Regressão simbólica sobre séries temporais de dados meterológicos utilizando programação genética
|
|
- Airton Eger Caetano
- 5 Há anos
- Visualizações:
Transcrição
1 Regressão simbólica sobre séries temporais de dados meterológicos utilizando programação genética Roberto Oliveira Santos 12, Heitor Silvério Lopes 2 1 Programa de Pós-graduação em Computação Aplicada - PPGCA Universidade Tecnológica Federal do Paraná - UTFPR Curitiba PR Brasil 2 Instituto Tecnológico SIMEPAR Curitiba PR Brasil roberto@simepar.br, hslopes@utfpr.edu.br Abstract. This paper presents a heuristic method for time series modeling. The method is based on genetic programming, an evolutionary computation technique. The text explains the method, the treatment applied to the experiment data and the results achieved. The experiment was carried out with temperature data over a period of 14 years divided into Decentius. The performance was measured by the correlation coefficient, the coefficient of variation and mean square error. The results show that the heuristic method applied is suitable to capture the average behavior of the time series with a good level of performance. Keywords Evolutionary Computation, Genetic Programming, Time Series, Weather data, Symbolic Regression. Resumo. Este artigo apresenta um método de heurística para modelagem de séries temporais. O método é baseado na programação genética, uma técnica de computação evolucionária. No texto explica-se o método, o tratamento aplicado aos dados do experimento e os resultados alcançados. O experimento foi realizado com dados de temperatura média em um período de 14 anos agrupados em decêndios. A performance foi medida através do coeficiente de correlação, o coeficiente de variação e o erro médio quadrático. Os resultados mostram que o método de heurística aplicado é apropriado para capturar o comportamento médio da série temporal com bom nível de performance. Palavras-chave Computação Evolucionária, Programação Genética, Séries Temporais, Dados Meteorológicos, Regressão Simbólica 1. Introdução Séries temporais são sequências de observações, medidas tipicamente em intervalos uniformes. A análise de séries temporais pode incluir diversos métodos estatísticos que pretendem entender os dados através da construção de um modelo. Modelos, por sua vez, são utilizados para entender o comportamento físico do processo. Eles são criados para capturar as características significantes e representa-las normalmente através de equações
2 matemáticas. Utilizando um modelo apropriado, é possível predizer eventos futuros baseado nos eventos passados. Sob determinados aspectos, a modelagem de uma série temporal pode ser entendida como um problema de identificação, ou mais genericamente, um problema de regressão simbólica. O problema de encontrar uma função que melhor se ajuste ao conjunto de observações é conhecido como regressão. Em sua forma mais comum, a estrutura de tal função é pré-fixada pelo analista e o problema se reduz a encontrar parâmetros numéricos que completem sua definição. Uma medida da discrepância entre a resposta prevista pelo modelo e aquela realmente observada é então minimizada por um algoritmo de otimização conveniente. Na regressão simbólica pretende-se resolver o mesmo problema sem se fixar a priori a forma ou os parâmetros da função. A técnica de regressão simbólica pode ser usada para resolver diferentes problemas como: descoberta de identidades trigonométricas, indução de seqüências, solução de equações diferenciais e integrais de forma simbólica, identificação de sistemas além de séries temporais, entre outros. A utilização de dados climatológicos em estudos exige séries de dados meteorológicos com longos períodos de observação. Entretanto, é comum a existência de falhas nestas séries observadas devido a problemas com sensores de estações meteorológicas, problemas no armazenamento e/ou transmissão dos dados ou erro humano na coleta. Para estas situações, a regressão simbólica apresenta-se como uma alternativa viável e eficiente para complementar os dados faltantes com pequenas margens de erro. A literatura apresenta uma quantidade expressiva de trabalhos que visam resolver problemas de regressão simbólica com a utilização de técnicas de computação evolucionária, especificamente programação genética. Este artigo está estruturado da seguinte forma: primeiro são apresentados os princípios teóricos relacionados ao trabalho, seguidos pela descrição da metodologia utilizada no experimento e dos resultados obtidos. 2. Fundamentação Teórica Nesta seção são apresentados os princípios da Computação Evolucionária e da Programação Genética Computação Evolucionária - CE [Darwin 1859] defende em seu trabalho Sobre a origem das espécies por meio de seleção natural que a evolução dos seres vivos é baseada no Princípio da Seleção Natural onde Indivíduos mais fortes e mais bem-adaptados ao meio ambiente têm maior chance de sobrevivência e de dar continuidade à sua espécie. A seleção natural atua sobre os indivíduos de uma população de forma probabilística e seu resultado a longo prazo é a evolução da população ou espécie. Ao invés de população ou espécies de seres vivos, tem-se na CE um conjunto de indivíduos que representam potenciais soluções para determinado problema. O objetivo das diversas técnicas de CE é obter uma boa solução visto não ser possível na maior parte dos problemas identificar a melhor solução. Para isto, inicia-se com uma população aleatória que representa um conjunto inicial de soluções. Em se-
3 guida, geração após geração, aplicam-se os operadores genéticos para simular o processo evolutivo até que um determinado critério de término seja satisfeito [Ashlock 2006]. A CE abrange ou está associada a um grande número de algoritmos computacionais, entre os quais pode-se citar: Algoritmos Genéticos (AG), Programação Genética (PG), Programação de Expressão Genética (PEG), Evolução Diferencial (ED), Colônia de Formigas - Ant Colony optimization (ACO), Enxame de Partículas - Particle Swarm Optimization (PSO), Colônia de Abelhas - Artificial Bee Colony (ABC), entre outros. Todos estes possuem uma característica de refinamentos sucessivos com comportamento descrito na lista abaixo. 1. Gere soluções candidatas para o problema; 2. Avalie as soluções candidatas; 3. Se a melhor solução candidata satisfaz o problema, então encerre a execução; 4. Selecione as melhores soluções candidatas; 5. Construa novas soluções candidatas utilizando partes das melhores soluções do passo anterior; 6. Eventualmente modifique as soluções candidatas; 7. Retorne para o passo 2; 2.2. Programação Genética - PG É uma abordagem para geração automática de programas de computador desenvolvida por John Koza [Koza 1992] com base nos trabalhos de John Holland em Algoritmos Genéticos [Holland 1975]. Os programas possuem representação baseada em árvores sintáticas, através da combinação de funções e terminais adequados ao problema a ser solucionado [Koza 1992]. Os programas possuem tamanhos variados e virtualmente uma infinidade de combinações entre funções e terminais, gerando um espaço de busca de soluções infinito. A PG permite que computadores resolvam problemas para os quais não foram previamente programados. Este processo de ensinar os computadores a programar é baseado em um conjunto de especificações de comportamento. A especificação de comportamento é definida, normalmente, por um conjunto de valores de entrada-saída, denominados casos de fitness, que representam o conjunto de treinamento. Com base neste conjunto, a PG visa evoluir um programa que produza primeiramente, de forma não trivial, as saídas corretas para cada entrada fornecida (casos de fitness) e, em segundo lugar, calcule as saídas de tal forma que, se as entradas forem representativamente escolhidas, o programa terá capacidade de obter saídas corretas para entradas não cobertas pelo conjunto de treinamento [Oreilly et al. 2005]. Pelo fato da PG manipular programas diretamente, uma estrutura de representação relativamente complexa e variável acompanha este paradigma. Nos modelos tradicionais, esta estrutura é uma árvore de sintaxe abstrata composta por funções em seus nós internos e por terminais em seus nós folhas. A especificação do domínio do problema é estabelecida pela definição dos conjuntos de funções e de terminais [Koza 1992]. Os conjuntos de funções e de terminais devem satisfazer às propriedades de fechamento e suficiência. A propriedade de fechamento estabelece que cada uma das funções do conjunto de funções seja capaz de aceitar, como seus argumentos, qualquer valor e tipo
4 de dado que possa ser retornado por qualquer função do conjunto de funções, e qualquer valor de qualquer tipo que possa ser assumido por qualquer terminal do conjunto de terminais. A propriedade da suficiência requer que o conjunto de terminais e o conjunto de funções sejam capazes de expressar a solução do problema. Segundo Rodrigues [Rodrigues 2007], parte-se de dois conjuntos: F como sendo o conjunto de funções e T como o conjunto de terminais. O conjunto F pode conter operadores aritméticos (+,,, etc), funções matemáticas (seno, log, etc), operadores lógicos (E, OU, etc) dentre outros. Cada f F tem associada uma aridade (número de argumentos) superior a zero. O conjunto T é composto pelas variáveis, constantes e funções de aridade zero (sem argumentos) Cálculo do valor de fitness Segundo Koza [Koza 1992], a PG utiliza normalmente quatro medidas de fitness para avaliar quão adaptado está um indivíduo ao seu ambiente: fitness cru, fitness padronizado, fitness ajustado e fitness normalizado. O fitness cru é uma medida que expressa a terminologia natural do próprio problema. O fitness padronizado expressa o valor do fitness cru de modo que o menor valor numérico seja sempre o melhor valor. O fitness ajustado é computado em função do fitness padronizado. O fitness normalizado possui três características: gera valores num intervalo de 0 a 1; é maior para os melhores indivíduos da população e a soma do fitness normalizado para todos os indivíduos de uma geração é igual a Métodos de seleção A PG utiliza uma metodologia de seleção beaseada no valor de fitness dos indivíduos. Os indivíduos selecionados estarão sujeitos à ação dos operadores genéticos nos passos seguintes do método. A seleção influencia a velocidade do processo evolucionário e esta pode, freqüentemente, levar o algoritmo a uma convergência prematura, ou seja, atingir uma solução que não satisfaz o problema. Esta convergência prematura pode ser causada por uma pressão seletiva excessiva. A introdução de pressão seletiva alta provoca invariavelmente um aumento da taxa de decrescimento da diversidade. Dentre os vários métodos de seleção existentes, utiliza-se normalmente o da roleta (ou seleção proporcional) e o por torneio [Koza 1992]. O método da roleta consiste em dar uma porção de uma roleta virtual proporcional ao fitness de cada indivíduo da população, ou seja, cada indivíduo possui uma chance de ser escolhido proporcional ao seu valor de fitness. Desta forma os melhores indivíduos da população tendem a serem selecionados para uma posterior aplicação dos operadores genéticos, o que caracteriza o processo de evolução, ou seja, os indivíduos mais bem adaptados tendem a sobreviver. A seleção por torneio é feita escolhendo-se aleatoriamente k indivíduos de uma população (k representa o tamanho do torneio e normalmente utiliza-se um tamanho equi-
5 valente a 10% do número de indivíduos que compõem a população). Então, o indivíduo de maior fitness dentre os k escolhidos é selecionado Operadores genéticos A PG possui 2 importantes operadores genéticos: reprodução e recombinação. O operador de reprodução seleciona um indivíduo dentro da população, de acordo com algum método de seleção, e copia-o para a próxima geração sem que este sofra nenhuma alteração em seu material genético ou sua estrutura. O operador de recombinação cria diversidade na população, pela produção de uma descendência que consiste de partes retiradas de cada indivíduo previamente selecionado. A operação de recombinação começa com dois indivíduos-pais que trocam material genético originando dois novos indivíduos [Koza 1992]. 3. Metodologia Para avaliar a utilização da PG em problemas de regressão simbólica foram selecionados os dados de temperatura média da estação meteorológica do Instituto Tecnológico SIMEPAR localizada na cidade de Palotina, extremo oeste do Estado do Paraná. Os dados de temperatura são coletados pelos sensores da estação em intervalos de 15 (quinze) minutos e transmitidos para o servidor de banco de dados via tecnologia GPRS. Os dados abrangem o período entre julho de 1997 a março de O roteiro seguido para aplicação da PG seguiu os passos abaixo: 1. Definição do conjunto de terminais (T ); 2. Definição do conjunto de funções (F ); 3. Definição dos casos de fitness; 4. Definição das medidas de fitness; 5. Definição dos parâmetros de controle e variáveis qualitativas; 6. Definição do critério de parada; 7. Especificação do resultado Definição do conjunto de terminais (T ) Este conjunto foi definido utilizando os seguintes elementos: onde: T = {[0, 1], 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, π, x, x 1, x 2, x 3 } (1) [0, 1] representa o intervalo de valores decimais entre 0 e 1; 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, π representam constantes; x, x 1, x 2, x 3 representam respectivamente os casos de fitness no momento atual e anteriores. O intervalo entre x, x 1, x 2, x 3 foi definido visando induzir a PG a encontrar o comportamento sazonal do dado coletado, portanto, a PG poderia fazer uso da informação da temperatura dos períodos anteriores para estimar a temperatura do decêndio atual).
6 3.2. Definição do conjunto de funções (F ) Após a realização de testes experimentais, identificou-se o seguinte conjunto de funções: F = {+,,, /, seno, sigmoide, sinc} (2) sigm(x) = 1 e x (3) sinc(x) = sin(xπ) xπ (4) onde: +, -, * representam as operações básicas; / representa a divisão protegida com numerador >= 1; seno representa a função trigonométrica tradicional; sigmóide definida na equação 3; sinc definida na equação Definição dos casos de fitness Os dados coletados foram utilizados como especificação do comportamento (casos de fitness) para o programa a ser gerado pela PG. Neste caso específico, regressão símbolica, o programa a ser gerado será uma expressão matemática que procura representar da melhor forma possível o comportamento informado como entrada da PG. Visando utilizar um intervalo de tempo bastante comum na atividade de agricultura, agrupou-se os casos de fitness em intervalos de 10 dias (decêndios), totalizando 449 casos de fitness. Os casos de fitness estão disponíveis na figura 1 onde estão dispostos em um gráfico de temperatura em graus Celsius por decêndio. Figura 1. Dados observados de temperatura média no período entre julho de 1997 e março de 2011
7 Em seguida, iniciou-se a definição do conjunto de funções e terminais a serem utilizados no problema. Como visto na revisão bibliográfica, o espaço de busca de uma PG é infinito e a inclusão de novos elementos no conjunto F de funções ou T de terminais aumenta a complexidade do problema no qual a PG atua. Entretanto, a exclusão de funções ou terminais pode piorar a qualidade das soluções visto que a PG trabalharia com um conjunto reduzidos de elementos para elaborar a árvore sintática que cada indivíduo da população representa. Portanto, a definição destes conjuntos deve ser realizada com parcimônia, sempre que possível baseado nas características do problema. Neste trabalho utilizou-se o comportamento apresentado pelo casos de fitness que pode ser visto na figura Definição da medida de fitness A medida de fitness utilizada neste trabalho foi a soma dos erros absolutos entre os casos de fitness fornecidos e a série temporal gerada pela PG conforme equação 5. f = n x i y i (5) i=1 onde n é o número de casos de fitness fornecido, x i é o i-ésimo valor de caso de fitness fornecido e y i é o i-ésimo valor gerado pela PG Definição dos parâmetros de controle e variáveis qualitativas O experimento apresentado foi executado com os seguintes parâmetros: geração da população inicial = ramped half-and-half, seleção = torneio, tamanho do torneio = 7, número de populações = 1, tamanho da população = 50000, operadores genéticos: reprodução e recombinação, função de fitness = soma dos erros absolutos, profundidade máxima da árvore de solução = 10, Probabilidade de recombinação = 0,9 e Probabilidade de reprodução = 0, Definição do critério de parada Foi definido como critério de parada o número máximo de gerações estipulado em Definição de métrica para avaliar a qualidade da solução final Segundo Lopes [Lopes and Weinert 2004], existem diversas formas de avaliar o resultado final obtido pela PG para regressão simbólica, mas nenhum consenso sobre o assunto. Neste trabalho, foi utilizado o coeficiente de correlação de Pearson (R). R = n i=1 (x i x)(y i ȳ) n i=1 (x i x) 2 (y i ȳ) 2 (6) onde x i e y i são os valores medidos na série original e na série gerada pela PG respectivamente, x e ȳ são as médias aritméticas das duas séries e n é o número de casos de fitness fornecido. O coeficiente de correlação mensura o ajuste entre o modelo gerado pela PG e os casos de fitness, variando de -1 a 1. Um valor positivo significa uma correlação linear
8 positiva; um valor negativo significa o oposto. Valores de R próximos de 0 significam uma correlação ruim ou nenhuma. 4. Resultados Na figura 2 é possível visualizar a série observada em sobreposição com a série gerada pelo modelo da PG. Neste experimento a PG conseguiu reproduzir fielmente o comportamento médio da série, entretanto, não foi possível recuperar as mudanças bruscas, em especial, nas baixas temperaturas. Isto pode ser causado pela ausência de filtros de controle de qualidade dos dados utilizados neste trabalho. Figura 2. Dados observados x Dados do modelo de temperatura média no período entre julho de 1997 e março de 2011 Na figura 3 é possível observar o comportamento da valor de fitness do melhor indivíduo de cada geração durante a execução da PG. Nesta figura o eixo y representa o menor valor de fitness entre as soluções candidatas criadas na respectiva geração. Figura 3. genética Valor de fitness padronizado do modelo gerado pela programação
9 A representação S do modelo gerado pela programação genética foi: (* π (+ (+ (+ (- x x3) (sigm (sinc (+ (* x 0.056) (* π 0.971))))) (- x x3)) (sigm (* (* (+ (+ π (+ π π)) (+ (* (* x 0.056) 0.056) (* (- x x3) 0.971))) (sigm (* 0.537] (sinc (* x))))) (sinc (- (sigm (+ (- x x3) (- x x3))) (+ (+ π π) (* x 0.056)))))))) Para este modelo foi aplicado o coeficiente de correlação de Pearson e obtivo o valor 0, que indica uma boa correlação positiva entre a série observada e a gerada pela PG. 5. Conclusão Neste artigo apresentou-se a aplicação da programação genética em problemas de regressão simbólica. Foram utilizados dados de temperatura média que representam um desafio, visto que séries univariadas não incluem explicitamente informações sobre o processo físico que gerou a série. Os resultados foram interessantes, pois é possível avaliar visualmente que a PG capturou o comportamento médio da série. O resultado do coeficiente R também corrobora este entendimento, visto que o valor se aproxima de 1 no teste. Pretende-se no futuro realizar testes utilizando dados meteorológicos com controle da qualidade afim de avaliar o comportamento da PG. A programação genética apresentou-se como uma ferramenta adequada ao problema de regressão simbólica devido a facilidade de entendimento e de configuração/execução, gerando modelos compatíveis com os dados observados. Os autores agradecem ao SIMEPAR pelo fornecimento dos dados utilizados neste trabalho. Referências Ashlock, D. (2006). Evolutionary Computation for Modeling and Optimization. Springer, Ontario. Darwin, C. (1859). A Origem das Espécies. Tradução de André Campos Mesquita. Editora Larousse. Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. The University of Michigan Press, Ann Arbor. Koza, J. R. (1992). Genetic Programming: on the programming of computers by means of natural selection. MIT Press, Cambridge. Lopes, H. S. and Weinert, W. (2004). A gene expression programming system for time series modeling. Proceedins of XXV Iberian Latin American Congress on Computational Methods in Engineering (CILAMCE), CD-ROM. Oreilly, U., Yu., T., Riolo, R., and Worzel, B., editors (2005). Genetic Programming Theory and Practice II. Springer, Boston. Rodrigues, E. L. M. (2007). Inferência de gramáticas formais livres de contexto utilizando computação evolucionária com aplicação em bioinformática. Dissertation, Universidade Tecnológica Federal do Paraná, Curitiba.
Regressão simbólica sobre séries temporais de dados meterológicos utilizando programação genética
Regressão simbólica sobre séries temporais de dados meterológicos utilizando programação genética Roberto Oliveira Santos 1, Heitor Silvério Lopes 2 1 Programa de Pós-graduação em Computação Aplicada -
1. 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
Inteligência 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
3. 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
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
Computação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional, Câmpus Curitiba (PR) Computação
Codificação 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
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Edirlei Soares de Lima Algoritmos Genéticos Método de busca local. Boa abordagem para lidar com espaços de busca muito
1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação plicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada -
1. 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
Algoritmos 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
Introdução 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
Algoritmos 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
Algoritmos 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.
Computação 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
Computação 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/
Introdução 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
Estratégias 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
INSTITUTO 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.
Modelos 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,
Inteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
ALGORITMOS 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
Figura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
Algoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Computação Evolucionária
Câmpus Curitiba (PR) http://bioinfo.cpgei.ct.utfpr.edu.br Computação Evolucionária Prof. Heitor Silvério Lopes hslopes@utfpr.edu.br http://bioserver.cpgei.ct.utfpr.edu.br/hslopes CE2018-6 1 Inteligência
Aprendizado por Reforço usando Aproximação
Aprendizado por Reforço usando Aproximação de Funções Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aproximação de Funções 2. Do the evolution 1 Aproximação de Funções Função Utilidade
Computação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
ESTRATÉGIAS PARA MELHORIA DO DESEMPENHO DO ALGORITMO DE PROGRAMAÇÃO DE EXPRESSÃO GENÉTICA NA TAREFA DE REGRESSÃO SIMBÓLICA
ESTRATÉGIAS PARA MELHORIA DO DESEMPENHO DO ALGORITMO DE PROGRAMAÇÃO DE EXPRESSÃO GENÉTICA NA TAREFA DE REGRESSÃO SIMBÓLICA WAGNER R. WEINERT, HEITOR S. LOPES Laboratório de Bioinformática, Programa de
Marcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
4 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
Técnicas 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
Algoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Algoritmo 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
3 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
Técnicas 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
Computação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Max 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
Inteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
APLICAÇÃO 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
Métodos 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
4 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,
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Computação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
CONSTRUÇÃO 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
Algoritmos 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
De que modo computadores podem resolver problemas, sem que tenham que ser explicitamente programados para isso?
Programação Genética Genetic Programming - GP De que modo computadores podem resolver problemas, sem que tenham que ser eplicitamente programados para isso? Programação Genética - GP Etensão de Algoritmos
Um 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
Otimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos SCC-230 Inteligência Artificial Thiago A. S. Pardo Solange O. Rezende 1 Computação Evolutiva (CE) Trata de sistemas para a resolução de problemas
Otimização. 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
Extracção de Conhecimento
Programa Doutoral em Engenharia Informática Mestrado Integrado em Engenharia Informática LIACC/FEUP Universidade do Porto www.fe.up.pt/ ec rcamacho@fe.up.pt Outubro 2007 Algoritmos Genéticos alguns destes
Tópicos 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
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial. Algoritmo Memético
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Algoritmo Memético aplicação para o problema do caixeiro viajante Kelly Rodrigues Abreu Federico
Inteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
1. 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
REGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM
REGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM Rodrigo Morgon¹, Silvio do Lago Pereira² ¹Aluno do Curso de Análise e Desenvolvimento de Sistemas FATEC-SP ²Prof. Dr. do Departamento de Tecnologia da Informação
Algoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Computação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
Otimização 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
Regressão Polinomial e Simbólica
Regressão Polinomial e Simbólica Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Variáveis Não-Lineares 2. Regressão Simbólica 1 Variáveis Não-Lineares Variáveis Não-Lineares Considere
3 Otimização Aplicada a Reconstituição de Acidentes
27 3 Otimização Aplicada a Reconstituição de Acidentes 3.1. Otimização A otimização é uma metodologia empregada para minimizar ou maximizar uma função e geralmente são utilizados em problemas onde existam
ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Computação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Particle Swarm Optimization (PSO) Universidade Federal de Alfenas
Otimização por Enxame de Partículas Particle Swarm Optimization (PSO) Universidade Federal de Alfenas Tiago Silveira ... Detalhe Otimizar é selecionar algo melhor. Otimizar é melhorar até onde pudermos.
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Tópicos 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
Buscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Pós-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
Projeto de Estruturas Neuro-Fuzzy do Tipo Takagi-Sugeno Utilizando Programação Genética
Programa de Pós-Graduação em Engenharia Elétrica Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica Projeto de Estruturas Neuro-Fuzzy do Tipo Takagi-Sugeno Utilizando Programação Genética Por:
3 Métodos de Otimização
3 Métodos de Otimização Problemas de otimização são relacionados a minimização ou maximização de função de uma ou mais variáveis num determinado domínio, possivelmente com a existência de um conjunto de
Prof. Dr. Lucas Barboza Sarno da Silva
Prof. Dr. Lucas Barboza Sarno da Silva Medidas de grandezas físicas Valor numérico e sua incerteza, unidades apropriadas Exemplos: - Velocidade (10,02 0,04) m/s - Tempo (2,003 0,001) µs - Temperatura (273,3
Otimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
PROJETO DE INCLUSÃO DE DISCIPLINAS OPTATIVAS NO CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO CAMPUS CURITIBA
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Ministério da Educação Universidade Tecnológica Federal do Paraná Campus Curitiba Curso de Bacharelado em Sistemas de Informação PROJETO DE INCLUSÃO DE DISCIPLINAS
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Algoritmos 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
1. 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
Algoritmo 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
SSC546 -Avaliação de Desempenho de Sistemas
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 -Avaliação de Desempenho de Sistemas Parte 1 -Aula 2 Sarita Mazzini Bruschi Material
ESTIMAÇÃO 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
Algoritmos Genéticos. 1 Semestre de Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Algoritmos Genéticos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 2 Introdução Darwin Naturalistas: cada espécie havia sido criada separadamente
Algoritmos 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
Sistemas Inteligentes if684. Germano Vasconcelos Página da Disciplina:
Sistemas Inteligentes if684 Germano Vasconcelos gcv@cin.ufpe.br Página da Disciplina: www.cin.ufpe.br/~îf684/ec 1 1 Algoritmos Genéticos 2 Algoritmos Genéticos n Técnicas de busca e otimização n Metáfora
CAP 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
3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
Métodos 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
Computação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Algoritmos 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
5 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
Inteligência de Enxame
Inteligência de Enxame! Inteligência de enxames é a denominação aplicada a tentativa de desenvolvimento de algoritmos para a solução distribuída de problemas inspirando-se no comportamento coletivo de
IN-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
INTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda e-mail: valentin@sel.eesc.sc.usp.br
Pesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Algoritmos Genéticos 1
Algoritmos Genéticos 1 Esquema de um GA Algoritmos Genéticos são um ramo da computação evolucionária Seu funcionamento pode ser resumido algoritimicamente através dos seguintes passos: Inicialize a população
Fundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Análise de Sensibilidade dos Parâmetros do Bat Algorithm e Comparação de Desempenho
Análise de Sensibilidade dos Parâmetros do Bat Algorithm e Comparação de Desempenho Jelson A. Cordeiro 1, Rafael Stubs Parpinelli 1 e Heitor Silvério Lopes 1 1 Laboratório de Bioinformática Universidade