Um Estudo para o Aprimoramento do Método da Otimização Extrema Generalizada
|
|
- Alexandre Ferretti Antas
- 5 Há anos
- Visualizações:
Transcrição
1 Um Estudo para o Aprimoramento do Método da Otimização Extrema Generalizada Roberto Luiz Galski, Fabiano Luis de Sousa, Fernando Manuel Ramos e Issamu Muraoka Instituto Nacional de Pesquisas Espaciais (INPE) galski@ccs.inpe.br, fabiano@dem.inpe.br, fernando@lac.inpe.br, issamu@dem.inpe.br Resumo Este artigo apresenta uma implementação aprimorada do algoritmo Otimização Extrema Generalizada (Generalized Extremal Optimization - GEO), e sua variante GEO var, e analisa o ganho obtido quando aplicado a um conjunto de funções teste. O aprimoramento em questão é um dos primeiros resultados dos estudos em andamento, efetuados pelo primeiro autor como parte do seu programa de doutorado. São apresentadas curvas do valor da função objetivo versus o número de avaliações da função tanto para o GEO/GEO var original quanto para o modificado, sendo os resultados analisados. Como exemplo de aplicação prática, são mostrados os resultados obtidos com a versão aprimorada do GEO/GEO var no projeto otimizado do sistema de controle térmico da Plataforma Multimissão (PMM) do INPE. Adicionalmente, os desenvolvimentos e aplicações atuais do GEO/GEO var são comentados.. Introdução O algoritmo GEO e sua variante GEO var, são metaheurísticas de otimização global (Sousa & Ramos, 22; Sousa et al., 23a, 23b) desenvolvidas recentemente como uma proposta de generalização do algoritmo τ-eo (Boettcher & Percus, 2). Assim como os métodos Recozimento Simulado - RS (Kirkpatrick et al., 983) e os Algoritmos Genéticos - AG (Goldberg, 989), GEO e GEO var são algoritmos estocásticos cuja inspiração origina-se na analogia de processos observados na natureza. GEO e GEO var destinam-se, primeiramente, a resolver problemas de otimização complexos, onde pouco ou nada se conhece a respeito do espaço de busca viável e inviável da função a ser otimizada. Podem ser aplicados a praticamente qualquer problema de otimização contínua ou combinatória, não convexo ou disjunto, com ou sem restrições, podendo, inclusive, serem aplicados a problemas com miscelânea de variáveis reais, inteiras ou discretas. Ambos são de fácil implementação e usam apenas valores da função objetivo, sem derivadas. Não requerem nem mesmo o fornecimento de um ponto de partida situado no espaço viável. Esta universalidade de aplicação, aliada ao fato do GEO e GEO var possuírem apenas um parâmetro de ajuste, τ, constitui-se numa das maiores virtudes de ambos. Neste artigo, um aprimoramento dos algoritmos GEO e GEO var é exposto e sua influência no desempenho de ambos é avaliada, através da aplicação dos mesmos a um conjunto de funções teste não lineares. Estas funções foram utilizadas para avaliação de AG's (Potter & De Jong, 994) e também para avaliação do GEO/GEO var original (Sousa & Ramos, 22). 2. Fluxograma do GEO/GEO var A seguir, a Figura apresenta um fluxograma para GEO/GEO var. Inicialize aleatoriamente L bits que codificam N variáveis de projeto Para cada bit atribua um valor de adaptação proporcional ao ganho ou perda que a F(X) tem se o bit mudar, comparada ao melhor valor de F(X) encontrado até agora Ordene os bits (todos) de acordo com suas adaptações (uma ordenação) Mudar um bit da população com probab. P k k -τ, k =,..., L Não GEO Ordene os bits de cada variável em separado, de acordo com suas adaptações (N ordenações) Critério de parada satisfeito? Mudar um bit de cada variável com probab. P k k -τ, k=,..., Lvj Sim GEO var Retorne a melhor solução encontrada durante a busca Figura - Fluxograma para GEO/GEO var Fonte: Adaptado de Sousa et al., Versão Aprimorada de GEO/GEO var A mudança efetuada no algoritmo GEO/GEO var não o altera de forma conceitual, apenas muda um aspecto de sua implementação. Assim, o fluxograma apresentado na Fig. vale tanto para a versão original quanto para a versão aprimorada. Para estabelecer exatamente qual é a mudança, apresenta-se a seguir, os passos do algoritmo GEO (para um problema de minimização) e, em seguida, indica-se onde e como ocorre a mudança.
2 O algoritmo GEO é composto dos seguintes passos (Sousa, 22):. Inicialize aleatoriamente uma seqüência binária C, de comprimento L que codifica N variáveis de projeto. Calcule o valor da função objetivo V e faça C melhor = C e V melhor = V. 2. Para cada bit da seqüência, em uma dada iteração, faça: a) Mude o valor do bit (de para ou para ) e calcule o valor da função objetivo V i, da configuração de bits C i, b) Atribua ao bit um índice de adaptação V = (V i V melhor ). c) Retorne o bit ao seu valor original. 3. Ordene os bits de acordo com os seus índices de adaptação, de k = para o menos adaptado à k = L, para o mais adaptado. 4. Escolha com igual probabilidade um bit candidato i para sofrer mutação (mudar de para ou de para ). Gere um número aleatório ALE, com distribuição uniforme, no intervalo [,]. Se P i (k) = k -τ for maior ou igual a ALE, o bit é modificado. Se não, o processo se repete até que um bit seja confirmado para ser modificado. 5. Para o bit escolhido para sofrer mutação faça C = C i e V = V i. 6. Se V < V melhor então faça V melhor = V e C melhor = C. 7. Repita os passos 2 à 6 até que um dado critério de parada seja satisfeito. 8. Retorne C melhor e V melhor. A mudança sugerida afeta os passos 2.a e 6 acima expostos. O passo 2.a passa a ser: 2. Faça V melhor ' = V melhor e C melhor ' = C melhor. Para cada bit da seqüência, em uma dada iteração, faça: a) Mude o valor do bit (de para ou para ) e calcule o valor da função objetivo V i, da configuração de bits C i. Em seguida, se V i < V melhor ' então faça V melhor ' = V i e C melhor ' = C i. e o passo 6 passa a ser: 6. Faça V melhor = V melhor ' e faça C melhor = C melhor '. Após esta modificação, o GEO passa a reter a informação da melhor configuração/solução com a qual ele se depara ao longo de toda a busca e para todas as avaliações efetuadas da função objetivo. Na forma original, a cada iteração, o GEO executa N avaliações da função objetivo, mas compara com V melhor apenas uma: aquela que efetivamente sofre mutação de seu bit, gerando o novo C e o novo V (passo 5). Assim, a menos que τ, gerando uma indesejada busca determinística local, existe uma chance não desprezível de soluções melhores, eventualmente até a solução ótima, serem encontradas e descartadas ao longo da busca. É fácil mostrar que, a cada iteração do GEO original, a probabilidade P da melhor solução (V melhor ') não ser escolhida (ou seja, V melhor V melhor ') é dada por: P( V melhor V melhor ') = + N k= 2 A tabela, a seguir, apresenta valores para esta probabilidade, para diferentes valores de τ e diferentes número de bits para a codificação das variáveis, N. Tabela - Variação de P(V melhor V melhor ') com τ e N N τ 2 k τ,9,95,99,659,722,87 2,355,373,388 3,65,67,68 4,76,76,76 5,36,36,36 A partir da Tabela, é possível perceber que para τ>3, o número de bits N utilizado na codificação deixa de ter influência sobre P. Antes disso, para τ<3, N influencia P, fazendo-o aumentar a medida que N aumenta. Para τ= ("random walk"), por exemplo, P passa de,9 com N= para,99 com N=. Analisando agora a influência sobre P do parâmetro τ para um mesmo N, temse que P cai a medida que τ aumenta. Para N=, por exemplo, P cai de,9 com τ= para,36 para τ=5. Tendo em vista que τ define o grau de determinismo da busca, este resultado é coerente. Assim, para τ=, a busca é totalmente aleatória e onde o valor de V não tem qualquer importância, fazendo com que existam 9 chances em de V melhor ' não ser escolhido para V melhor. Por outro lado, para τ=5, essa chance cai para aproximadamente 4 em, evidenciando que com τ=5 o determinismo da busca é bem maior. No caso de GEO var, o algoritmo é composto pelo mesmo número de passos do GEO, mas faz N V ordenações e mutação simultânea de N V bits (um bit em cada variável), ao invés de apenas uma, onde N V é o número de variáveis do problema. Os passos,2,6,7 e 8 são idênticos para GEO e GEO var. Em vista disso, e por brevidade, apenas os passos 3, 4 e 5 do algoritmo GEO var original serão apresentados. São eles: 3. Para cada variável j=,..,n V ordene os bits de acordo com os seus índices de adaptação, de k = para o menos adaptado à k = Nj, para o mais adaptado. Nv é o número de variáveis e Nj é o número de bits da variável j. 4. Para cada variável j=,..,n V escolha com igual probabilidade um bit candidato i para sofrer mutação (mudar de para ou de para ). Gere um número aleatório ALE, com distribuição uniforme, no intervalo [,]. Se P i (k) = k -τ for maior ou igual a ALE, o bit é modificado. Se não, o processo se repete até que um bit seja confirmado para ser modificado. () 2
3 5. Calcule V i e faça C = C i e V = V i., onde C i é a configuração resultante da modificação em C dos N V bits escolhidos para mutar. Para GEO var, o aprimoramento afeta os passos 2.a, 5 e 6 do GEO var original. O passo 2.a passa a ser: 2. Faça V melhor ' = V melhor e C melhor ' = C melhor. Para cada bit da variável e para cada respectiva variável, em uma dada iteração, faça: a) Mude o valor do bit (de para ou para ) e calcule o valor da função objetivo V i, da configuração de bits C i. Em seguida, se V i < V melhor ' então faça V melhor ' = V i e C melhor ' = C i. o passo 5 passa a ser: 5. Calcule V i e faça C = C i e V = V i., onde C i é a configuração resultante da modificação em C dos N V bits escolhidos para mutar. Se V < V melhor ' então faça V melhor ' = V e C melhor ' = C. e o passo 6 passa a ser: 6. Faça V melhor = V melhor ' e faça C melhor = C melhor '. Para GEO var, o cálculo da probabilidade P da melhor solução não ser escolhida, a cada iteração, é mais complexo. Isto ocorre porque a cada iteração do GEO var são feitas simultaneamente N V mutações de bits. A dedução da expressão de P para GEO var ainda não está concluída e, por este motivo, não será apresentada neste artigo. 4. Resultados com as Funções Teste As versões original e modificada do GEO/GEO var foram aplicadas a um conjunto de 5 funções teste (FT). Estas funções são amplamente usadas para testar algoritmos de otimização (Potter & De Jong, 994) e todas possuem o valor zero como mínimo global. O GEO/GEO var original já foi aplicado a estas mesmas funções (Sousa & Ramos, 22). Os testes efetuados neste artigo utilizam para cada uma das funções teste os valores de τ obtidos no referido artigo (Sousa & Ramos, 22), através de uma busca do tipo varredura. As figuras 2 até 6 apresentam os resultados obtidos com a versão aprimorada do GEO/GEO var, denominada GEO'/GEO var '. Em cada figura, é apresentada também a curva obtida com o GEO/GEO var original. Além disso, cada figura contém ainda a expressão que define a respectiva função teste e seus limites laterais nas variáveis de busca, bem como os valores de τ utilizados. As curvas obtidas mostram que, de fato, houve melhora no desempenho de GEO/GEO var com a modificação e isto para todas as FT's. A modificação teve maior impacto nas funções de Rosenbrock (FT) e de Schwefel (FT3), sendo a função de Ackley (FT5) aquela de menor sensibilidade à modificação GEO ORIG (τ=,75) GEO' ( τ =,75 ) GEO var ORIG (τ=,) GEO var' ( τ =, ) Figura 2 - F(x) x NAF para a função teste (FT) GEO ORIG (τ=,) GEO' ( τ =, ) GEO var ORIG (τ=,75) GEO var' ( τ =,75 ) Figura 3 - F(x) x NAF para a função teste 2 (FT2) GEO ORIG(τ=,) GEO' (τ=, ) GEO var ORIG( τ =,75 ) GEO var' ( τ =,75 ) Figura 4 - F(x) x NAF para a função teste 3 (FT3) 3
4 GEO ORIG (τ=,25) GEO' ( τ =,25 ) GEO var ORIG (τ=2,5) GEO var' ( τ = 2,5 ) A versão aprimorada do GEO/GEO var foi usada para projetar as áreas dos radiadores térmicos (vide Figura 7) localizados em cinco dos seis painéis externos da PMM (Sousa et al. 24; Galski et al., 24). Radiadores emitem calor para o espaço, mantendo assim a temperatura dos equipamentos do satélite dentro de seus limites operacionais. Carga útil PMM Figura 5 - F(x) x NAF para a função teste 4 (FT4) 5 Área dos radiadores GEO ORIG (τ=2,25) GEO' ( τ = 2,25 ) GEO var ORIG (τ=2,5) GEO var' ( τ = 2,5 ) Figura 6 - F(x) x NAF para a função teste 5 (FT5) 5. Resultados com a Plataforma Multimissão A Plataforma Multimissão do INPE (PMM) é um conceito de arquitetura de satélites que reúne em uma plataforma todos os equipamentos que desempenham funções necessárias à sobrevivência de um satélite independente do tipo de órbita ou de apontamento, ou seja, independente da sua carga útil. Neste tipo de arquitetura, existe uma separação física entre os módulos de serviço (PMM) e de carga útil, que podem então serem desenvolvidos, construídos e testados separadamente, antes da integração dos módulos e teste finais. Existe também a vantagem da reutilização do projeto da plataforma, e redução dos custos não recorrentes na fabricação de novos satélites. A Figura 7 apresenta uma vista em perspectiva da PMM (futuro módulo de serviço do SCD3 e de outros satélites a serem construídos) na sua configuração operacional, já acoplada com a carga útil. Figura 7 - A Plataforma Multimissão (PMM) O objetivo é otimizar as temperaturas médias dos painéis da PMM com relação a temperaturas desejadas (informadas à priori), tendo em vista os limites operacionais de temperatura e as condições de carga térmica existentes em duas situações críticas, conhecidas como Caso Frio - CF e Caso Quente CQ, respectivamente. A análise térmica, necessária à obtenção dos perfis de temperaturas, foi efetuada por meio do conjunto de rotinas em fortran desenvolvido pelo grupo de controle térmico do INPE e chamado PCTER (Cardoso et al., 99). O problema foi formulado e resolvido para CF e CQ em separado. Em seguida, o mesmo foi formulado considerando que os radiadores deveriam atender simultaneamente CF e CQ. O problema assim formulado foi chamado CFQ2. As Figuras 8 e 9 mostram as soluções obtidas com GEO e GEO var, respectivamente. Área do Radiador (m 2 ) CFQ2 ( GEO, τ = 2, ) A MIN A MÁX A CF A CQ A CFQ P A I N E L Figura 8 - Soluções para CF, CQ e CFQ2 (GEO) 4
5 Área do Radiador (m 2 ) CFQ2 ( GEO var, τ = 2,25 ) A MIN A MÁX A CF A CQ A CFQ P A I N E L Figura 9 - Soluções para CF, CQ e CFQ2 (GEO var ) As soluções obtidas para CFQ2, quando comparadas com as obtidas para CF e CQ em separado, mostram que uma solução intuitiva, baseada na interpolação entre CF e CQ não levaria à solução obtida em CFQ2. Este fato é mais evidente olhando-se, nas Figura 8 e 9, o painel. Nele, as áreas dadas por CF e CQ são ambas próximas a zero, enquanto a área de CFQ2 é maior que,6 m 2. No painel 4, ocorre o oposto, as áreas dadas por CF e CQ estão ambas entre,2 m 2 e,4 m 2 e para CFQ2 vale praticamente,m 2. É válido mencionar que os resultados obtidos não só despertaram interesse no grupo de controle térmico de satélites (GCTS) do INPE, como também estão sendo utilizados, de forma complementar, como ponto de partida pelos responsáveis pelo projeto térmico da PMM para análises térmicas mais complexas/detalhadas. 6. Aplicações Atuais e Futuros Desenvolvimentos Atualmente, existem diversas aplicações de GEO/GEO var em andamento. Uma delas é a continuação da aplicação no projeto dos radiadores da PMM, agora com um modelo onde os painéis solares também são considerados na análise térmica, em termos do seu efeito de radiação sobre os painéis estruturais da PMM. Em um artigo prévio (Sousa et al., 22) GEO/GEO var foi utilizado para um estudo de otimização de tubos de calor para aplicações espaciais. Dando prosseguimento àquele trabalho, uma das aplicações correntes do GEO/GEO var no grupo de controle térmico de satélites (GCTS) é na otimização de um sistema tubo de calor/radiador. O objetivo é não só prover um dispositivo que atenda requisitos de performance térmica com a menor massa possível, como também avaliar a possibilidade da utilização de fluidos de trabalho alternativos ao comumente utilizado neste tipo de aplicação, a amônia, que é altamente tóxica e apresenta uma pressão de trabalho muito elevada. Os resultados advindos deste estudo serão utilizados como subsídios para escolha dos fluidos de trabalho a serem utilizados no desenvolvimento de tubos de calor do tipo "modelo de vôo", ou seja, com qualificação para serem embarcados em satélites, dentro de um plano de trabalho a ser desenvolvido nos próximos 4 anos. Como parte do doutorado, o primeiro autor desenvolveu e está em fase preliminar de testes de outras versões modificadas do GEO/GEO var. Uma delas, monitora a evolução da busca e, ao detectar pontos de estagnação, aplica automaticamente uma reinicialização ao processo de busca. A estagnação pode ocorrer, principalmente no GEO, em estágios avançados da busca, ficando o algoritmo preso a extremos locais cujos valores sejam menores do que grande parte dos pontos no espaço de busca. Uma outra versão, aplica uma ordenação em duas vias, sendo que a extensão para uma ordenação multivias, ou n-vias, também é vislumbrada. A explicação sobre o que vem a ser ordenação n-vias está fora do escopo do presente artigo, entretanto, o objetivo do mesmo é diminuir a cobertura não uniforme do espaço de busca que ocorre intrinsecamente durante a ordenação simples. Muito embora não existam dúvidas quanto ao fato da cobertura do espaço de busca com a ordenação simples ser não uniforme, os testes para verificar se isto de fato prejudica o desempenho do GEO/GEO var ainda não foram feitos. Como desenvolvimentos futuros, estão previstos o desenvolvimento de versões paralelizadas de GEO/GEO var, bem como de versões híbridas, onde GEO/GEO var devem atuar como meta-heurísticas governando métodos de busca local determinística. 7. Conclusões Neste artigo, um aprimoramento dos algoritmos estocásticos de otimização global GEO/GEO var foi apresentado e os resultados obtidos da sua aplicação a um conjunto de funções teste foram comparados com os resultados obtidos pela versão original do GEO/GEO var. Conforme esperado, o aprimoramento ocasionou, em maior ou menor grau, melhora no desempenho de GEO/GEO var para todas as funções teste. Além disso, os resultados obtidos pela aplicação da referida versão aprimorada de GEO/GEO var ao projeto térmico dos radiadores da Plataforma Multimissão do INPE foram apresentados e comentados de forma resumida. No caso da PMM, os resultados mostraram a existência de soluções não intuitivas e de interesse prático. Finalizando, as aplicações atuais e os futuros desenvolvimentos previstos envolvendo GEO/GEO var foram também apresentados. 5
6 Referências Boettcher, S.; Percus, A. "Optimization With Extremal Dynamics". Physical Review Letters, v. 86, pp , 2. Cardoso, H.P.; Muraoka, I.; Bastos, J.L.F.; Bambace, L.A.W.; Oliveira Filho, O.B.; Leite, R.M.G. Software de Análise Térmica PCTER: Manual do Usuário, Instituto Nacional de Pesquisas Espaciais, São José dos Campos, SP, Brazil, 99. Goldberg, D.E., Genetic algorithms in search, optimization, and machine learning. Addison- Wesley Publishing, New York, 989. Kirkpatrick, S.; Gellat Jr., C.D.; Vecchi, M.P. "Optimizing by simulated annealing". Science, v. 22, n. 4598, pp , 983. Potter, M.; De Jong, K.A., "A Cooperative Coevolutionary Approach to Function Optimization", Anais do Third Parallel Problem Solving From Nature, Springer-Verlag, pp , 994. Galski, R. L.; Sousa, F. L.; Ramos, F. M.; Muraoka, I. "Spacecraft Thermal Design with the Generalized Extremal Optimization Algorithm". Submetido ao Inverse Problems, Design and Optimization Symposium, Rio de Janeiro, Março, 24. Sousa, F. L. Otimização extrema generalizada: um novo algoritmo estocástico para o projeto ótimo. Tese de Doutorado (INPE-9564-TDI/836), INPE, 22. Sousa, F. L.; Ramos, F. M., "Function Optimization Using Extremal Dynamics", Anais do 4 th International Conference on Inverse Problems in Engineering, Rio de Janeiro, Brasil, 22. Sousa, F.L., Ramos, F.M., P. Paglione, R.M. Girardi, "New Stochastic Algorithm for Design Optimization", AIAA Journal, Vol. 4, Number 9, pp , 23. Sousa, F.L. Vlassov, V. e Ramos, F.M. "Generalized Extremal Optimization for Solving Complex Optimal Design Problems". Lecture Notes on Computer Science, 2723: , 23. Sousa, F. L.; Ramos, F. M.; Galski, R. L.; Muraoka, I. "Generalized Extremal Optimization: A New Metaheuristic Inspired by a Model of Natural Evolution". Aceito para publicação em Recent Developments in Biologically Inspired Computing, De Castro, L. N. & Von Zuben, F. J. (editores), Idea Group Inc., 24. Abstract This paper presents an improved implementation of the Generalized Extremal Algorithm - GEO, and its variant GEO var, and analyses the obtained performance gain, when applied to a set of test functions. This improved implementation of GEO/GEO var is one of the first results from the ongoing studies made by the first author as part of his doctorate program. Comparative performance results for GEO/GEO var and their improved versions are shown and analyzed. As an example of a practical application, it is shown the results obtained with the GEO/GEO var improved version on the design of the thermal control system of INPE's Multimission Platform (PMM). Moreover, other developments and current applications of the algorithm are commented. Sousa, F.L. Vlassov, V. e Ramos, F.M. Heat Pipe Design Through Generalized Extremal Optimization. Anais do 9 o Congresso Brasileiro de Engenharia e Ciências Térmicas, ENCIT 22, Caxambu, MG, 22. 6
Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisMétodo q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
Leia mais26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia
Universidade Federal de São João del-rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Otimização Extrema Generalizada Aplicada ao Problema de Despacho Ótimo
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia maisBreve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisFabiano Luis de Sousa Coordenação de Planejamento Estratégico e Avaliação - CPA Instituto Nacional de Pesquisas Espaciais
Otimização Extrema Generalizada Conceito e Aplicações Fabiano Luis de Sousa Coordenação de Planejamento Estratégico e Avaliação - CPA Instituto Nacional de Pesquisas Espaciais 3945 7102 fabiano@dir.inpe.br
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisOtimização. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia maisTópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
Leia maisAlgoritmos Evolutivos para Otimização
Algoritmos Evolutivos para Otimização A área de aplicação que tem recebido mais atenção é a otimização. Uma das razões é que existem uma variedade de problemas de otimização e a maioria deles sem solução
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia maisOtimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisSistemas de Apoio à Decisão Optimização V 2.0, V.Lobo, EN/ISEGI, 2011
V.0, V.Lobo, EN/ISEGI, 0 ópicos Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Métodos matemáticos clássicos Método de Monte Carlo Hill- Climbing Simulated Annealing Algoritmos Genéticos
Leia maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisMétodos modernos de pesquisa e Optimização
Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia maisSistemas de Apoio à Decisão Optimização V 1.0, V.Lobo, EN/ISEGI, 2005
Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Problema de optimização Dada uma função f(x) encontrar o seu óptimo (máximo ou mínimo) Cada um faz a sua pesquisa!!! Problema de pesquisa
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Introdução Um Algoritmo Genético (AG), conceitualmente, segue passos inspirados no processo biológico de evolução natural segundo a teoria de Darwin Algoritmos Genéticos seguem a idéia
Leia maisBUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4
BUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4 1 Roteiro Algoritmos de Busca Local Subida de encosta (Hill-climbing) Têmpera Simulada (Simulated Anealing)
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisAplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas
Aplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas Resumo Gardiego Luiz da Silva 1 Henrique Faria de Oliveira 2 Faculdade
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisIF-705 Automação Inteligente Algoritmos Evolucionários
IF-705 Automação Inteligente Algoritmos Evolucionários Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisOTIMIZAÇÃO DA VAZÃO DE FLUIDO REFRIGERANTE E ÁREA DE TROCA TÉRMICA DE UM TROCADOR DE CALOR CONTRA- CORRENTE
OTIMIZAÇÃO DA VAZÃO DE FLUIDO REFRIGERANTE E ÁREA DE TROCA TÉRMICA DE UM TROCADOR DE CALOR CONTRA- CORRENTE Mário Gomes da Silva Júnior (1); Camila Barata Cavalcanti (2); Josiele Souza Batista Santos (3);
Leia mais2. MÉTODO DE RECOZIMENTO SIMULADO
1 2. MÉTODO DE RECOZIMENTO SIMULADO (SIMULATED ANNEALING) 2.1. Analogia Física: o recozimento de metais (annealing) 2.2. A Tradução Matemática: o algoritmo básico 2.3. A Programação de Recozimento 2.4.
Leia maisRecozimento Simulado (Simulated Annealing)
Capítulo 5 Recozimento Simulado (Simulated Annealing) Francisco José da Cunha Pires Soeiro José Carlos Becceneri AntônioJosédaSilvaNeto 51 Motivação e Histórico do Método O Recozimento Simulado (Simulated
Leia maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia maisEstrutura comum dos AEs Seleção
Estrutura comum dos AEs Seleção Todos os AEs mantém uma população de tamanho m por: Utilizando uma população como fonte de pais para produzir n descendentes Reduzindo o tamanho da população expandida de
Leia mais4 APLICAÇÃO DO MODELO E RESULTADOS
4 APLICAÇÃO DO MODELO E RESULTADOS Neste capítulo, será aplicado o modelo proposto (Holt-Winters com múltiplos ciclos mais a correção devido à ocorrência de feriado e temperatura) e apresentados os resultados
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia mais$QWyQLR-RVp%DWHO$QMR 0DULD5RViOLD'LQLV5RGULJXHV 'HSDUWDPHQWRGH0DWHPiWLFD'HSDUWDPHQWRGH0DWHPiWLFD 8QLYHUVLGDGHGH$YHLUR 8QLYHUVLGDGHGH&RLPEUD
V Congresso Anual Sociedade Portuguesa de Estatística Curia, 11 a 14 de Junho de 1997 $XWyPDWRV(VWRFiVWLFRVFRPR0RGHORGHXP 0pWRGRGH2SWLPL]DomR&RPELQDWyULD $QWyQLR-RVp%DWHO$QMR 0DULD5RViOLD'LQLV5RGULJXHV
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia mais5.1 INTRODUÇÃO AO SISTEMA DE CONTROLE GAIN SCHEDULING
54 5. SISTEMA DE CONTROLE GAIN SCHEDULING 5.1 INTRODUÇÃO AO SISTEMA DE CONTROLE GAIN SCHEDULING O sistema de controle tipo gain scheduling [14] é um sistema adaptativo [15], onde os parâmetros do controlador
Leia maisOptimização Não-linear
Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia maisDESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
Leia maisESTUDO E DESENVOLVIMENTO DE UM RADIADOR DE GRADE COM LÂMPADAS INFRAVERMELHAS PARA USO ESPACIAL
ESTUDO E DESENVOLVIMENTO DE UM RADIADOR DE GRADE COM LÂMPADAS INFRAVERMELHAS PARA USO ESPACIAL RELATÓRIO PARCIAL DE PROJETO DE INICIAÇÃO CIENTÍFICA (PIBIC/CNPq/INPE) Boris Dias Custódio Junior (UNIVAP,
Leia maisO Algoritmo Talus para Otimização Global
O Algoritmo Talus para Otimização Global André Leite Luís Henrique de Santana Programa de Pós-Graduação em Eng. Elétrica Programa de Pós-Graduação em Eng. de Produção leite.andre@gmail.com santanalh@ahoo.com.br
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisOptimização Não-linear
Problemas de optimização não-linear Optimização Não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=x +log(x )*sin(x x ), com x -x! < 0 Não existem métodos universais para este tipo de
Leia maisINTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma
Leia maisORIENTADOR(ES): ANTÔNIO FERNANDO BERTACHINI DE ALMEIDA P, DENILSON PAULO SOUZA DOS SANTOS
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: MODELAGEM DE TRANSFERÊNCIAS ORBITAIS NO SISTEMA TERRA-LUA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS
Leia maisOTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS C. de O. GONÇALVES 1, E. M. QUEIROZ 2, F. L. P. PESSOA 2, F. S. LIPORACE 3, S. G. OLIVEIRA 3 e A. L. H. COSTA 1
Leia maisAPLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisUniversidade do Vale do Rio dos Sinos UNISINOS Programa de Pós-Graduação em Engenharia Mecânica. Projeto e simulação de sistemas térmicos
Universidade do Vale do Rio dos Sinos UNISINOS Programa de Pós-Graduação em Engenharia Mecânica Projeto e simulação de sistemas térmicos Conteúdo programático: Introdução. Projeto em engenharia. Conceitos
Leia maisOTIMIZAÇÃO DOS PARÂMETROS DO PID UTILIZANDO ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DOS PARÂMETROS DO PID UTILIZANDO ALGORITMOS GENÉTICOS Roberto Batista Neto, Vinicius Santana P. Silva, Luciano Coutinho Gomes, Darizon A. Andrade, Universidade Federal de Uberlândia, Faculdade
Leia maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisMetahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Leia maisExemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia maisProgramas para Análise Térmica
Ciclo de Palestras Sobre Controle Térmico de Satélites Programas para Análise Térmica Dr. Issamu Muraoka Divisão de Mecânica Espacial e Controle - DMC Projeto Térmico de Satélites Proposta de projeto Análise
Leia maisPRODUÇÃO DE UMA INTERFACE GRÁFICA (SOFTWARE ACADÊMICO) PARA SIMULAÇÃO DE UMA COLUNA DE DESTILAÇÃO
PRODUÇÃO DE UMA INTERFACE GRÁFICA (SOFTWARE ACADÊMICO) PARA SIMULAÇÃO DE UMA COLUNA DE DESTILAÇÃO F. L. BEZERRA 1, C.H. SODRÉ 2 e A. MORAIS Jr 3 1,2 Universidade Federal de Alagoas, Centro de Tecnologia
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisUm Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico
Um Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico Amarísio da S. Araújo 1, Haroldo F. de Campos Velho 2, Vitor C.
Leia mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia mais