.

4. Comparao entre os Modelos

Os modelos matemticos possuem a vantagem da aleatoriedade, presente em muitas
composies humanas. Porm, essa mesma aleatoriedade, em excesso, pode resultar em
uma composio catica. Alm disso, a dificuldade para determinar as probabilidades
envolvidas dificulta o uso do mtodo.
Os modelos baseados em conhecimento geram bons resultados, mas a existe
uma grande dificuldade para a construo de uma base de conhecimento inicial.
O uso de gramticas hierrquicas pode facilitar a construo da estrutura da
msica. No entanto, dificulta a incluso de improvisaes, o que natural em
composies humanas.
Nos modelos baseados em evoluo, essencial uma grande quantidade de
treinamento por um avaliador humano, at que bons resultados sejam gerados pelo
sistema.
Em sistemas de aprendizado existe a grande habilidade de reconhecimento de
padres e gerao de novas melodias a partir do conhecimento adquirido. Em contrapartida, eles no conseguem capturar caracteristicas de mais alto nvel.
Por ltimo, os sistemas hbridos tem a vantagem de aproveitar o melhor dos
outros modelos. Todavia, por reunir vrios mtodos, a complexidade de implementao
extremamente grande.

5. Concluses
De uma forma geral, todos os modelos estudados no conseguem colocar expressividade
nas composies de uma forma eficaz. Isso, logicamente, devido ao fato de ser de
grande complexidade a implementao de sentimentos, emoes e intenes.
Porm, todos os mtodos tentam, de alguma forma, diminuir a artificialidade das
msicas geradas por computador.

5. Referncias
Gil, M. Gmez-Zamalloa; Sistema
Aproximaciones Preliminares

de composicin

musical

automtica -

Maurer, John A., IV; (1999) A Brief History of Algorithmic Composition

Rader, G. M.; (1974) A Method for Composing Simple Traditional Music by
Computer, ACM Inc., Philadelphia
Sabater, J.; Arcos, J. L.; Mntaras, R. Lpez de; (1998), Using Rules to support CaseBased Reasoning for harmonizing melodies, AAAI Press, Spain
Cope, David (1984) New Directions in Music. 4th ed. W. C. Brown: Dubuqe, Iowa.
259 pp.
Mantaras, R. Lopez de; Arcos, J. Lluis; (2002) AI and Music From Composition to
Expressive Performance, American Association for Artificial Intelligence, California,
USA
Serra, Xavier; Jordi, Bonada; Herrera, Perfecto; Loureiro, Ramon; (1997) Integrating
complementary spectral models in the design of a musical synthesizer
Fournier, A., Fussell, D., Carpenter, L., Computer Rendering of Stochastic Models,
Communications of the A.C.M., vol. 25, no. 6, pp. 371-384 (1982).
Langston, P. S., Six Techniques for Algorithmic Music Composition, Bellcore,
Morristown, New Jersey.
Mandelbrot, B., The Fractal Geometry of Nature, W. H. Freeman Co. (1982).
Smith, A. R., Plants, Fractals, and Formal Languages, Computer Graphics
Proceedings of the Siggraph '84 Conference, vol. 18, no. 3, pp. 1-10 (July 1984).
Lindenmayer, A. Mathematical Models for Cellular Interaction in Development, Parts I
and II. Journal of Theoretical Biology 16(1968), 280 315.
Hanan, J. Parametric LSystems and their Application to the Modelling and
Visualisation of Plants, Ph.D. dissertation, University of Regina, June 1992.
Prusinkiewicz, P., Hammel, M.S., and Mjolsness, E. Animation of Plant Development.
In Computer Graphics, Proceedings of SIGGRAPH 93 (Anaheim, California, August 1
6, 1993, ACM SIGGRAPH, New York, 1993, pp. 351 360.
Biles, J. A., GenJam: A Genetic Algorithm for Generating Jazz Solos. In Proceedings
of the 1994 International Computer Music Conference, 131-137. San Francisco, Calif.:
International Computer Music Association.
Fry, C. Flavors Band: A Language for Specifying Musical Style. In Machine Models
of Music, eds. S. M. Schwanauer and D. A. Levitt, 427-451. Cambridge, Mass.: The
MIT Press.
Thom, B. 2001, Bob: An Improvisational Music Companion. Ph.D. Dissertation,
School of Computer Science, Carnegie-Mellon University.
Wessel, D., Wright, M.; and Kahn, S. A. 1998, Preparation for Improvised
Performance in Collaboration with a Khyal Singer. In Proceedings of the 1998
International Computer Music Conference, 497-503. San Francisco, Calif.: International
Computer Music Association.

Dannenberg, R. B., and Derenyi, I. 1998. Combining Instrument and Performance

Models for High-Quality Music Synthesis. Journal of New Music Research 27(3): 211238.
Franklin, J. A. 2001. Multi-Phase Learning for Jazz Improvisation and Interaction.
Paper presented at the Eighth Biennal Symposium on Art and Technology, 1-3 March,
New London, Connecticut.
Papadopoulos, G., and Wiggins, G. 1998. A Genetic Algorithm for the Generation of
Jazz Melodies. Paper presented at the Finnish Conference on Artificial Intelligence
(SteP'98), 7-9 September, Jyvaskyla, Finland.
Gibson, P. M.; Byrne, J. A.; (1991) NEUROGEN, Musical Composition Using Genetic
Algorithms and Cooperating Neural Networks
Todd, P. M., Loy, G., editors. "Music and Connectionism". MIT Press, 1991.
Leman, M., "Artificial neural networks in music research". In A. Marsden and A. Pople,
editors, Computer Representations and Models in Music, pages 265-301. Academic
Press Ltd, 1992.
Griffith, N., Todd, P. M., editors. "Musical Networks". MIT Press, 1997.
Todd, P. M., "A Connectionist Approach to Algorithmic Composition". Computer
Music Journal, 13 (4):27-43, 1989.
Mozer, M. C., "Neural Network Music Composition by Predication: Exploring the
Benefits of Psychoacoustic Constraints and Multi-scale Processing". Connection
Science, 6 (2-3): 247-280, 1994.
Bellgard, M. I., Tsang, C. P., "Harmonizing Music the Boltzmann Way". Connection
Science, 6 (2-3): 281-297, 1994.
Toiviainen, P., "Symbolic AI Versus Connectionism in Music Research". In E. Miranda,
editor, Readings in Music and Artificial Intelligence. Gordon and Breach, 1999.
Hrnel, D., Degenhardt, P., "A Neural Organist improvising baroque-style melodic
variations". In Proceedings of the International Computer Music Conference,
Thessaloniki. Greece, 1997.
Melo, A. F., "A Connectionist Model of Tension in Chord Progressions". MSc Thesis,
School of Artificial Intelligence, University of Edinburgh, 1998.
Widmer, G., "Qualitative Perception Modeling and Intelligent Musical Learning".
Computer Music Journal, 16 (2):51-68, 1992.
Schwanauer, S. M., "A Learning Machine for Tonal Composition". In S.M. Schwanauer
and D. A. Levitt, editors, Machine Models of Music, pages 511-532. MIT Press, 1993.