CAPÍTULO 3 INTRODUÇÃO AOS ALGORITMOS GENÉTICOS

Tamanho: px
Começar a partir da página:

Download "CAPÍTULO 3 INTRODUÇÃO AOS ALGORITMOS GENÉTICOS"

Transcrição

1 CAPÍTULO 3 INTRODUÇÃO AOS ALGORITMOS GENÉTICOS Estéfane G. M. de Lacerda André Carlos P. L. F. de Carvalho 3.1 UM ALGORITMO GENÉTICO SIMPLES A lgo ritm o s Genéticos, A Gs, são métodos de otimização e busca inspirados nos mecanismos de evolução de populações de seres vivos. Foram introduzidos por John Holland (Holland, 1975) e popularizados por um dos seus alunos, David Goldberg (Goldberg, 1989). Estes algoritmos seguem o princípio da seleção natural e sobrevivência do mais apto, declarado em 1859 pelo naturalista e fisiologista inglês Charles Darwin em seu livro A Origem das Espécies. De aco rdo com Charles Darwin, Quanto melhor um indivíduo se adaptar ao seu meio ambiente, m aior será sua chance de so breviver e gerar descendentes. Otim iz ação é a busca da melhor solução para um dado pro blem a. Consiste em tentar várias soluções e utilizar a inform ação obtida neste processo de forma a encontrar so luçõ es cada vez melhores. Um exemplo simples de otim iz ação é a melhoria da imagem das televisões com antena aco plada no próprio aparelho. A través do ajuste manual da antena, várias soluções são testadas, guiadas pela qualidade de im agem obtida na TV, até a obtenção de uma resposta ótima, o u seja, um a boa imagem.

2 88 Est fane Lacerda e Andr Carvalho A s t cnicas de busca e otimizaç o, geralm ente, apresentam : Um espaço de busca, onde est o todas as possíveis so luç es do problema; Um a funç o objetivo (algumas vezes chamada de f unç o de aptid o na literatura de AGs), que utiliz ada para avaliar as soluç es produzidas, asso ciando a cada uma delas uma nota. Em termos matem ticos, a otimiz aç o consiste em achar a so luç o que corresponda ao ponto de m ximo ou mínimo da f unç o objetivo. Com o exemplo, co nsidere o seguinte pro blem a de otimizaç o que ser utilizado no decorrer deste capítulo: Problema 3.1 Achar o ponto m ximo da funç o f ( x) = x sen(10π x) + 1 dentro do intervalo 1 x 2. Em bo ra aparentemente simples, o Problema 3.1 n o de f cil so luç o. Existem v rios pontos de m ximos nesta funç o (po ntos que maximizam o valor da funç o), m as muitos n o representam o maior valor que a funç o pode atingir, co nform e ilustrado na Figura 3.1. T ais pontos s o deno m inado s máximos locais, um a vez que a funç o nestes po nto s atinge valores maiores do que na viz inhança destes po nto s. A melhor soluç o para este problema est no ponto em que a funç o possui valor m ximo, o máximo global. Neste pro blem a, o m ximo global encontra- se no ponto cujo valor de x igual a 1, Neste ponto, a funç o assume o valor 2, Co nf o rm e ser mostrado na Seç o 3.2, um a grande quantidade de t cnicas de otimizaç o (por exemplo, os m todos do gradiente) n o capaz de localiz ar o ponto de m ximo global de uma funç o com múltiplos pontos de m ximo. Esta seç o m o strar co m o utilizar AGs para encontrar o m ximo global do Problema 3.1.

3 Capítulo 3 Introdução aos Algoritmos Gen ticos 89 f(x) = x sen( 10πx) + 1 3, 0 2, 0 1, 0 0, 0 Má xi mo l ocal Má xi mo gl obal -1, 0-1, 0-0, 5 0, 0 0, 5 1, 0 1, 5 2, 0 x Figura Gr fico da funç o da f(x) = x sen(10 πx) + 1

4 90 Est fane Lacerda e Andr Carvalho A lgoritmo 3.1: A lgo ritm o Gen tico típico Seja S(t) a populaç o de cromossomos na geraç o t. t 0 inicializar S(t) avaliar S(t) enquanto o crit rio de parada n o for satisfeito faça t t+ 1 selecio nar S(t) a partir de S(t- 1) aplicar cr ossover sobre S(t) aplicar mutaç o sobre S(t) avaliar S(t) fim enquanto O primeiro passo de um Algoritmo Gen tico típico a geraç o de uma população inicial de cromossomos, que formada po r um conjunto aleatório de cromossomos que representam possíveis soluç es do problema a ser resolvido. Durante o processo evolutivo, esta populaç o avaliada e cada cro m ossomo recebe uma nota (denominada de aptidão no jarg o da literatura de AGs), refletindo a qualidade da soluç o que ele representa. Em geral, os cromossomos mais aptos s o selecio nados e os menos aptos s o descartados (Darwinismo). Os membros selecio nado s podem sofrer modificaç es em suas características fundamentais atra s dos operadores de crossover e mutação, gerando descendentes para a próxima geraç o. Este processo repetido at que uma soluç o satisf ató ria seja encontrada. O Algoritmo 3.1 ilustra este pro cedim ento. A s seç es seguintes descrevem com mais detalhes cada etapa deste algoritmo REPRESENTAÇÃO DOS PARÂMETROS Um AG processa populaç es de cromossomos. Um cro m ossomo uma estrutura de dados, geralm ente vetor ou

5 Capítulo 3 Introdução aos Algoritmos Gen ticos 91 cadeia de bits (cadeia de bits a estrutura mais tradicional, po r m nem sempre a melhor), que representa uma possível so luç o do problema a ser otimizado. Em geral, um cro m ossomo representa um conjunto de parâmetros da funç o o bjetivo cuja resposta ser maximiz ada ou minimiz ada. O co njunto de todas as configuraç es que o cromossomo pode assumir forma o seu espaço de busca. Se o cromossomo representa n parâm etro s de uma funç o, ent o o espaço de busca um espaço com n dim ens es. O primeiro passo para resolver o Problema 3.1 utilizando AGs representar o único parâmetro deste problema (a vari vel x) na forma de um cromossomo. Ser ado tada uma cadeia de 22 bits para o cromossomo (maiores cadeias aumentam a precis o num rica da soluç o). A ssim, um exemplo de cro m ossomo poderia ser: s 1 = Para decodificar o cromossomo s 1, converte- se s 1 da base 2 para a base 10: b 10 = ( ) 2 = Co m o b 10 um número no intervalo [0, 2 l - 1] (sendo l o tam anho da cadeia de bits), necess rio mape -lo para o intervalo do problema [- 1,0; 2,0]. Isto pode ser feito pela fórm ula: assim, b10 x = min+ (max min) l = 1+ (2 + 1) x 1 = 22 ( 2 1) 0, Vale observar que funç es objetivo com múltiplos parâmetros t m seus parâmetros representados na mesma cadeia de bit, co m cada um ocupando uma parte da cadeia. A cada cro m ossomo s i atribuída uma aptid o f i. A ptid o uma nota

6 92 Est fane Lacerda e Andr Carvalho que mede qu o boa a soluç o codificada em s i. É baseada no valor da funç o objetivo, e ser discutida na próxima seç o SELEÇÃO Um Algoritmo Gen tico começa com uma populaç o inicial de N cro m o sso m o s. A populaç o inicial do Problema 3.1, com N = 30, m ostrada em uma das colunas da Tabela 3.1 ordenado s por ordem decrescente do valor da funç o objetivo, co m o tamb m mostra-se o valor de x co dif icado no cro m ossomo, o valor da funç o objetivo e a aptid o para este valor. Os cromossomos foram gerados aleatoriamente, porque neste problema n o existe nenhum conhecimento pr io sobre a regi o do espaço de busca onde se encontra a soluç o do pro blem a. Os pontos da funç o representados pelos cro m ossomos da populaç o inicial s o mostrados na Figura 3.2. f(x) = x sen( 10πx) + 1 3, 0 2, 5 2, 0 1, 5 1, 0 0, 5 0, 0-0, 5-1, 0-1, 0-0, 5 0, 0 0, 5 1, 0 1, 5 2, 0 x Figura Cromossomos da Populaç o Inicial Inspirado no processo de seleç o natural de seres vivos, o A lgo ritm o Gen tico seleciona os melhores cromossomos da po pulaç o inicial (aqueles de alta aptid o) para gerar cromossomos filhos (que s o variantes dos pais) atra s dos o peradores de cr ossover e mutaç o. Um a populaç o intermedi ria (tam b m chamada de m ating pool) utiliz ada para alocar os cromossomos pais selecionados. Geralm ente, os pais s o selecionados com probabilidade proporcional à sua

7 Capítulo 3 Introdução aos Algoritmos Gen ticos 93 aptid o. Portanto, a probabilidade de seleç o p i, de um cro m ossomo s i co m aptid o f i, dada por: p i = f i N i = 1 f i A seleç o pode ser feita pelo seguinte procedimento pr tico: calcula- se uma coluna de aptid es acumuladas. Em seguida, gera- se um n mero aleatório r (tirado de uma distribuiç o unif orm e) no intervalo [0, SOMA T OT A L], o nde SOMATOTAL a so m a de todas as aptid es. Po r fim, o cromossomo selecio nado o primeiro (seguindo a tabela de cima para baixo) que possui aptid o acumulada maior que r. Po r exem plo, se r = 28,131, ent o o cromossomo da linha 23 da T abela 3.1 selecionado, e sua cópia alocada na populaç o interm edi ria. Os mesmos passos s o repetidos at preencher a populaç o intermedi ria com N cro m o sso m o s. Este pro cedim ento, co nhecido como Roda da Roleta, apresentado pelo Algoritmo 3.2. T abela Populaç o Inicial Posiçã o i Cro m osso m o s i x i Funç o objetivo f(x i ) A ptid o f i A ptid o acum ulad a i f k = 1 k 1, , , , , , , , , , , , , , , , , , , , , , , ,96552

8 94 Est fane Lacerda e Andr Carvalho , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,79310

9 Capítulo 3 Introduç o aos Algoritmos Gen ticos , , , , , , , , , , , , ,00000 A lgoritmo 3.2: Ro da da Roleta N total f i /* a soma das aptid es de todos os cromossomos da populaç o i= 1*/ rand randô m ico(0, total) total parcial 0 i 0 rep etir i i+ 1 total parcial total parcial + f i até total parcial rand retornar o cromossomo s i V rias alternativas t m sido propostas para definir a aptid o. A mais simples iguala a aptid o ao valor da funç o objetivo. A ssim, a aptid o do cromossomo s 1 seria: f = 0,637197sen(10π 0,637197) = 1, Vale observar que a aptid o definida desta forma pode assumir valores negativos e o algoritmo Roda da Roleta n o f uncio na com aptid es negativas. A l m disso, po de gerar tam b m problemas como converg ncia prematura (conforme ser m o strado na Seç o 3.3). É p o ssível, no entanto, dispensar o Algoritmo Roda da Roleta e utiliz ar Seleç o por Torneio. Neste caso, s o escolhidos, aleatoriam ente, (co m pro babilidades iguais) n cro m o ssomos da populaç o, e o cro m ossomo com maior aptid o selecionado para a

10 96 Est fane Lacerda e Andr Carvalho po pulaç o intermedi ria. O processo repete-se at preencher a po pulaç o intermedi ria. Utiliz a- se, geralm ente, o valor n = 3. Outra forma de definir aptid o pelo ordenamento do cro m ossomo na populaç o, co nform e se obteve na Tabela 3.1. O primeiro cromossomo do ordenamento recebeu uma aptid o arbitr ria igual a 2,0, e ao ltimo cromossomo do ordenam ento foi atribuído o valor 0,0. A s demais foram o btidas interpolando estes dois extremos por uma reta, ou f i = 2 N i N 1, sendo N o tamanho da populaç o. seja, ( ) ( ) CROSSOVER E MUTAÇÃO Os operadores de cr ossover e a mutaç o s o os principais m ecanism o s de busca dos AGs para explorar regi es desconhecidas do espaço de busca. O operador cr ossover aplicado a um par de cromossomos retirados da populaç o interm edi ria, gerando dois cromossomos filhos. Cada um dos cro m ossomos pais tem sua cadeia de bits cortada em uma posiç o aleatória, pro duz indo duas cabeças e duas caudas. A s caudas s o trocadas, gerando dois novos cromossomos. A Figura 3.3 ilustra o comportamento deste operador. pai 1 ( ) pai 2 ( ) filho 1 ( ) filho 2 ( ) Figura Cr ossover O cr ossover aplicado com uma dada probabilidade a cada par de cromossomos selecionados. Na pr tica, esta probabilidade, deno m inada de taxa de crossover, varia entre 60% e 90%. N o o co rrendo o cr ossover, o s filhos ser o iguais aos pais (isto perm ite que algumas soluç es sejam preservadas). Isto pode ser implementado, gerando n meros pseudo- aleató rio s no intervalo [0,1]. A ssim, o cr ossover só aplicado se o n mero gerado for menor que a taxa de cr ossover.

11 Capítulo 3 Introduç o aos Algoritmos Gen ticos 97 A pó s a operaç o de cr ossover, o operador de mutaç o aplicado, co m dada probabilidade, em cada bit dos dois filhos. O operador de mutaç o inverte os valores de bits, o u seja, m uda o valor de um dado bit de 1 para 0 ou de 0 para 1. A Figura 3.4 apresenta um exemplo em que dois bits do primeiro filho e um bit do segundo sofrem mutaç o (bits estes que passaram no teste de probabilidade). A mutaç o melhora a diversidade dos cromossomos na populaç o, no entanto por o utro lado, destró i informaç o contida no cromossomo, lo go, deve ser utilizada uma taxa de mutaç o pequena (norm alm ente entre 0,1% a 5%), m as suficiente para assegurar a diversidade. Antes Depois filho 1 ( ) filho 2 ( ) filho 1 filho 2 ( ) ( ) Figura Mutaç o A Figura 3.5 ilustra a aplicaç o do operador de cr ossover a cada par de cromossomos da populaç o intermedi ria e os bits que sofreram mutaç o na nova populaç o. Os pontos representado s pela primeira geraç o de cromossomos s o m o strado s na Figura 3.6. A inda n o houve melhora signif icativa com relaç o à populaç o inicial, ou seja, os cro m ossomos ainda est o distantes do m ximo global da f unç o. Índice Original População Intermediária (Mating pool) Crossover e Mutação Ponto Primeira Geração de (o sublinhado indica mutação) Corte

12 98 Est fane Lacerda e Andr Carvalho Figura Gerando uma nova populaç o f(x) = x sen(10πx) + 1 3,0 2,5 2,0 1,5 1,0 0,5 0,0-0,5-1,0-1,0-0,5 0,0 0,5 1,0 1,5 2,0 x Figura Pontos da primeira geraç o de cromossomos A pó s a definiç o da primeira populaç o, o procedimento se repete por um dado n mero de geraç es. Quando se conhece a respo sta m xima da funç o objetivo, pode- se utilizar este valor como crit rio de parada do Algoritmo Gen tico. Na Figura 3.7, ilustrada a ltima geraç o, a vig sima quinta, em

13 Capítulo 3 Introduç o aos Algoritmos Gen ticos 99 que boa parte dos cromossomos representa pontos no pico do m xim o global. N o h um crit rio exato para terminar a execuç o do AG. Por m, com 95% d o s cromossomos representando o mesmo valor, possível diz er que o algoritmo co nvergiu. f(x) = x sen(10πx) + 1 3,0 2,5 2,0 1,5 1,0 0,5 0,0-0,5-1,0-1,0-0,5 0,0 0,5 1,0 1,5 2,0 x Figura Cromossomos da vig sima quinta geraç o ELITISMO A Figura 3.8 ilustra, para cada geraç o, o valor da funç o o bjetivo para o melhor cromossomo da populaç o, al m do valor m dio da funç o objetivo de toda a populaç o. Vale o bservar que o melhor cromossomo pode ser perdido de uma geraç o para outra devido ao corte do cr ossover o u à o co rr ncia de mutaç o. Po rtanto, interessante transferir o m elho r cromossomo de uma geraç o para outra sem alteraç es (porque perder a melhor soluç o encontrada at ent o?). Esta estrat gia denominada Elitismo, sendo muito co m um nos AGs tradicionais. O Elitismo foi proposto por DeJo ng (1975), um dos trabalhos pioneiros sobre AGs. A Figura 3.9 mostra o desempenho do melhor cromossomo em cada geraç o, usando o AG com e sem Elitismo, com os valores plo tados no gr fico representando a m dia de 100 execuç es do AG. Claram ente mostrado que, neste problema, o AG com elitism o encontra a soluç o mais r pido que o AG sem elitismo (vale ressaltar que, em algumas execuç es, o AG o casio nalm ente encontra m ximos locais, tornando a m dia dos melhores cromossomos menor que o m ximo da funç o).

14 100 Est fane Lacerda e Andr Carvalho Função objetivo 3,0 2,5 2,0 1,5 Média Melhor 1,0 0, Geração Figura O maior valor e o valor m dio da funç o objetivo em cada geraç o 3,0 2,8 AG com elitismo AG sem elitismo Função objetivo 2,6 2,4 2,2 2, Geração Figura Desempenho do AG com Elitismo CROSSOVERS DE N PONTOS E UNIFORME Os tipos de operadores cr ossover m ais conhecidos para cadeias de bits s o o de n po nto s e o uniforme. O cr o ssover de 1 ponto o mesmo apresentado na Seç o 3.3. O de 2 pontos apresentado na Figura Os dois pontos de corte s o esco lhidos aleatoriamente, e as seç es entre os dois pontos s o trocadas entre os pais. O cr ossover de 4 pontos mostrado na Figura O cr ossover de n po nto s mais usado tem sido o de 2 pontos por algumas raz es mostradas na Seç o 3.7.

15 Capítulo 3 Introduç o aos Algoritmos Gen ticos 101 pai 1 pai filho 1 filho Figura Cr ossover de 2 pontos pai pai filho fillho Figura Crossover de 4 pontos O cr ossover uniform e apresentado na Figura Para cada par de pais gerada uma m scara de bits aleatórios. Se o prim eiro bit da m scara possui o valor 1, ent o o primeiro bit do pai 1 co piado para o primeiro bit do filho 1. Caso contr rio, o primeiro bit do pai 2 co piado para o primeiro bit do filho 1. O pro cesso se repete para os bits restantes do filho 1. N a geraç o do filho 2 o procedimento invertido, o u seja, se o bit da m scara 1, ent o ser copiado o bit do pai 2. Se o bit for igual a 0, ent o ser copiado o bit do pai 1. Vale notar que o cr ossover unif orm e n o a mesma coisa que o cr ossover de (l- 1) pontos (l o n mero de bits do cromossomo), um a vez que este sem pre leva a metade dos bits de cada pai.

16 102 Est fane Lacerda e Andr Carvalho Máscara de bits pai filho pai Figura Cr ossover Unif orm e Em Eshelman et al. (1989), investigada a diferença de desem penho entre v rios cr ossover s de n po nto s e uniforme. A co nclus o, conform e relatado em Beasley (1993), que n o h grandes diferenças de desempenho entre eles. A li s, segundo Gref enstette (1986), o AG robusto de tal modo que, dentro de um a faixa relativamente larga de variaç o de parâmetros (e.g. taxas de cr ossover e mutaç o, tam anho da populaç o, etc.), n o o co rre alteraç o significativa no desempenho. No item a seguir, ser apresentada a relaç o entre AGs e a biolo gia, co m o tam b m a explicaç o dos principais termos utiliz ados na literatura de AGs TERMINOLOGIA Na biologia, a teoria da evoluç o diz que o meio ambiente selecio na, em cada geraç o, o s seres vivos mais aptos de uma po pulaç o para sobreviv ncia. Co m o resultado, som ente os m ais aptos conseguem se reproduzir, um a vez que os menos adaptado s geralmente s o eliminados antes de gerarem descendentes. Durante a reproduç o, o co rrem fenômenos co m o mutaç o e cr ossover (reco m binaç o), entre outros, que atuam sobre o material gen tico armazenado nos cro m ossomos. Estes fenômenos levam à variabilidade dos seres vivos na populaç o. So bre esta populaç o diversificada age a seleç o natural, perm itindo a sobreviv ncia apenas dos seres mais adaptados. Um Algoritmo Gen tico a met fora desses fenômenos, o que explica porque AGs possuem muitos termos originados da

17 Capítulo 3 Introduç o aos Algoritmos Gen ticos 103 biolo gia. A lista apresentada a seguir descreve os principais term o s encontrados na literatura. Cromossomo e Genoma: Na biologia, genom a o co njunto completo de genes de um organismo. Um geno m a pode ter v rios cromossomos. Nos AGs, os do is representam a estrutura de dados que codifica um a soluç o para um problema, o u seja, um cro m ossomo ou genoma representa um simples po nto no espaço de busca. Gene: Na biologia, a unidade de hereditariedade que transmitida pelo cromossomo e que controla as características do organismo. Nos AGs, um parâm etro codificado no cromossomo, o u seja, um elem ento do vetor que representa o cromossomo. Indiv íduo: Um simples membro da populaç o. No s A Gs, um indivíduo formado pelo cromossomo e sua aptid o. Genótipo: Na biologia, representa a composiç o gen tica contida no Genoma. Nos AGs, representa a inform aç o contida no cromossomo ou genoma. Fenótipo: Nos Algoritmos Gen ticos, representa o o bjeto, estrutura ou organismo construído a partir das informaç es do genótipo. É o cromossomo deco dif icado. Por exemplo, considere que o cro m ossomo codifica parâmetros como as dim ens es das vigas em um projeto de construç o de um edifício, ou as conex es e pesos de uma Rede Neural. O fenótipo seria o edifício construído ou a Rede Neural. A lelo: Na biologia, representa uma das formas alternativas de um gene. Nos AGs, representa os valores que o gene pode assumir. Po r exemplo, um gene que representa o parâmetro cor de um objeto po deria ter o alelo azul, preto, verde, etc. Epistasia: Interaç o entre genes do cromossomo, isto, quando um valor de gene influ ncia o valor de

18 104 Est fane Lacerda e Andr Carvalho o utro gene. Problem as com alta Epistasia s o de difíceis soluç o por AGs. A seç o seguinte aborda alguns aspectos teóricos de AGs ESQUEMAS O Teorema dos Esquemas de Holland (1975) procura f undam entar, teoricam ente, o comportamento dos AGs. Sua co m preens o pode auxiliar na construç o de aplicaç es eficientes de AGs. Holland constatou que os AGs manipulam determ inado s segmentos da cadeia de bits. T ais segmentos foram por ele denominados de esquemas. Um formado pelos sím bo lo s 0, 1 e *. A ocorr ncia do símbolo * em uma posiç o no esquema significa que esta posiç o pode ser ocupada pelo sím bo lo 1 ou 0. A Figura 3.13 mostra alguns exemplos. H1 H2 H **** X X X **10* X *0*01 X Comprimento δ(h 1 ) = 0 Comprimento δ(h 2 ) = 1 Comprimento δ(h 3 ) = 3 Ordem O(H 1 ) = 1 Ordem O(H 2 ) = 2 Ordem O(H 3 ) = 3 Figura 3.13 Esquemas Co nf o rm e mostrado na Figura 3.13, os esquemas H 1 = 1****, H 2 = **10* e H 3 = *0*01 est o contidos no mesmo cromossomo 10101, que ao todo pode ter 2 5 = 32 esquemas. Os cro m ossomos 11001,11011 e possuem o esquema 1****. O comprimento de um esquema δ(h) a diferença entre a ltima posiç o que ocupada por 1 ou 0 e a primeira posiç o que ocupada por 1 e 0. A ordem O (H) de um esquem a o n mero de símbolos 1 e 0 que o esquema cont m. Para prever a variaç o do n mero de esquemas H entre duas geraç es consecutivas, co nsidere m o n mero de

19 Capítulo 3 Introduç o aos Algoritmos Gen ticos 105 cro m ossomos da populaç o atual que cont m o esquema H. Co nsidere b a m dia das aptid es de toda populaç o e a a m dia das aptid es dos cromossomos que cont m o esquema H. A ssim, o n mero esperado de cópias m do esquema H na po pulaç o intermedi ria (utiliz ando seleç o proporcional à aptid o) dado por: a m = b m Pela equaç o, co nclui- se que o n mero de esquemas H aum entar na populaç o intermedi ria se a> b, o u seja, se o esquem a H estiver contido em cromossomos de aptid o acima da aptid o m dia da populaç o (bons cromossomos). No entanto, ao passar para a próxima populaç o, o esquema H po de ser destruído pelos operadores de cr ossover e de m utaç o. Po r exemplo: Esquem a contido em pai 1 (01* **10) Esquem a contido em pai 2 (*** *101) Esquem a contido em filho 1 (01* *101) O esquema do pai 2 (que tem pequeno comprimento) foi transm itido ao filho 1, m as o esquema do pai 1 (que tem maior co m prim ento ) foi destruído pelo cr ossover. Por m, m esm o co nsiderando estes fatores, o Teorema dos Esquemas afirma que: Peq uenos esq uem as contidos em bons cr om ossom os (i.e. aqueles com aptid acim a da m dia) aum entam exponencialmente nas g er açõ es seg uinte, ao passo que esquem as contidos em cr om ossom os r uins (i.e. aqueles com a aptid o abaixo da m dia) tendem a desaparecer nas g er açõ es seg uintes (Go ldber g, 1989). Os bons esquemas de pequeno tamanho recebem o nome especial de blocos de construç o. A informaç o contida em um bloco de construç o combinada com as informaç es de o utro s blocos de construç o. No decorrer das geraç es, esta co m binaç o produz cromossomos de alta aptid o. Esta

20 106 af irm aç o Construç o. Est fane Lacerda e Andr Carvalho conhecida como a Hipótese dos Blocos de Os problemas que n o obedecem à Hipótese dos Blocos de Co nstruç o s o conhecidos como A G- Deceptiv os. Por exem plo, pode ocorrer que, com binando dois ótimos blocos de co nstruç o, resulte em um cromossomo ruim, o co rrendo isto co m genes que t m alta Epistasia (ver Seç o 3.1.6). Funç es co m esta propriedade tendem a ter um ponto ótimo isolado cercado por pontos extremamente ruins. Feliz m ente, tais f unç es s o raras na pr tica. E, al m disso, s o funç es difíceis para qualquer t cnica de otimizaç o. Ho lland tamb m notou que apesar do AG manipular N cro m ossomos, a quantidade de esquemas manipulados m uito maior (na ordem de O (N 3 ) esquemas). Tal propriedade foi denominada de Paralelismo Implícito. Ou seja, o AG m anipula uma grande quantidade de informaç es em paralelo co m apenas N cro m o ssom o s. Os bons blocos de construç o, quando incorporados em um cro m ossomo, m elhoram sua aptid o. Portanto, im portante estruturar a codificaç o dos cromossomos de modo a estim ular a formaç o de blocos de construç o. So b a luz dos esquemas, possível analisar os diversos tipos de crossovers. Por exemplo, o esquema 1******0 ser f atalm ente destruído pelo cr ossover de 1 ponto, seja onde for o ponto de corte. O mesmo problema n o ocorre no cr ossover de 2 pontos, por m, o aumento excessivo de pontos de corte no rm alm ente n o leva a bons resultados, um a vez que destrói co m facilidade os blocos de construç o. É interessante notar que o cromossomo pode ser interpretado co m o um anel formado pela uni o de suas extremidades, com o ilustra a Figura Observando o anel, no ta- se que o cr ossover de 1 ponto um caso particular do de 2 pontos quando um dos pontos de corte fixo sobre a junç o do anel. Po rtanto, o cr ossover de 2 pontos desempenha tamb m a f unç o do de 1 po nto. Este um dos motivos pelo qual o cr ossover de 2 po ntos considerado melhor do que o cr ossover de 1 ponto (Beasley, 1993b; Davis, 1991).

21 Capítulo 3 Introduç o aos Algoritmos Gen ticos 107 2º corte Inicio de pai º corte Figura Cr ossover de 2 pontos visto como um anel O cr ossover de n po ntos tende a manter juntos os genes que s o codificados próximos um do outro. Existe um operador deno m inado Inv ers o (Ho lland, 1975) que busca o ordenam ento ideal dos genes no cromossomo. Do is pontos aleató rio s s o escolhidos no cromossomo e os genes entre eles s o invertidos. Vale frisar que a invers o n o um tipo de m utaç o brutal. Na verdade n o ocorre mutaç o. A cada gene asso ciado um n mero para identificar quem quem depois da tro ca de posiç o. Este operador, no entanto, tem sido raram ente utilizado na pr tica. Co nsiderando agora o efeito destrutivo dos blocos de co nstruç o causada pelo cr ossover unif o rm e, Sysw erda (1989) argum enta que tal destruiç o compensada pelo fato de ele po der combinar qualquer material dos cromossomos pais, independentem ente da ordem dos genes. 3.2 REPRESENTAÇÃO REAL REPRESENTAÇÃO BINÁRIA REAL Para ilustrar esta seç o, co nsidere o Problema 3.2 que m axim iz ar uma funç o (conhecida na literatura de AG como f unç o F6 (Davis, 1991)) com dois parâmetros x e y. Na Figura 3.15 mostrado a representaç o bin ria do cromossomo e sua deco m po siç o nos dois parâmetros x e y.

22 108 Est fane Lacerda e Andr Carvalho Problema 3.2 Maxim iz ar sen f ( x, y ) = 0,5 Sujeito a 100 x y 100 x 2 + y 2 ( 1,0 + 0,001( x + y ) ,5 Decodificação de Cromossomo em dois parâmetros s 1 = Passo 1: Divisão da cadeia de bits s 1 em duas cadeias de 22 bits: e Passo 2: Conversão da base 2 para a base 10: e Passo 3: Mapear estes resultados para o intervalo [-100, 100]: x y = [100 - (-100)] = = [ (-100)] = -17,851 11,041 Figura Decodificaç o do cromossomo em dois parâm etro s (x,y) A representaç o bin ria historicamente importante, um a vez que foi utiliz ado nos trabalhos pioneiros de Holland (1975). É a representaç o tradicional, sendo f cil de utiliz ar e m anipular, co m o tamb m simples de analisar teoricamente. Co ntudo, se um problema tem parâmetros contínuos e o usu rio quer trabalhar com boa precis o numerica, ele precisar arm az enar cromossomos longos na memória. Po is, para cada ponto decimal acrescentado na precis o, necess rio adicionar 3,3 bits na cadeia. Caso 8 casas decimais

Algoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009

Algoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 : Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 Principais Tópicos População Inicial Funções Objetivo de Alto Custo Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

INF 1771 Inteligência Artificial

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

Leia mais

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras

Leia mais

Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados

Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências

Leia mais

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos.

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Thiago da Mota Souza Coordenação de Pós-Graduação e Pesquisa de Engenharia Centro de Tecnologia Universidade Federal do Rio de

Leia mais

Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest )

Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest ) Generalidades A metáfora Biológica Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest ) Operadores Genéticos (Mendel) - recombinação (crossover ) - mutação (mutation ) Algoritmos

Leia mais

Algoritmos Genéticos

Algoritmos Genéticos UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br

Leia mais

- Computação Evolutiva -

- Computação Evolutiva - - Computação Evolutiva - Prof. Dr. Cícero Garrozi DEINFO - UFRPE PPGIA@UFRPE cicerog@gmail.com Site da disciplina: http://cicerog.blogspot.com Sumário Situando a Computação Evolucionária Metáfora principal

Leia mais

3 Métodos de Otimização

3 Métodos de Otimização 3 Métodos de Otimização 3.1. Introdução Os problemas de otimização são problemas de maximização ou minimização de função de uma ou mais variáveis num determinado domínio, sendo que, geralmente, existe

Leia mais

ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA

ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA 136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização

Leia mais

Representação por Números Reais

Representação por Números Reais Representação por Números Reais Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário Para apresentarmos essa representação vamos introduzir o conceito de hibridização

Leia mais

Evolução Biológica e Algoritmos Genéticos. Fábio Lima Custódio flc@lncc.br

Evolução Biológica e Algoritmos Genéticos. Fábio Lima Custódio flc@lncc.br Evolução Biológica e Algoritmos Genéticos Fábio Lima Custódio flc@lncc.br Sumário Conceitos gerais O que é evolução? Forças Evolutivas Mutação Deriva Gênica Fluxo gênico Seleção Natural A teoria evolutiva

Leia mais

Computação BioInspirada

Computação BioInspirada Computação BioInspirada Os Engenheiros da Natureza Fabrício Olivetti de França The reasonable man adapts himself to the world; the unreasonable one persists in trying to adapt the world to himself. Therefore

Leia mais

Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática

Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Thatiane de Oliveira Rosa 1, Hellen Souza Luz 2 1 Curso de Sistemas de Informação Centro Universitário Luterano de Palmas (CEULP/ULBRA) Caixa

Leia mais

Algoritmos Genéticos (GA s)

Algoritmos Genéticos (GA s) Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de

Leia mais

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS INTRODUÇÃO São métodos adaptativos que podem ser usados para resolver problemas de busca e otimização. Na natureza a combinação de boas características provenientes de diferentes indivíduos

Leia mais

Algoritmos Genéticos. André Ricardo Gonçalves. andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric

Algoritmos Genéticos. André Ricardo Gonçalves. andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Algoritmos Genéticos André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Algoritmo Genético p. 3 1.1 Computação Evolucionária...........................

Leia mais

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa

Leia mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola

Leia mais

Parte 3 : Gravação de CDs

Parte 3 : Gravação de CDs Parte 3 : Gravação de CDs Durante vários anos, os CDs foram m ídias som ente para leitura. Você podia com prar um program a em CD, m as se por algum m otivo precisasse copiá-lo teria que usar disquetes,

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico

Leia mais

A Otimização Nuvem de Partículas (particle swarm)

A Otimização Nuvem de Partículas (particle swarm) A Otimização Nuvem de Partículas (particle swarm) Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 20/06/2007 Índice Introdução Algoritmo Nuvem de Partículas Interpretação

Leia mais

Planejamento, Desenvolvimento e Implementac a o de Sistemas

Planejamento, Desenvolvimento e Implementac a o de Sistemas Planejamento, Desenvolvimento e Implementac a o de Sistemas Aulas 08 e 09 Ciclo de Vida do Desenvolvimento de Sistemas Levantamento de Necessidades Coleta de dados sobre as necessidades e oportunidades

Leia mais

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 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 mais

Ac esse o sit e w w w. d e ca c lu b.c om.br / es t u dos 2 0 1 5 e f a ç a s u a insc riçã o cl ica nd o e m Pa r t i c i p e :

Ac esse o sit e w w w. d e ca c lu b.c om.br / es t u dos 2 0 1 5 e f a ç a s u a insc riçã o cl ica nd o e m Pa r t i c i p e : INSCRIÇÕES ABERTAS ATÉ 13 DE JULH DE 2015! Ac esse o sit e w w w. d e ca c lu b.c om.br / es t u dos 2 0 1 5 e f a ç a s u a insc riçã o cl ica nd o e m Pa r t i c i p e : Caso vo cê nunca t e nh a pa

Leia mais

Calculad ora Verilog

Calculad ora Verilog Universidade Federal de Minas Gerais Campus Pam pulha Ciência da Com p utação Calculad ora Verilog Trabalho apresentado à disciplina Organização de Computadores I Leonel Fonseca Ivo 2007041418 Cláudio

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados

Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados GA em Otimização Combinatorial Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados Problem a do Caixeiro Viajante Problem as de Planejamento

Leia mais

A Otimização Colônia de Formigas

A Otimização Colônia de Formigas A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado

Leia mais

Análise de Arredondamento em Ponto Flutuante

Análise de Arredondamento em Ponto Flutuante Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto

Leia mais

SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos

SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos Fredson Vieira Costa 1, Fábio Silveira Vidal 1, Claudomiro Moura Gomes André 1 1 Curso de Bacharelado em Ciência da Computação

Leia mais

Contratos Derivativos Opções Sobre Índice de Taxa Média de Depósitos Interfinanceiros de Um Dia (IDI)

Contratos Derivativos Opções Sobre Índice de Taxa Média de Depósitos Interfinanceiros de Um Dia (IDI) Opções Sobre Futuro de Milho Contratos Derivativos Opções Sobre Índice de Taxa Média de Depósitos Interfinanceiros de Um Dia (IDI) Opções Sobre Índice de Taxa Média de Depósitos Interfinanceiros de Um

Leia mais

COMPUTAÇÃO EVOLUTIVA

COMPUTAÇÃO EVOLUTIVA COMPUTAÇÃO EVOLUTIVA Grupo de Pesquisas em Computação Evolutiva Aurora Pozo Andrea de Fatima Cavalheiro Celso Ishida Eduardo Spinosa Ernesto Malta Rodrigues Departamento de Informática Universidade Federal

Leia mais

APOSTILA EXCEL AIM - 2010. Prof. Helio Canavesi Filho

APOSTILA EXCEL AIM - 2010. Prof. Helio Canavesi Filho APOSTILA EXCEL AIM - 2010 Prof. Helio Canavesi Filho &DStWXOR$SUHVHQWDomRGR([FHO 6XPiULR &DStWXOR,QLFLDQGRR0LFURVRIW([FHO &DStWXOR/LQKDV&ROXQDVH&pOXODV &DStWXOR3DVWDGHWUDEDOKRH3ODQLOKDV &DStWXOR&RPRFULDULQVHULUH[FOXLUHPRYHUSODQLOKDV

Leia mais

Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques

Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

Estatística Aplicada ao Serviço Social

Estatística Aplicada ao Serviço Social Estatística Aplicada ao Serviço Social Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução O que é Estatística? Coleção de métodos

Leia mais

ELETRÔNICA DIGITAL 1

ELETRÔNICA DIGITAL 1 CENTRO FEDERAL DE ENSINO TECNOLÓGICO DE SANTA CATARINA UNIDADE SÃO JOSÉ ÁREA DE TELECOMUNICAÇÕES ELETRÔNICA DIGITAL 1 CAPÍTULO 1 SUMÁRIO INTRODUÇÃO...2 1. SISTEMAS DE NUMERAÇÃO...4 1.1 Introdução...4

Leia mais

Prof. Mat eus Andrade

Prof. Mat eus Andrade A Term oquím ic a t em c om o objet ivo o est udo das variaç ões de energia que ac om panham as reaç ões quím ic as. Não há reaç ão quím ic a que oc orra sem variaç ão de energia! A energia é c onservat

Leia mais

Otimização de Recuperação de Informação usando Algoritmos Genéticos

Otimização de Recuperação de Informação usando Algoritmos Genéticos Otimização de Recuperação de Informação usando Algoritmos Genéticos Neide de Oliveira Gomes, M. Sc., nog@inpi.gov.br Prof. Marco Aurélio C. Pacheco, PhD Programa de Doutorado na área de Métodos de Apoio

Leia mais

Est udo da veloc idade das reaç ões quím ic as e dos fat ores que nela influem. Prof. Mat eus Andrade

Est udo da veloc idade das reaç ões quím ic as e dos fat ores que nela influem. Prof. Mat eus Andrade Est udo da veloc idade das reaç ões quím ic as e dos fat ores que nela influem. CLASSIFICAÇÃO DAS REAÇÕES CINÉTICAS I - Quant o à veloc idade Rápidas: neut ralizaç ões em m eio aquoso, c om bust ões,...

Leia mais

Verificação de Impressões Digitais usando Algoritmos Genéticos

Verificação de Impressões Digitais usando Algoritmos Genéticos 1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Introdução à genética quantitativa usando os recursos do R

Introdução à genética quantitativa usando os recursos do R Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

Aula 26: Arquiteturas RISC vs. CISC

Aula 26: Arquiteturas RISC vs. CISC Aula 26: Arquiteturas RISC vs CISC Diego Passos Universidade Federal Fluminense Fundamentos de Arquiteturas de Computadores Diego Passos (UFF) Arquiteturas RISC vs CISC FAC 1 / 33 Revisão Diego Passos

Leia mais

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br

Leia mais

O P a pel da M ídia no C o ntro le da s P o lític a s de S a úde

O P a pel da M ídia no C o ntro le da s P o lític a s de S a úde B ra s ília, 26 de s etem bro de 2009 C o ntro le da s P o lític a s de L uiz R ibeiro FU N Ç Ã O D O J O R N A L I S M O J o r n a lis m o é a a tiv id a d e p r o fis s io n a l q u e c o n s is te e

Leia mais

Minicurso SBSE 2012:

Minicurso SBSE 2012: Campus de Ilha Solteira Faculdade de Engenharia de Ilha Solteira Departamento de Energia Elétrica Minicurso SBSE 2012: Metaheurísticas em sistemas elétricos de potência: introdução ao estudo e aplicações

Leia mais

Trabalho Pra tico 2. Redimensionamento de imagens baseado em conteu do

Trabalho Pra tico 2. Redimensionamento de imagens baseado em conteu do UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIE NCIAS EXATAS DEPARTAMENTO DE CIE NCIA DA COMPUTAC A O PROJETO E ANA LISE DE ALGORITMOS Professores: Luiz Chaimowicz, Wagner Meira Jr, Gisele L. Pappa

Leia mais

Resolução de Matemática da Prova Objetiva FGV Administração - 06-06-10

Resolução de Matemática da Prova Objetiva FGV Administração - 06-06-10 QUESTÃO 1 VESTIBULAR FGV 010 JUNHO/010 RESOLUÇÃO DAS 15 QUESTÕES DE MATEMÁTICA DA PROVA DA MANHÃ MÓDULO OBJETIVO PROVA TIPO A O mon i tor de um note book tem formato retangular com a di ag o nal medindo

Leia mais

Otimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos

Otimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos Otimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos Tatiana Escovedo 1, Adriano S. Koshiyama 1 e Marco Aurélio C. Pacheco 1 1 Departamento de Engenharia Elétrica Pontifícia Universidade

Leia mais

4 Arquitetura básica de um analisador de elementos de redes

4 Arquitetura básica de um analisador de elementos de redes 4 Arquitetura básica de um analisador de elementos de redes Neste capítulo é apresentado o desenvolvimento de um dispositivo analisador de redes e de elementos de redes, utilizando tecnologia FPGA. Conforme

Leia mais

A probabilidade de nascer uma menina afetada do cruzamento de 3 com 11 é: a) 0,00 b) 0,25 c) 0,50 d) 0,75 e) 1,00

A probabilidade de nascer uma menina afetada do cruzamento de 3 com 11 é: a) 0,00 b) 0,25 c) 0,50 d) 0,75 e) 1,00 Genética e Evolução 1. A mosca drosófila, de olho branco, apresenta a constituição genética X W Y e não possui gene para olho vermelho, que impede a manifestação do outro gene, para olho branco. Na frase,

Leia mais

Processos de Software. Aécio Costa

Processos de Software. Aécio Costa Processos de Software Aécio Costa Processos de Software Atributos de Qualidade no Software Processo Podemos considerar um conjunto de tarefas ordenadas como sendo um processo: uma s é rie de etapas que

Leia mais

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc...

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc... RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS RUÍDOS EM IMAGENS Em Visão Computacional, ruído se refere a qualquer entidade em imagens, dados ou resultados intermediários, que não são interessantes para os propósitos

Leia mais

Fı sica Experimental IV

Fı sica Experimental IV E rica Polycarpo Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro com base no material do curso 1 / 16 1 Difrac a o e Interfere ncia de microondas 2 Medida do Comprimento de Onda

Leia mais

Representação de números em máquinas

Representação de números em máquinas Capítulo 1 Representação de números em máquinas 1.1. Sistema de numeração Um sistema de numeração é formado por uma coleção de símbolos e regras para representar conjuntos de números de maneira consistente.

Leia mais

ELIAS MELGAÇO CHAVES JÚNIOR ALGORITMOS GENÉTICOS: COMPARAÇÃO ENTRE OS FRAMEWORKS AFORGE E JGAP

ELIAS MELGAÇO CHAVES JÚNIOR ALGORITMOS GENÉTICOS: COMPARAÇÃO ENTRE OS FRAMEWORKS AFORGE E JGAP ELIAS MELGAÇO CHAVES JÚNIOR ALGORITMOS GENÉTICOS: COMPARAÇÃO ENTRE OS FRAMEWORKS AFORGE E JGAP Palmas 2012 ELIAS MELGAÇO CHAVES JÚNIOR ALGORITMOS GENÉTICOS: COMPARAÇÃO ENTRE OS FRAMEWORKS AFORGE E JGAP

Leia mais

O ptica. Exercı cios Objetivos. a) A b) B c) C I. O bala o ocultaria todo o Sol: o estudante na o veria diretamente nenhuma parte do Sol.

O ptica. Exercı cios Objetivos. a) A b) B c) C I. O bala o ocultaria todo o Sol: o estudante na o veria diretamente nenhuma parte do Sol. Exercı cios Objetivos 1. (2000) Um espelho plano, em posic a o inclinada, forma um a ngulo de 45 com o cha o. Uma pessoa observa-se no espelho, conforme a figura. A flecha que melhor representa a direc

Leia mais

Transcrição Automática de Música

Transcrição Automática de Música Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de

Leia mais

BCC204 - Teoria dos Grafos

BCC204 - Teoria dos Grafos BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal

Leia mais

Representação Binária de Números

Representação Binária de Números Departamento de Informática Notas de estudo Alberto José Proença 01-Mar-04 Dep. Informática, Universidade do Minho Parte A: Sistemas de numeração e representação de inteiros A.1 Sistemas de numeração

Leia mais

Experimentos em Realidade Virtual Bruno Madeira Luiz Velho (orientador) Technical Report TR-2010-06 Relatório Técnico. June - 2010 - Junho

Experimentos em Realidade Virtual Bruno Madeira Luiz Velho (orientador) Technical Report TR-2010-06 Relatório Técnico. June - 2010 - Junho Laboratório VISGRAF Instituto de Matemática Pura e Aplicada Experimentos em Realidade Virtual Bruno Madeira Luiz Velho (orientador) Technical Report TR-2010-06 Relatório Técnico June - 2010 - Junho The

Leia mais

Memória Cache. Prof. Leonardo Barreto Campos 1

Memória Cache. Prof. Leonardo Barreto Campos 1 Memória Cache Prof. Leonardo Barreto Campos 1 Sumário Introdução; Projeto de Memórias Cache; Tamanho; Função de Mapeamento; Política de Escrita; Tamanho da Linha; Número de Memórias Cache; Bibliografia.

Leia mais

IHC-001. Tecnologia em Análise e Desenvolvimento de Sistemas Prof. Me. Álvaro d Arce alvaro@darce.com.br

IHC-001. Tecnologia em Análise e Desenvolvimento de Sistemas Prof. Me. Álvaro d Arce alvaro@darce.com.br IHC-001 Tecnologia em Análise e Desenvolvimento de Sistemas Prof. Me. Álvaro d Arce alvaro@darce.com.br Introdução 2 Introdução à IHC Introdução Conceitos Básicos Exercícios Introdução 3 Human-Computer

Leia mais

Problemas de Satisfação de Restrições

Problemas de Satisfação de Restrições Problemas de Satisfação de Restrições Texto base: Stuart Russel e Peter Norving - Inteligência Artificial David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach junho/2007

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Contratos Derivativos Futuro Míni de Dólar Comercial

Contratos Derivativos Futuro Míni de Dólar Comercial Opções Sobre Futuro de Milho Contratos Derivativos Proteção contra variações do dólar comercial em datas futuras. O produto O Contrato Futuro de Do lar Comercial e o segundo contrato derivativo mais negociado

Leia mais

Prof. Luís Caldas Sistemas de Numeração e Transformação de Base NUMERAÇÃO, BASE NUMÉRICA E TRANSFORMAÇÃO DE UMA BASE

Prof. Luís Caldas Sistemas de Numeração e Transformação de Base NUMERAÇÃO, BASE NUMÉRICA E TRANSFORMAÇÃO DE UMA BASE NUMERAÇÃO, BASE NUMÉRICA E TRANSFORMAÇÃO DE UMA BASE Os números são na verdade coeficientes de uma determinada base numérica e podem ser representados como números assinalados, não assinalados, em complemento

Leia mais

Simulação Estocástica

Simulação Estocástica Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias

Leia mais

Métodos Numéricos. A. Ismael F. Vaz. Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho aivaz@dps.uminho.

Métodos Numéricos. A. Ismael F. Vaz. Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho aivaz@dps.uminho. Métodos Numéricos A. Ismael F. Vaz Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho aivaz@dps.uminho.pt Mestrado Integrado em Engenharia Mecânica Ano lectivo 2007/2008 A.

Leia mais

A Genética Mendeliana

A Genética Mendeliana MATERIAL DE APOIO A Genética Mendeliana O conceito de um fator hereditário como determinante das características de um indivíduo foi introduzido primeiramente por Gregor Mendel em 1865, embora ele não

Leia mais

CRIPTOGRAFIA E SEGURANÇA DE REDES

CRIPTOGRAFIA E SEGURANÇA DE REDES Universidade Federal do Piauí Departamento de Informática e Estatística Curso de Ciência da Computação CRIPTOGRAFIA E SEGURANÇA DE REDES Carlos André Batista de Carvalho Capítulo 03 - Cifras de Bloco e

Leia mais

Uma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais

Uma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais Uma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais Departamento de Engenharia Mecânica COPPE UFRJ STIC-AMSUD, Novembro de 2009 Conteúdo Preliminares

Leia mais

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos

Leia mais

Oferta Significado 2011. Candidaturas POPH 3.2, 8.3.2 e 9.3.2 Formação para a Inovação e Gestão. Setembro 2011

Oferta Significado 2011. Candidaturas POPH 3.2, 8.3.2 e 9.3.2 Formação para a Inovação e Gestão. Setembro 2011 Oferta Significado 2011 Candidaturas POPH 3.2, 8.3.2 e 9.3.2 Formação para a Inovação e Gestão Setembro 2011 Data para submissão das Candidaturas: Até 10 de Outubro 2011 Financiamento Formação Geral Micro

Leia mais

Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos

Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos ADJUSTMENT OF CONTROLLER PID S PARAMETERS OF GENETIC ALGORITHMS Luiz Eduardo N. do P. Nunes Victor

Leia mais

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar

Leia mais

Banco de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri. Banco de Dados Processamento e Otimização de Consultas

Banco de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri. Banco de Dados Processamento e Otimização de Consultas Processamento e Otimização de Consultas Banco de Dados Motivação Consulta pode ter sua resposta computada por uma variedade de métodos (geralmente) Usuário (programador) sugere uma estratégia para achar

Leia mais

MÉTODO DOS ELEMENTOS FINITOS

MÉTODO DOS ELEMENTOS FINITOS INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS ENGENHARIA E TECNOLOGIA ESPACIAIS MECÂNICA ESPACIAL E CONTROLE MESTRADO MÉTODO DOS ELEMENTOS FINITOS Seminário de Dinâmica Orbital I CMC-203-0 Prof. Dr. Mário

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011 Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,

Leia mais

Aumentando a segurança do MD6 em relação aos ataques diferenciais

Aumentando a segurança do MD6 em relação aos ataques diferenciais Aumentando a segurança do MD6 em relação aos ataques diferenciais Valdson S. Cleto 1, Routo Terada 1 1 Instituto de Matemática e Estatística Universidade de São Paulo (USP) São Paulo SP Brazil vcleto@gmail.com,

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

Problemas de Satisfação de Restrições

Problemas de Satisfação de Restrições Computação Inteligente Problemas de Satisfação de Restrições Lucas Augusto Carvalho Mestrado em Ciência da Computação 2011.1 DCOMP - Universidade Federal de Sergipe 1 Conteúdo Problemas de Satisfação de

Leia mais

FUNÇÕES. 1. Equação. 2. Gráfico. 3. Tabela.

FUNÇÕES. 1. Equação. 2. Gráfico. 3. Tabela. FUNÇÕES Em matemática, uma função é dada pela relação entre duas ou mais quantidades. A função de uma variável f(x) relaciona duas quantidades, sendo o valor de f dependente do valor de x. Existem várias

Leia mais

Otimização da Flexão em Estruturas de Aço com Ligações Semi- Rígidas através de Algoritmos Genéticos

Otimização da Flexão em Estruturas de Aço com Ligações Semi- Rígidas através de Algoritmos Genéticos Otimização da Flexão em Estruturas de Aço com Ligações Semi- Rígidas através de Algoritmos Genéticos Alexandre A. Del Savio, arco Aurélio C. Pacheco 2, Sebastião A. L. de Andrade, Pedro C. G. da S. Vellasco

Leia mais

Em um sistema de numeração de base b qualquer, um número positivo é representado pelo polinômio:

Em um sistema de numeração de base b qualquer, um número positivo é representado pelo polinômio: ELETRÔNICA DIGITAl I 1 SISTEMAS DE NUMERAÇÃO INTRODUÇÃO A base dos sistemas digitais são os circuitos de chaveamento (switching) nos quais o componente principal é o transistor que, sob o ponto de vista

Leia mais

Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF

Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Estratégias de busca auxiliadas por heurísticas (A*, BRPM)

Leia mais

UM ALGORITMO CULTURAL PARA PROBLEMAS DE DESPACHO DE ENERGIA ELÉTRICA

UM ALGORITMO CULTURAL PARA PROBLEMAS DE DESPACHO DE ENERGIA ELÉTRICA NÁTALLI MACEDO RODRIGUES UM ALGORITMO CULTURAL PARA PROBLEMAS DE DESPACHO DE ENERGIA ELÉTRICA MARINGÁ 2007 Catalogação na Publicação Fabiano de Queiroz Jucá CRB 9/1249 Biblioteca Central da UNICENTRO,

Leia mais

&XUVRGH$QiOLVH7pFQLFDH(VWUDWpJLDQR0HUFDGR

&XUVRGH$QiOLVH7pFQLFDH(VWUDWpJLDQR0HUFDGR &XUVRGH$QiOLVH7pFQLFDH(VWUDWpJLDQR0HUFDGR GH$o}HV 'HVFULomR Em um m undo globalizado, com o o que vivem os atualm ente, a econom ia brasileira sofre influência direta de acontecim entos externos, que nem

Leia mais

Frederico Damasceno Bortoloti. Adaptado de: Claudio Esperança Paulo Roma Cavalcanti

Frederico Damasceno Bortoloti. Adaptado de: Claudio Esperança Paulo Roma Cavalcanti Fundamentos de Representação Gráfica Frederico Damasceno Bortoloti Adaptado de: Claudio Esperança Paulo Roma Cavalcanti Estrutura do Curso Avaliação através de Prova Estudo / Seminário Nota parcial NP

Leia mais

DATAPREV Divisão de Gestão Operacional e Controle - D1GC Serviço Técnico a Softwares de Produção STSP

DATAPREV Divisão de Gestão Operacional e Controle - D1GC Serviço Técnico a Softwares de Produção STSP GIS Gertran Integration Suite Guia de T ransferência de Arquivos Entidade x DATAPREV Versão 1.0 HTTPS G I S G ui a de T ra n sf er ên ci a d e Ar qu i vo s 1/ 8 ÍNDICE ANALÍT ICO 1. INTRODU ÇÃO......4

Leia mais

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) II Métodos numéricos para encontrar raízes (zeros) de funções reais. Objetivos:

Leia mais

FUNDAÇÃO EDUCACIONAL UNIFICADA CAMPOGRANDENSE (FEUC) FACULDADES INTEGRADAS CAMPO-GRANDENSES (FIC) COORDENAÇÃO DE MATEMÁTICA

FUNDAÇÃO EDUCACIONAL UNIFICADA CAMPOGRANDENSE (FEUC) FACULDADES INTEGRADAS CAMPO-GRANDENSES (FIC) COORDENAÇÃO DE MATEMÁTICA E N A D E 005 LICENCIATURA MATEMÁTICA QUESTÕES RESOLVIDAS I N T R O D U Ç Ã O Estamos apresentando a prova do ENADE aplicada em 005 para os cursos de Licenciatura em Matemática. Este trabalho tem o objetivo

Leia mais

Figura 1.1: Exemplo de links patrocinados no Google

Figura 1.1: Exemplo de links patrocinados no Google 1 Links Patrocinados 1.1 Introdução Links patrocinados são aqueles que aparecem em destaque nos resultados de uma pesquisa na Internet; em geral, no alto ou à direita da página, como na Figura 1.1. Figura

Leia mais

REFORMA POLÍTICA. Capítulo VI

REFORMA POLÍTICA. Capítulo VI REFORMA POLÍTICA Capítulo VI REFORMA QUE O GOVERNO LULA E O CONGRESSO NACIONAL DEVEM PRIORIZAR [espontânea e única, em %] Pe so 1 0 0 % Re fe rê ncia s a re form a s Re form a Agrá ria 7 Re form a Tra

Leia mais