26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia
|
|
- Ester Lacerda
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de São João del-rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Otimização Extrema Generalizada Aplicada ao Problema de Despacho Ótimo de Potência Wellington D. Dutra; Paulo Eduardo Abreu; Silvan Antônio Flávio; Paulo C. Chaves; Leonidas Chaves de Resende; Luiz Antônio da Fonseca Manso. Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica UFSJ, São João del-rei, MG CEP: wdamascena@yahoo.com.br, enge_paulo@yahoo.com.br, silvanflavio@yahoo.com.br, pc@pcengenharia.net, leonidas@ufsj.edu.br, lmanso@ufsj.edu.br Resumo. Os modelos heurísticos e metaheurísticos utilizam técnicas de otimização que, passo a passo, realizam um processo de geração, avaliação e seleção das melhores opções de solução para problemas complexos. Estes modelos são bastante atrativos, pois podem obter boas soluções factíveis a um baixo custo computacional. Ao mesmo tempo o processo de otimização pode utilizar estratégias que procuram evitar o aprisionamento em vales da função objetivo e, consequentemente, reduzem o risco de obtenção de ótimos locais de baixa qualidade. Várias técnicas metaheurísticas têm sido empregadas para resolver problemas não-convexos. Dentre essas técnicas podem ser citadas: a Busca Tabu (TS - Tabu Search), os Algoritmos Genéticos (GA - Genetic Algorithms), o Procedimento de Busca Aleatória Gulosa (GRASP - Greedy Randomized Adaptive Search Procedure), as Estratégias de Evolução (ES - Evolution Strategies) e a Otimização por Enxame Evolucionário de Partículas (EPSO - Evolutionary Particle Swarm Optimization). Recentemente, foi proposto um método denominado Otimização Extrema Generalizada (GEO Generalized Extremal Optimization), o qual é baseado em um modelo de evolução natural das espécies, especialmente destinado para uso em problemas de otimização complexos, tendo seus fundamentos na teoria da Criticalidade Auto-Organizada. Neste trabalho, foi implementada a técnica Otimização Extrema Generalizada ao problema de despacho ótimo de geradores. Os resultados obtidos foram comparados com resultados produzidos pelas metaheurísticas Busca Tabu e Estratégia de Evolução. Palavras chaves: Otimização Extrema Generalizada, Estratégia de Evolução, Despacho Ótimo, Metaheurísticas, Otimização.
2 1 INTRODUÇÃO Desde a década de 80, a reestruturação do setor elétrico vem ganhando muita atenção em todo o mundo. Antes deste período a estrutura organizacional do setor era vertical e monopolizada, ou seja, a geração, a transmissão e a distribuição de energia, eram controladas por uma autoridade conforme (Christie et al., 2000). Com a desverticalização do setor e o surgimento do ambiente competitivo, as ferramentas de otimização passaram a desempenhar um importante papel para as empresas de energia (Sousa et al., 2008). Um exemplo de aplicação de tais técnicas é o Despacho Ótimo DO (Wood e Wollenberg, 1996). O DO é um problema no qual se tem N unidades geradoras disponíveis e já conectadas ao sistema de potência. Na operação desse sistema, o mesmo deve atender uma carga (demanda do sistema), de forma que a soma das potências geradas pelas unidades deve ser igual à carga total do sistema mais as perdas elétricas. Muitos dos problemas de otimização em sistemas de potência, incluindo os de despacho econômico, possuem características complexas e não-lineares com a presença, muitas vezes, de restrições de igualdade e desigualdade. Desde que o problema de despacho econômico foi introduzido, diversos métodos têm sido utilizados para resolver este problema, tais como método iterativo, técnicas baseadas em gradiente, método dos pontos interiores, programação linear e programação dinâmica. Entretanto, abordagens convencionais usadas em problemas de otimização não são adequadas ao problema do despacho ótimo, ficando a solução retida em armadilhas de mínimos locais (Coelho e Mariani, 2006). Os modelos heurísticos e metaheurísticos utilizam técnicas de otimização que, passo a passo, realizam um processo de geração, avaliação e seleção de opções de solução. Estes modelos são mais atrativos, pois podem obter boas (i.e. economicamente competitivas) soluções factíveis a um baixo custo computacional. Ao mesmo tempo o processo de otimização pode utilizar estratégias que procuram evitar o aprisionamento em vales da função objetivo e, consequentemente, reduzem o risco de obtenção de mínimos locais de baixa qualidade. Uma das primeiras técnicas de inteligência artificial na abordagem do DO, foi o Recozimento Simulado Simulated Annealing (Wong e Fung, 1993). Essa técnica apresentou a facilidade de incorporar restrições à função objetivo, assegurando uma solução factível, embora possa não ser a solução ótima do problema. Tais fatores levaram os pesquisadores a dar maior atenção aos métodos de inteligência artificial a partir de então. No mesmo ano foi explorado o uso de Algoritmos Genéticos (Walters e Sheble, 1993) na abordagem ao problema com a inclusão de uma melhoria na modelagem dos geradores, antes de difícil solução pelas técnicas convencionais, os pontos de válvula. Uma técnica bastante promissora para o processo de busca em problemas de otimização não-convexos, como é o caso do DO, é denominada por Estratégias de Evolução (ES Evolution Strategies) (Herdy, 1992; Ostermeier, 1992; Schwefel, 1995). Diferentemente dos Algoritmos Genéticos, que foram propostos utilizando a codificação/decodificação do indivíduo (solução), nas ES a representação é sempre realizada de forma direta. Portanto, cada componente do indivíduo (gene) é representado por uma variável real do problema (Bak e Sneppen, 1993; Miranda, 2004). A metaheurística Busca Tabu (TS Tabu Search) (Glover, 1989), outra técnica aplicada a problemas de DO, consiste em um processo adaptativo empregado na solução de problemas de otimização combinatória para modificar o comportamento de heurísticas de busca local, de forma que a exploração do espaço de soluções não seja interrompida ou perturbada quando não existam deslocamentos que melhorem a solução corrente. Através de conhecimentos adquiridos durante a exploração do espaço de soluções, o método evita
3 que mínimos locais recentemente visitados exerçam efeito atrativo à trajetória da busca, garantindo uma exploração mais inteligente quando comparado a métodos tradicionais de busca local. Tendo em vista esta tendência, o objetivo deste trabalho é aplicar um algoritmo recente e promissor, denominado Otimização Extrema Generalizada (GEO Generalized Extremal Optimization), na resolução do problema de despacho econômico de geradores. Ao final, é realizada uma análise de sensibilidade em relação aos seus parâmetros e a validação por meio das metaheurísticas Estratégia de Evolução e Busca Tabu. 2 OTIMIZAÇÃO EXTREMA GENERALIZADA (GEO) O método da Otimização Extrema (EO Extremal Optimization), proposto por (Boettcher e Percus, 2001) foi desenvolvido para mostrar evidências da presença de Criticalidade Auto-Organizada (Self-Organized Criticality - SOC) em ecossistemas naturais (Bak e Sneppen, 1993). Para mostrar que a teoria de SOC poderia explicar características observáveis em ecossistemas naturais, (Bak e Sneppen, 1993) desenvolveram um modelo simplificado de um ecossistema onde espécies são colocadas lado a lado sobre uma linha com condições de contorno periódicas, como apresentado na Figura 1. Figura 1 Distribuição das espécies no modelo evolutivo. Na população, a vizinhança de cada espécie é composta pelas duas espécies que a margeiam, e a condição de contorno periódica implica que E 1 é vizinha de E n. Para cada espécie é atribuído aleatoriamente, com distribuição uniforme, um índice de adaptabilidade no intervalo [0,1]. A espécie menos adaptada, aquela que tiver o menor índice de adaptabilidade, é então forçada a sofrer uma mutação, ou seja, um novo índice de adaptabilidade é atribuído à mesma, também de forma aleatória. A mudança no índice de adaptabilidade da espécie menos adaptada significa para suas vizinhas que estas terão que se adaptar a um novo competidor local e assim estas também são forçadas a sofrer mutação, mesmo que seus índices de adaptabilidade sejam altos. Após algumas iterações, a população evolui para um estado crítico onde todas as espécies apresentam um índice de adaptabilidade acima de um dado valor, denominado valor crítico. A partir deste momento, a dinâmica do sistema faz com que, eventualmente, o índice de adaptabilidade de uma quantidade de espécies caia para valores abaixo do patamar crítico, em forma de avalanches que podem atingir todas as espécies (Galski, 2006). De forma a aumentar o desempenho do algoritmo original, (Bak e Sneppen, 1993) introduziram um parâmetro ajustável no método, que permite ao mesmo evitar convergência para mínimos locais. Esta implementação foi denominada τ-eo. O método da EO foi criado com o intuito de ser uma metaheurística que pudesse ser aplicada a uma grande classe de problemas. Todavia, a maneira como ele é implementado para um dado problema é específica ao mesmo e uma maneira geral de tratar a classificação das variáveis do problema que serão alteradas ao longo de uma busca pelo ótimo pode se mostrar ambígua, ou mesmo impossível (Boettcher e Percus, 2001). Para resolver esse problema, (De Sousa, 2002) propôs um algoritmo que generaliza o método da otimização extrema, denominado de Otimização Extrema Generalizada. Esse método
4 possibilita a implementação do EO independente do tipo de problema atacado, pois parte do pressuposto de que a probabilidade da variável selecionada sofrer mutação é dada pela Equação 1. onde P é a probabilidade, k é o índice de adaptabilidade, e τ é o parâmetro ajustável (positivo). O parâmetro τ pode variar de 0 a, sendo que para τ 0, o algoritmo torna a busca pelo ótimo totalmente aleatória, onde todas as variáveis tem a mesma probabilidade de serem escolhidas para sofrer mutação, e para τ, a variável menos adaptada é sempre a escolhida para sofrer mutação. O método GEO diferencia-se do método EO pelo fato de que sua implementação é independente do tipo de problema abordado e variáveis associadas. É um algoritmo voltado preferencialmente para atacar problemas de otimização com um espaço de busca complexo, não convexo, disjunto, com múltiplos mínimos e não linearidade na funçãoobjetivo e nas restrições. Pode ser aplicado a problemas com qualquer tipo de variável, sejam elas contínuas, inteiras ou discretas (De Sousa, 2002). 3 METODOLOGIA O despacho econômico é o estudo da alocação ótima de uma demanda entre as unidades geradoras com o objetivo de minimizar o custo de produção de energia elétrica por meio da otimização da distribuição da produção entre os geradores e da utilização eficiente dos recursos energéticos. O objetivo do problema de despacho econômico de energia, cujas características são complexas e não lineares, é alocar a cada uma das unidades geradoras a quantidade de energia a ser produzida de forma que se tenham os custos de operação reduzidos, respeitando restrições de igualdade e desigualdade. Assim, o problema do DO pode ser modelado como: sujeito a: (1) (2) (3) (4) onde é o número de unidades geradoras; é o custo total de produção; C i é o custo de produção do gerador i;,, e são os coeficientes da função custo do gerador ; é a demanda total; é a potência de saída para cada unidade ; e são, respectivamente, os limites mínimo e máximo de operação da unidade. Para a aplicação da metaheurística GEO foi utilizado o algoritmo GEO real que segue a mesma filosofia do GEO binário, sendo que a principal diferença é que nesse caso, as variáveis são codificadas com números reais e não com bits (Moreira, 2009). A mutação neste caso é efetuada gerando uma perturbação aleatória com distribuição normal de média nula e desvio padrão a ser escolhido como um novo parâmetro livre do algoritmo. O algoritmo GEO real é descrito pelos seguintes passos adaptados de (Lopes, 2008), sendo que, neste artigo, o termo população representa um conjunto de N espécies.
5 1. Inicialize aleatoriamente uma população de N espécies, onde cada espécie é representada por uma variável, sendo a população representada por um vetor ; 2. Calcule o valor da função objetivo da população atual obtida no passo (1) e faça = e ; 3. Mude o valor de cada variável usando a equação (5) e armazene o valor de em uma nova população (a qual é igual ao vetor, com substituído por ), gerando N novas populações; onde é um parâmetro da GEO denominado amplitude de mutação e é um número aleatório com distribuição gaussiana de média zero e desvio padrão unitário; 4. Calcule a adaptabilidade (valor da função objetivo) para cada uma das N populações geradas pela mudança de. Se for menor do que faça e ; 5. Ordene os pares (i, ) de acordo com a adaptabilidade, e atribua um rank k, onde a população com menor, a mais adaptada, assume k = 1 e a população com maior, a menos adaptada, recebe k = N; 6. Selecione com probabilidade uniforme uma das N populações obtidas no passo (3); 7. Sorteie um número aleatório distribuído uniformemente, se este número for menor que, substitua a população pela população selecionada no passo (6). Caso contrário, retorne ao passo (6); 8. Se o critério de parada for atingido, imprima a melhor solução obtida,, e a sua adaptabilidade,. Caso contrário, retorne ao passo (3). 4 RESULTADOS A metaheurística GEO foi utilizada para definir a alocação ótima de geração. O despacho ótimo teve como objetivo a busca pela solução de mínimo custo global, o qual é composto pela soma dos custos de cada unidade geradora. O algoritmo foi aplicado a um sistema teste (ver Figura 2) de barra única composto por 5 geradores (Miranda, 2004). A Tabela 1 apresenta, respectivamente, os termos constante, linear, quadrático e cúbico das curvas de custo, a potência mínima e a potência máxima de cada gerador. Percebe-se que a capacidade máxima total do sistema é 50 MW, ficando 6 MW acima da demanda, que atinge 44 MW. Os resultados obtidos foram validados por meio da aplicação das metaheurísticas Estratégia de Evolução e Busca Tabu ao mesmo sistema. Tabela 1 Dados dos geradores. (5) Figura 2 Sistema teste. Gerador a b c d P min P max G1 1 0,5 0,10 0, G2 2 0,4 0,20 0, G3 4 0,3 0,30 0, G4 6 1,5 0,15 0, G5 0 4,0 0,00 0,
6 Os algoritmos GEO, ES e TS foram implementados na plataforma Matlab 7.5, sendo utilizado um computador Dual Core 2.2 GHz com 2 GB de RAM. Para verificar a robustez das soluções obtidas, cada análise corresponde a 100 execuções do algoritmo. Primeiramente, foi realizado um estudo de sensibilidade dos principais parâmetros da GEO. As Figuras 3 e 4 apresentam uma avaliação da sensibilidade da GEO em relação aos parâmetros τ e, respectivamente. São utilizados, individualmente ou em conjunto os valores 0,1; 1 e 10 para o parâmetro. desvio padrão médio (%) n médio de iterações τ τ Figura 3 Sensibilidade do parâmetro τ, fixando σ=1. 5,00 4,00 3,00 2,00 1,00 0,00 desvio padrão médio (%) 4,1 0,0 0,0 0,0 0,0 0,0 0, n médio de iterações σ σ Figura 4 Sensibilidade do parâmetro σ, fixando τ =5. A Tabela 2 apresenta, para cada uma das metaheurísticas implementadas, a melhor solução obtida para o sistema teste, a solução média, o desvio padrão e o tempo computacional médio. O despacho de geração da melhor solução é apresentado em detalhes na Tabela 3. Técnica Tabela 2 Resultado das simulações para o sistema teste. Melhor Solução ($/h) Solução média ($/h) Desvio padrão do custo ($/h) Tempo médio (s) GEO 141, , , ,031 ES 141, , , ,028 TS 141, , , ,382
7 Tabela 3 - Despacho de geração para a melhor solução. Gerador G1 G2 G3 G4 G5 Total Geração(MW) 6, , , , , ,0000 Custo($/h) 14, , , , , , DISCUSSÃO Uma grande preocupação ao se trabalhar com métodos de otimização baseados em metaheurísticas é a sua sensibilidade aos parâmetros, pois tais métodos necessitam de ajustes para cada problema proposto. Assim o estudo da sensibilidade do algoritmo em relação a seus parâmetros é de grande importância na implementação de uma nova metaheurística. Apenas dois parâmetros são importantes no ajuste da GEO: o índice de adaptação (τ) e a amplitude da mutação ( ). O aumento de τ determina o quão determinística (i.e. orientada pela adaptação das variáveis ou espécies) será a busca. Para o problema de despacho ótimo estudado, com funções de custo de geração polinomiais, contínuas, o parâmetro τ pode ser escolhido acima de um valor limite em que as soluções se estabilizam. Conforme apresentado na Figura 3, um valor de satisfaz tal premissa. No entanto, não se pode escolher um valor muito elevado para o parâmetro, pois deixaria o algoritmo com dificuldade para escapar de ótimos locais. Em relação ao parâmetro, percebe-se que um valor muito baixo (e.g. 0,1%) de amplitude de mutação atrasa o processo de busca, fazendo com que o algoritmo atinja o número máximo de iterações e apresente um alto desvio padrão (4,1%). Para valores de entre 1% e 10%, foi possível soluções com desvio padrão nulo. No entanto, à medida que aumenta, nota-se uma dificuldade em pesquisar a vizinhança das melhores soluções, aumentando assim o número de iterações. Uma estratégia que produziu bons resultados foi duplicar ou triplicar o número de novas soluções, aplicando mutação com duas ou três diferentes amplitudes. Isto é confirmado através dos resultados apresentados na Figura 4. 6 CONCLUSÕES O despacho ótimo é uma linha de pesquisa interessada em determinar a alocação ótima da demanda entre as unidades geradoras, tal que satisfaça a carga e os limites operacionais dos geradores, com um custo mínimo. A metaheurística GEO se mostrou satisfatória para a solução do despacho econômico não-linear, com funções de custo polinomiais, continuas. Pode ser utilizada para outros problemas de mesma natureza sem a necessidade de ajustes nos parâmetros. Além disso, o algoritmo não utiliza informação de derivadas da função objetivo ou das restrições. Embora possa ser aplicado a praticamente qualquer tipo de problema, ele destina-se a problemas onde o uso de métodos tradicionais não seja adequado. Pelos resultados apresentados ao longo deste trabalho, pode-se afirmar que o algoritmo da otimização extrema generalizada pode se tornar uma ferramenta importante na solução de problemas de otimização. Uma característica da GEO que a torna bastante atraente é sua facilidade de implementação, independente do tipo de problema. Deve-se deixar claro, entretanto, que não existe um método de otimização comprovadamente melhor do que os outros. Não foi objetivo deste trabalho apresentar a GEO como uma metaheurística
8 superior às demais, porém buscou-se avaliar a sua aplicação a problemas inteiros nãoconvexos, como é caso do despacho ótimo da geração de energia elétrica. Agradecimentos Os autores agradecem à FAPEMIG, à CAPES, ao CNPq e ao INERGE pelo apoio recebido. 7 BIBLIOGRAFIA Bak, P. e Sneppen, K., Punctuated equilibrium and criticality in a simple model of evolution. Physical Review Letters, pp Boettcher, S. e Percus, A., Optimization with Extremal Dynamics. Physical Review Letters, pp Christie, R., Wollenberg, B. e Wangensteen, I., Transmission management in the desregulated environment. In Proceedings of the IEEE., Coelho, L. e Mariani, V., Otimização de Despacho Econômico com Ponto de Válvula Usando Estratégia Evolutiva e Método de Quase-Newton. Revista da Sociedade Brasileira de Redes Neurais, Vol. 4(1), pp De Sousa, F.L., Otimização Extrema Generalizada: Um Novo Algoritmo Estocástico para o Projeto Ótimo. Tese de Doutorado. São José dos Campos: INPE. Galski, R.L., Desenvolvimento de Versões Aprimoradas Híbridas Paralela e Multiobjetivo do Método da Otimização Extrema Generalizada e sua Aplicação no Projeto de Sistemas Espaciais. Tese de Doutorado. São José dos Campos: INPE. Glover, F., Tabu Search Part I ORSA Journal on Computing, Vol. 1(3), pp Herdy, M., Reprodutive Isolation as Strategy Parameter in Hierarchically Organized Evolution Strategies. In Parallel Problem Solving from Nature 2. Amsterdam, Lopes, I.M.L., Controle de Atitude de Satélites Rígido-Flexíveis usando a Otimização Extrema Generalizada com Abordagem Multi-Objetivo. p.120. Miranda, V., Computação Evolucionária Fenotípica Versão 1.0. Moreira, C.J.A., Identificação de Estrelas para Determinação de Atitude de Veículos Espaciais Utilizando o Algoritmo da Otimização Extrema Generalizada. Dissertação de Mestrado. São José dos Campos: INPE. Ostermeier, A., An Evolution Strategy with Momentum Adaptation of the Random Number Distribution. In Parallel Problem Solving from Nature 2. Amsterdam, Schwefel, H.P., Evolution and Optimum Seeking. In Sixth Generation Computer Techonology Series. New York, Sousa, V., Baptista, E. e Costa, G., A Resolução do Problema de Despacho Ótimo de Reativos pelo Método da Função Lagrangiana-barreira Realaxada. Pesquisa Operacional, Vol. 28( 2), pp Walters, D.C. e Sheble, G.B., Genectic Algorithm Solution of Economic Dispatch With Valve Point Loading. IEEE Transactions on Power System, Vol. 8, No. 3, p.8. Wong, K.P. e Fung, C.C., Simulated Annealing Based Economic Dispatch Algoritm. IEE Proceedings- C, Vol. 140, No. 6, p.7. Wood, A.J. e Wollenberg, B.F., Power Generation, Operation and Control. 2nd ed. Willey - Interscience. 8 DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho.
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
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisFabiano Luis de Sousa Coordenação de Planejamento Estratégico e Avaliação - CPA Instituto Nacional de Pesquisas Espaciais
Otimização Extrema Generalizada Conceito e Aplicações Fabiano Luis de Sousa Coordenação de Planejamento Estratégico e Avaliação - CPA Instituto Nacional de Pesquisas Espaciais 3945 7102 fabiano@dir.inpe.br
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisEVOLUÇÃO DIFERENCIAL APLICADA AO PROBLEMA DO DESPACHO ECONÔMICO ROBUSTO DE ENERGIA ELÉTRICA
EVOLUÇÃO DIFERENCIAL APLICADA AO PROBLEMA DO DESPACHO ECONÔMICO ROBUSTO DE ENERGIA ELÉTRICA Samuel José Jardim da Silva Universidade Federal de Viçosa - Campus Florestal Rodovia LMG 818, km 6, 35690-000
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia maisINTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias
Leia mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisUm Estudo para o Aprimoramento do Método da Otimização Extrema Generalizada
Um Estudo para o Aprimoramento do Método da Otimização Extrema Generalizada Roberto Luiz Galski, Fabiano Luis de Sousa, Fernando Manuel Ramos e Issamu Muraoka Instituto Nacional de Pesquisas Espaciais
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisAprimorando o Corte Peças com Forma Irregular em Chapas Retangulares
Aprimorando o Corte Peças com Forma Irregular em Chapas Retangulares Leandro Resende Mundim, leandroresendemundim@gmail.com Thiago Alves de Queiroz, th.al.qz@catalao.ufg.br Resumo: Esta pesquisa lida com
Leia maisPalestra COPPE Elétrica. Dezembro de 2010
Palestra COPPE Elétrica Dezembro de 2010 Aplicações de Computação Evolutiva e Otimização Multi-objetivo em Sistemas Elétricos de Potência Oriane Magela Neto Depto. De Engenharia Elétrica da UFMG Sistemas
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisMÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO
30 CAPÍTULO 3 MÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO 3.1 CONCEITOS BÁSICOS O problema matemático de otimização multiobjetivo consiste na obtenção de um conjunto de variáveis (solução) que satisfaça algumas
Leia maisDespacho Econômico com Zonas de Operação Proibidas através de Otimização Bioinspirada
Despacho Econômico com Zonas de Operação Proibidas através de Otimização Bioinspirada Ezequiel S. Oliveira, Ivo C. Silva Junior, Leonardo W. Oliveira, Bruno H. Dias, Manuela Filgueiras Universidade Federal
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisMinicurso Inteligência Artificial Aplicada a Sistemas Elétricos. Niterói, 12 de Maio de 2018
Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos Niterói, 12 de Maio de 2018 Realização 2 Realização 3 Programação: manhã 9:30h-10:30H VISÃO GERAL: OTIMIZAÇÃO E INTELIGÊNCIA COMPUTACIONAL
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisEstratégias Evolucionárias (Evolution Strategies - ES) Disciplina: Inteligência Artificial
Estratégias Evolucionárias (Evolution Strategies - ES) Disciplina: Inteligência Artificial UFPR: Departamento de Informática. Aula de Leila e Aurora. Data: 23/05/2005 ES: pertence à Computação Evolucionária
Leia maisPEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisIII Seminário da Pós-graduação em Engenharia Elétrica
UM MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES APLICADO AO PROBLEMA DE DESPACHO ECONÔMICO COM PONTO DE VÁLVULA Diego Nunes da Silva Aluno do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Prof.
Leia maisOTIMIZAÇÃO BIOINSPIRADA COM APLICAÇÕES NO SETOR ELÉTRICO
UNIVERSIDADE FEDERAL DE JUIZ DE FORA FACULDADE DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA - PPEE OTIMIZAÇÃO BIOINSPIRADA COM APLICAÇÕES NO SETOR ELÉTRICO Prof. Ivo Chaves da Silva Junior
Leia mais3 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
Leia maisAPLICAÇÃO DO MÉTODO DE NEWTON-RHAPSON PARA RESOLVER PROBLEMA DE DESPACHO ECONÔMICO ENVOLVENDO GERAÇÃO TÉRMICA DE ENERGIA ELÉTRICA
APLICAÇÃO DO MÉTODO DE NEWTON-RHAPSON PARA RESOLVER PROBLEMA DE DESPACHO ECONÔMICO ENVOLVENDO GERAÇÃO TÉRMICA DE ENERGIA ELÉTRICA Edgar Della Giustina (Faculdade de Tecnologia SENAI CIC ) edg23@hotmail.com
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisTópicos em Métodos Heurísticos META-HEURÍSTICAS
Tópicos em Métodos Heurísticos META-HEURÍSTICAS MÉTODOS HEURÍSTICOS QUE PERMITEM A CONTINUIDADE DAS EXPLORAÇÕES ALÉM DA OTIMALIDADE LOCAL, EM PARTICULAR, SUPERPONDO-SE A HEURÍSTICAS DE BUSCA LOCAL I) SIMULATED
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia mais3 Trabalhos Relacionados
3 Trabalhos Relacionados Este capítulo apresenta, em linhas gerais, dois trabalhos relacionados que contribuíram de alguma forma para a concepção e desenvolvimento do método de verificação de sistemas
Leia maisAprendizado 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
Leia maisTópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
Leia maisOtimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisII Seminário da Pós-graduação em Engenharia Elétrica
UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisComputação Evolucionária: Conceitos Básicos de Otimização
Computação Evolucionária: Conceitos Básicos de Otimização Prof. Dr. Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br Otimização Min ou Max Sujeito a Otimização Função objetivo A qual se quer
Leia maisAPLICAÇÃO DO MÉTODO DE NEWTON-RHAPSON PARA RESOLVER PROBLEMA DE DESPACHO ECONÔMICO ENVOLVENDO GERAÇÃO TÉRMICA DE ENERGIA ELÉTRICA
APLICAÇÃO DO MÉTODO DE NEWTON-RHAPSON PARA RESOLVER PROBLEMA DE DESPACHO ECONÔMICO ENVOLVENDO GERAÇÃO TÉRMICA DE ENERGIA ELÉTRICA Edgar Della Giustina (1) (edg23@hotmail.com), Fabio da Silva Avelar (2)
Leia maisPREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1
PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1 Rita Salete Kusiak 2, Douglas Joziel Bitencourt Freitas 3, Airam Tereza Zago Romcy Sausen 4, Paulo Sérgio
Leia maisUm Algoritmo Cultural para o Problema do Despacho Econômico e Ambiental
Um Algoritmo Cultural para o Problema do Despacho Econômico e Ambiental Nátalli Macedo Rodrigues 1, Carolina Paula de Almeida 1,2, Richard A. Gonçalves 1,2 1 Departamento de Ciência da Computação Universidade
Leia mais2.1 Dados Experimentais e Método para Estimação dos Parâmetros
ANÁLISE COMPARATIVA DE MODELOS ANALÍTICOS CONSIDERANDO DESCARGAS CONSTANTES PARA PREDIÇÃO DO TEMPO DE VIDA DE DISPOSITIVOS MÓVEIS 1 Julia Giehl Zart 2, Livia Bittencourt Gomes 3, Douglas Joziel Bitencourt
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES UTILIZANDO A META- HEURÍSTICA COLÔNIA DE FORMIGAS
ALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES UTILIZANDO A META- HEURÍSTICA COLÔNIA DE FORMIGAS Luís Miguel Magalhães Torres 1, Helton Nascimento Alves 2 1Aluno do Curso de Engenharia Elétrica Industrial IFMA.
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisIF-705 Automação Inteligente Algoritmos Evolucionários
IF-705 Automação Inteligente Algoritmos Evolucionários Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisPSO Particle Swarm Optimization ou Otimização por enxame de partículas Introdução Inspiração Funcionamento Parametrização
Manoela Kohler PSO Particle Swarm Optimization ou Otimização por enxame de partículas Introdução Inspiração Funcionamento Parametrização Variantes de PSO Aplicações PSO+: algoritmo baseado em enxame de
Leia mais3 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
Leia maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia maisFluxo de Potência Ótimo
Fluxo de Potência Ótimo Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ Parte 1 Abril 2008 1 / 26 Definição O Fluxo de Potência Ótimo (FPO) tem como objetivo a otimização da condição estática
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisPCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia mais2 Algoritmos Genéticos Heurística Premissa: Localidade Fraca Conclusões Estrutura de um Algoritmo Genético 26
v Sumário Prefácio x 1 Introdução 1 1. Otimização 1 2. Heurística 8 3. Computação Evolutiva 13 4. Premissa: Localidade Fraca 16 5. Conclusões 20 I Métodos Bio-Inspirados 2 Algoritmos Genéticos 25 1. A
Leia maisAPLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O
APLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O João Carlos Zayatz Universidade Estadual de Maringá jcarloszay@gmail.com Gislaine Camila Lapasini Leal Universidade Estadual de Maringá gclleal@uem.br
Leia maisAlgoritmos 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
Leia maisInteligência 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
Leia maisIterated Local Search. Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE
I Iterated Local Search Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE Idéias Metaheurística deve ser simples, eficiente e mais genérica possível. Problema específico deve ser incorporado à metaheurística.
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia maisMétodo q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
Leia maisMarcone 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
Leia maisAlgoritmos Evolutivos para Otimização Dinâmica. Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira
Algoritmos Evolutivos para Otimização Dinâmica Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira 1 Sumário Introdução Problemas de otimização dinâmica (POD) Definição Exemplos
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia maisEvolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório
https://eventos.utfpr.edu.br//sicite/sicite2017/index Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório RESUMO Iolanda Ortiz Bernardes ibernardes@alunos.utfpr.edu.br Estudante
Leia maisOptimização Não-linear
Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisUniversidade Federal de Juiz de Fora Programa de Pós-Graduação em Engenharia Elétrica Mestrado em Engenharia Elétrica. Raphael Paulo Braga Poubel
Universidade Federal de Juiz de Fora Programa de Pós-Graduação em Engenharia Elétrica Mestrado em Engenharia Elétrica Raphael Paulo Braga Poubel PLANEJAMENTO DINÂMICO DA EXPANSÃO DE SISTEMAS DE TRANSMISSÃO
Leia maisPesquisa 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
Leia maisMétodos modernos de pesquisa e Optimização
Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisTÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA 1. Técnicas Inteligentes Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ A expressão Técnicas Inteligentes é utilizada neste
Leia maisRelatório de pesquisa sobre o procedimento de otimização de modelos no Activate
Relatório de pesquisa sobre o procedimento de otimização de modelos no Activate 1 Introdução Esse trabalho tem por objetivo apresentar o bloco de otimização BobyqaOpt, suas funcionalidades, parâmetros
Leia maisInteligência de enxame e o algoritmo das abelhas
Inteligência de enxame e o algoritmo das abelhas (Swarm intelligence and bee s algorithm) Glaucus Augustus, 6219168 O que é: Cooperação: é o processo de agir junto, em união(ex: grupo de tcc) Colaboração:
Leia maisCAPÍTULO 2 Visão Geral da Abordagem de Modelagem da Pesquisa Operacional 7
SUMÁRIO CAPÍTULO 1 Introdução 1 1.1 A origem da pesquisa operacional 1 1.2 A natureza da pesquisa operacional 2 1.3 O impacto da pesquisa operacional 3 1.4 Algoritmos e/ou courseware 3 Referências selecionadas
Leia maisOtimização por Colônia de Formigas (ACO)
Otimização por Colônia de Formigas (ACO) Inspiração Biológica Proposto por Dorigo e Gambardella em 1997 ACO (Ant Colony Optimization) Principal aplicação no PCV Programação do algoritmo Inspiração Biológica
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisUN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO
UN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO Sandro Rodrigues Mazorche Universidade Federal de Juiz de Fora - UFJF, Dep. de Matemática - ICE, Campus Universitário - CEP 36036-330
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro
Leia mais