Codificação Nó-Profundidade com Operador de Recombinação para Algoritmos Evolutivos
|
|
- Marco Emanuel Vilarinho
- 5 Há anos
- Visualizações:
Transcrição
1 Codificação Nó-Profundidade com Operador de Recombinação para Algoritmos Evolutivos Giampaolo Luiz Libralão, Alexandre Cláudio Botazzo Delbem Instituto de Ciências Matemáticas e Computação. Universidade de São Paulo (USP). Av. Trabalhador São-carlense, São Carlos, São Paulo, Brasil. giam@icmc.usp.br, acbd@icmc.usp.br Resumo O problema de modificação de grafos (PMGs) envolve diversas áreas de aplicação e pesquisa, principalmente na Engenharia e Computação. Várias abordagens alternativas têm sido propostas para lidar com a complexidade intrínseca a estes problemas, que são, em geral, NP-difíceis. Dentre essas alternativas, os Algoritmos Evolutivos (AEs) têm se destacado. Os AEs com melhor desempenho para PMGs possuem estruturas de dados (codificações) especiais para manipulação de grafos. Nas recentes pesquisas sobre PMGs, uma representação relativamente nova denominada codificação nó-profundidade (CNP) tem se mostrado promissora. Em geral, operadores de recombinação aumentam o desempenho dos AEs. Nesse sentido, esse artigo propõe um operador de recombinação para a CNP. O AE utilizando os operadores existentes e o proposto é avaliado para o dc- MST. Abstract Graph modifying problems (GMPs) are present in many application and research areas, mainly in engineering and computation. Lots of alternative approaches have been proposed to deal with the intrinsic complexity existent in these problems, which are, in general, NP-Hard, in which the Evolutionary Algorithms (EAs) had shown to be very promising. Best EAs for GMPs have special data structures (or encodings) to manipulate graphs. In recent researches about GMPs, a relatively new encoding called Node-Depth Encoding (NDE) has presented satisfactory results. In general, recombination operators are able to increase the performance of EAs for GMPs. In this sense, that article proposes a recombination operator for NDE. EA using the existent operators and the proposed one is evaluated for the dc-mst problem. V ENIA 514
2 1. Introdução As pesquisas sobre Teoria de Grafos têm enfocado o estudo de estruturas de grafos supondo que esses são estáticos. No entanto, uma grande variedade de problemas envolve grafos que mudam com o tempo, que foram classificados como grafos dinâmicos [Harary & Gupta 1997]. Esses grafos aparecem em diversas áreas da ciência, especialmente em Ciência da Computação e Engenharia. Problemas clássicos de grafos [Goodaire & Parmenter 1998] como os de árvore geradora mínima, ou Minimum Spanning Tree (MST); de caminho mínimo, ou Shortest Path (SP); e o do caixeiro viajante, ou Traveling Salesman (TS) podem, por exemplo, estar presentes em um Problema de Modificação de Grafos (PMG). Muitos desses problemas modelados por grafos não são exatamente iguais, mas similares aos problemas clássicos e estão presentes no mundo real, sendo necessário, portanto, encontrar soluções adequadas para os mesmos. Nesse sentido, técnicas alternativas começaram a ser investigadas como os algoritmos de buscas em Inteligência Artificial. Essas alternativas, em geral, não garantem soluções ótimas, podendo retornar uma solução próxima da ótima, ou mesmo possivelmente próxima. Devido a essa característica, essas técnicas são chamadas também de Algoritmos de Aproximação ou Probabilísticos [Sipser 1997]. O número de trabalhos utilizando uma classe de algoritmos considerados de aproximação e também probabilísticos, os Algoritmos Evolutivos (AEs) [Eiben & Rudolph 1999] [Heitkoetter & Beasley 2002], têm crescido recentemente. Essas abordagens evolutivas apresentam resultados relevantes quando comparados às demais metodologias empregadas, incentivando novas pesquisas que buscam aumentar o desempenho dos AEs para PMGs. Dentre essas, pode-se destacar [Abuali et. al. 1995], [Gen & Cheng 1997], [Klein & Subramanian 1998], [Gen et. al. 1999], [Knowles & Corne 2000], [Chou et. al. 2001], [Delbem 2003], [Delbem et. al. 2004], dentre outros. Um dos problemas que ocorre com PMGs é que, apesar dos resultados encorajadores dos AEs, para árvores envolvendo um grande número de nós ou arestas, os tempos computacionais requisitados em geral não são aceitáveis. Uma das questões principais que afeta a eficiência computacional dos AEs em PMGs é a codificação dos grafos na forma de cromossomo (sua estrutura de dados). Esse trabalho propõe melhorias para a codificação nó-profundidade (CNP), que tem apresentado resultados relevantes [Delbem et. al. 2004]. Neste sentido, é proposto um operador de recombinação (OR) para AEs baseados na CNP aplicados a PMGs. A próxima seção apresenta uma introdução sobre AEs. A Seção 3 introduz a CNP. A Seção 4 propõe o operador de recombinação (OR) para CNP. A Seção 5 discute os testes realizados e resultados obtidos. A Seção 6 apresenta considerações finais sobre a proposta. 2. Algoritmos Evolutivos Os AEs são procedimentos baseados na Teoria de Evolução das Espécies [Eiben & Rudolph 1999]. Esses são algoritmos de busca baseados em mecanismos de seleção natural e reprodução dos indivíduos segundo o processo de evolução Neo-Darwinista. De acordo com essa teoria, os mais aptos sobrevivem, podendo passar suas V ENIA 515
3 características para a nova geração. Características novas podem aparecer entre os indivíduos por meio de modificações aleatórias de suas características durante o processo de reprodução. Isso produz diversidade na população (conjunto de indivíduos). Os processos de geração de diversidade, combinação de características e seleção dos mais aptos são a base da Teoria da Evolução Neo-Darwinista. Os AEs buscam simular em computador esses processos de modo a obter a evolução de soluções para um problema em direção à solução ótima. Um AE deve ter basicamente as seguintes características: cada solução do problema é tratada como um indivíduo de uma população (conjunto de possíveis soluções). Baseado em algum critério, alguns indivíduos da população são selecionados. A partir desses indivíduos, novos indivíduos com alterações são criados (esse processo é chamado de reprodução). Os novos indivíduos são avaliados de acordo com um critério. Esses indivíduos podem ser incluídos na população dependendo dos resultados da sua avaliação. Alguns indivíduos velhos podem ser removidos da população. O processo de criar indivíduos e alterar a população é repetido um número arbitrário de vezes. Por fim, supõe-se que a última população possui indivíduos melhorados (as melhores soluções para o problema). Embora não se possa garantir que as soluções finais obtidas sejam ótimas, esse tipo de metodologia tem mostrado resultados relevantes para problemas de otimização que envolvem funções-objetivo não lineares (ou até mesmo descontínuas), bem como problemas combinatoriais. 3. Codificação Nó-Profundidade Os AEs que utilizam as formas de codificação convencionais produzem muitos componentes não-conectados ou grafos cíclicos quando aplicados a grandes sistemas. Conseqüentemente, esses algoritmos requerem grande tempo de computação, reduzindo a eficiência e a convergência do AE. Buscando resolver os problemas existentes nas codificações convencionais, outras representações de árvores para PMGs têm sido propostas [Abuali et. al. 1995], [Carvalho et. al. 2001], [Rothlauf et. al. 2002], [Raidl & Julstrom 2003]. Apesar dos resultados relevantes obtidos por tais codificações, o desempenho dos AEs baseados nessas representações ainda são insatisfatórios para grafos de tamanho elevado. Buscando reduzir esta dificuldade, foi desenvolvida uma codificação capaz de produzir apenas componentes conectados e grafos acíclicos, permitindo aumentar o desempenho de AEs para PMGs. Esta codificação é denominada CNP [Delbem 2003]. É importante observar também que esta codificação produz florestas geradoras enquanto as convencionais produzem árvores geradoras. A codificação das florestas permite lidar com uma variedade maior de grafos. Deve-se observar também que a CNP não está restrita a grafos com características especiais, podendo ser utilizada para problemas envolvendo grafos euclidianos ou randômicos, completos ou esparsos, dentre outros [Delbem 2003]. A CNP é baseada no conceito da profundidade de um nó em uma árvore construída a partir de um grafo e consiste, basicamente, em uma lista linear contendo os nós da árvore e suas respectivas profundidades, criando um array de pares [nó; profundidade]. A ordem em que esses pares são dispostos na lista linear é muito V ENIA 516
4 importante. Uma busca em profundidade [Cormen 1997] em uma árvore geradora do grafo é capaz de produzir a ordenação correta exigida pela lista linear utilizada. A Figura 3.1 apresenta um grafo e sua codificação correspondente utilizando a CNP. Na parte (a) é apresentado o grafo e sua árvore geradora, na parte (b) tem-se a lista linear que representa a CNP. A união das codificações de cada uma das árvores que compõem a floresta em análise gera a codificação da floresta completa. Para produzir novas florestas geradoras utilizando a CNP, são utilizados dois operadores de reprodução desenvolvidos em [Delbem 2003; Delbem et. al. 2004], conhecidos como operador 1 e operador 2. Esses operadores produzem uma floresta geradora F a partir de um grafo G quando aplicados à outra floresta geradora F de G. Os resultados produzidos pela aplicação de quaisquer dos operadores citados é similar. O operador 1 é capaz de produzir modificações pequenas e simples na floresta, ao passo que o operador 2 é capaz de gerar grandes e complexas modificações [Delbem 2003]. (a) (b) Figura 3.1: (a) Exemplo de grafo e árvore geradora representada pelas arestas em destaque. (b) CNP da árvore apresentada em (a). 4. Operador de Recombinação Com os operadores 1 e 2 propostos em [Delbem 2003], conseguiu-se um algoritmo relativamente rápido para a modificação de florestas. Para obter esse algoritmo, utilizou-se a CNP. Os operadores da CNP conseguem eficientemente produzir uma nova floresta a partir de uma floresta original. Porém, esses operadores não são capazes de trocar partes de duas florestas (mães) para gerar outras duas florestas (filhas). Esse processo de geração de florestas filhas denomina-se recombinação. Em geral, AEs com operadores de recombinação possuem desempenho superior a AEs sem tal operador. Assim, o desenvolvimento de um operador de recombinação (OR) busca aumentar o desempenho dos AEs para PMGs baseados na CNP. Nesse trabalho, foi desenvolvido um OR que utiliza informações sobre as arestas de um grafo e é capaz de trocar partes de duas florestas diferentes, gerando duas novas florestas, desde que estas V ENIA 517
5 apresentem a mesma quantidade de nós. O OR desenvolvido funciona de acordo com a descrição a seguir: Sejam duas florestas F 1 e F 2 com mesma quantidade de nós então: Copie os nós da primeira floresta e represente uma nova floresta F 1, esta representará o novo indivíduo gerado; Copie as arestas da floresta F 2 para a nova floresta F 1 ; Faça análises para verificar que o novo indivíduo é factível. As regras a seguir apresentam como o OR desenvolvido produz novas soluções para o problema estudado: Copie os nós da floresta F 1, mantendo a lista linear de profundidades existente na CNP, para uma nova estrutura que representa a nova floresta gerada F 1 ; Copie, da floresta F 2, a lista linear de profundidades que a representa; Percorrer a lista linear de profundidades da floresta F 2 em ordem ascendente. Para cada nível de profundidade faça: Retirar, dentre o conjunto de nós do array que possuem a mesma profundidade, o primeiro nó existente; Verificar, de acordo com a lista linear de profundidades existente, se o nó retirado dessa lista possui adjacência com algum nó de profundidade menor (nó pai), ou se viola alguma restrição do problema analisado; Se não existir adjacência ou violação de restrições, substitua a profundidade desse nó por (profundidade-1) e volte ao passo 1; Caso exista adjacência e não viole restrições, insira o nó na nova floresta F 1 na posição atual (correspondente à profundidade do mesmo). Isso garantirá que a nova floresta gerada F 1 seja válida. Como pode ser observado, o OR trabalha sempre com duas florestas para gerar novos indivíduos ou soluções para o problema estudado. Desta forma, faz-se necessária a existência de mais de uma floresta inicial para que o OR possa ser utilizado na representação. Para isso, utiliza-se um algoritmo de Prim para gerar, a partir de um grafo inicial, formado por arestas com pesos aleatórios, um conjunto de florestas que compõem a população inicial de indivíduos do AE com CNP utilizando o novo OR. Na Figura 4.1 é apresentado um exemplo da aplicação do novo OR desenvolvido, à esquerda são apresentadas as florestas F 1 e F 2 que serão alteradas pelo OR. À direita tem-se a nova floresta F 1 produzida por esse operador. V ENIA 518
6 Figura 4.1: À esquerda são apresentadas duas florestas F1 e F2, que serão manipuladas pelo OR. À direita tem-se a floresta F1, resultante da aplicação do OR desenvolvido. 5. Testes Os testes realizados de modo a avaliar o desempenho do novo OR desenvolvido foram aplicados para o problema de árvore geradora mínima com restrição de grau (dc- MST, do inglês minimum spanning tree with degree constraint) [Knowles & Korne 2000]. Seja G(V,E) um grafo com pesos e conexo, em que V={v 1,v 2,...,v n } é o conjunto de nós de G e E={e 1,e 2,...,e n } é o conjunto de arestas de G e seja W={w 1,w 2,...,w n } a representação do peso ou custo associado a cada aresta de G, com pesos são restritos a valores reais não negativos. Qualquer sub-grafo de G pode ser descrito de acordo com o vetor x = (x 1,x 2,...,x n ), no qual cada elemento x i é definido como: { 1, se a aresta e i faz parte do subgrafo x = 0, caso contrário Seja S um sub-grafo de G, este sub-grafo S é dito ser uma árvore geradora de G se apresentar as seguintes características: Conter todos os vértices de G; Ser conexo e acíclico. Seja T o conjunto de todas as árvores geradoras do grafo G, então uma árvore geradora mínima é definida como: V ENIA 519
7 min z( x) m = wix i= 1 i x T Porém, se b j é a restrição do grau d j para cada nó v j existente no grafo G, então a árvore geradora mínima é definida como: m min z( x) = wixi d i= 1 j bj. vj V. x T Para os experimentos foram considerados seis grafos completos com o número de nós variando entre 50 e 500. Para cada grafo, a restrição de grau considerada foi de 3 ou 4 graus. Os pesos das arestas foram obtidos de modo aleatório em um intervalo variando entre 1 até o número de nós do grafo. Em todos os testes realizados foi utilizado o critério de seleção por torneio para reduzir o tempo de processamento, tamanho da população igual a 10 e elitismo. Para cada teste foram realizadas avaliações. Todos os testes também foram realizados em um processador dual de 2,0GHz e 4Gb de memória RAM. O algoritmo proposto foi testado utilizando, inicialmente, taxas iguais para cada um dos três operadores existentes, ou seja, cada um dos operadores possui 33% de probabilidade de ser aplicado a cada geração. A Tabela 5.1 apresenta os resultados obtidos para esta primeira análise do OR desenvolvido, o campo Melhor Custo indica a média dos melhores indivíduos em 20 execuções realizadas e o campo Tempo apresenta a média do tempo gasto correspondente ao conjunto destas execuções. A coluna G indica os diferentes testes realizados e a coluna V indica o tamanho dos grafos analisados (em nós). Estes resultados foram comparados com a aplicação da CNP ao mesmo problema sem a utilização do novo OR. A população inicial de ambos os algoritmos foi obtida pelo algoritmo de Prim para evitar a produção de tempos computacionais diferentes devido à população inicial. Os resultados obtidos sugerem que a aplicação desse novo operador confere à CNP uma melhor convergência para os grafos utilizados nos testes. A Tabela 5.1 permite também observar que a aplicação do OR aumenta consideravelmente o tempo médio final de execução do AE desenvolvido, principalmente para grafos de maior tamanho (quantidade de nós igual ou superior a 200). Com o objetivo de realizar uma análise mais detalhada sobre o operador desenvolvido, variou-se a taxa de aplicação desse durante cada execução do AE. O novo OR foi aplicado ao AE durante cada execução desse em proporções inferiores a 20%, em proporções iguais (33%) e em proporção de 50%. Por exemplo, neste último caso, apenas em 50% das gerações o OR foi utilizado, sendo aplicados os demais operadores [Delbem 2004] nos casos restantes. A Tabela 5.2 apresenta uma comparação dos resultados obtidos com as três diferentes proporções de aplicação do OR desenvolvido. Como pode ser observado, quanto maior a taxa de aplicação do novo OR, maior o tempo de execução do AE V ENIA 520
8 aplicado ao problema dc-mst, sendo que o tempo cresce consideravelmente para grafos com quantidade de nós superior a 200. Tabela 5.1: Resultados do algoritmo proposto e do mesmo algoritmo sem utilização do OR aplicados ao problema dc-mst. Algoritmo sem OR Algoritmo Proposto G V Grau da Melhor Custo Tempo (s) Melhor Custo Tempo (s) Árvore Tabela 5.2: Comparação dos resultados obtidos com diferentes taxas de aplicação do OR desenvolvido. OR aplicado com proporção inferior a 20% OR aplicado em proporções iguais OR aplicado com proporção de 50% G V Grau da Melhor Tempo (s) Melhor Tempo (s) Melhor Tempo (s) Árvore Custo Custo Custo Os resultados apresentados indicam também que a aplicação do OR em proporções iguais garante melhor convergência para o AE desenvolvido. Além disso, os resultados obtidos são melhores que àqueles obtidos pelo AE sem o OR. O maior problema encontrado foi o tempo computacional elevado exigido pela aplicação desse novo operador. Para grafos com 500 nós, o tempo computacional exigido é aproximadamente quatro vezes superior que o demandado por esta mesma aplicação sem utilizar o OR desenvolvido. O tempo de computação relativamente alto pode ser explicado pela necessidade de se analisar a factibilidade das novas soluções produzidas sempre que o OR é aplicado. Essa necessidade aumenta o tempo de computação do AE, V ENIA 521
9 mesmo sendo realizada pelo próprio OR desenvolvido e não através da utilização de rotinas de busca e correção de infactibilidades. Percebe-se, com os testes apresentados, que o OR desenvolvido confere uma melhor convergência para todos os tamanhos de grafos analisados. Pode-se notar também que o tempo ou custo computacional da CNP investigada aumentou consideravelmente quando da aplicação do novo OR desenvolvido. É importante ressalvar que o tempo computacional imposto ao AE com o novo OR, apesar de ser elevado, é consideravelmente inferior se comparado com o obtido pelas representações de Números de Prüfer [Gen et. al. 1999] e Conjunto de Arestas [Raidl & Julstrom 2003], como pode ser observado na Tabela 5.3. Os resultados apresentados nessa tabela indicam que, mesmo tendo o OR aumentado o tempo de computação, os resultados são superiores aos obtidos pelas principais representações existentes, seja em qualidade das soluções ou em tempo computacional. Tabela 5.3: Comparação dos resultados obtidos pela CNP com OR, pelo AE com Número de Prüfer e pelo AE com Conjunto de Arestas. AE com Número de Prüfer AE com RNP AE com Conjunto de Arestas G V Grau da Melhor Tempo (s) Melhor Tempo (s) Melhor Tempo (s) MST Custo Custo Custo Considerações Finais Neste artigo é apresentada a CNP com o OR, que tem o objetivo de recombinar duas árvores utilizando para isso informações não somente dos nós, mas também das arestas dessas árvores. Os resultados obtidos sugerem que o OR desenvolvido confere resultados melhores aos produzidos por essa mesma representação sem esse operador. A convergência do AE é mais rápida utilizando o OR proposto para os testes realizados. Este fato estimula o aperfeiçoamento do OR desenvolvido, a fim de obter tempos computacionais mais reduzidos. Atualmente, um OR mais eficiente está sendo desenvolvido, o qual baseia-se em um procedimento que evita a análise de infactibilidades das novas soluções produzidas e deve reduzir assim tempo computacional requerido pelo AE com o OR atual. V ENIA 522
10 7. Referências Bibliográficas Abuali, F., Wainwright, R., e Schoenefeld, D. (1995). A new encoding scheme for spanning trees applied to the probabilistic minimum spanning tree problem, em Eshelman, L. J., ed., Sixth International Conference on Genetic Algorithms, San Francisco. Carvalho, P. M. S., Ferreira, L. A. F. M. & Barruncho, L. M. F. (2001). On Spanning-Tree Recombination in Evolutionary Large-Scale Network Problems - Application to Electrical Distribution Planning, IEEE Transactions on Evolutionary Computation, v. 5, n. 6, pp Chou, H. H., Premkumar e G. Chu, C. H. (2001). Genetic algorithms for communications network design - an empirical study of the factors that influence performance, IEEE Transactions on Evolutionary Computation, 5: (3). Cormen, T. H., Leiserson C. E e Rivest, R. L. (1997). Introduction to Algorithms, The MIT elect. Engineering and Computer Science series. Delbem, A. C. B. (2003). A Forest Encoding for Evolutionary Algorithms Applied to Design Problems, Journal Genetic Algorithm and Evolutionary Computation Conference 2003, Lecture Notes in Computer Science, v. 2723, pp Delbem, A. C. B., Carvalho, A. C. P. L. F., Policastro, C. A., Pinto, A. K. O., Honda, K. e Garcia, A. C. (2004). Node-depth Encoding for Evolutionary Algorithms Applies to Network Design. Lecture Notes in Computer Science 2004: Genetic and Evolutionary Computation, pp Eiben, A. E. & Rudolph, G. (1999). Theory of evolutionary algorithm: a bird's eye view, Theorical Computer Science 229:3-9. Gen, M. & Cheng, R. (1997). Genetic Algorithms and Engineering Design, Ashikaga Institute of Technology, Ashikaga, Japan. Gen M., Li Y. Z. e Ida K. (1999). Solving multi-objective transportation problem by spanning tree-based genetic algorithm, IEICE Transactions on Fundamental of Electronics Communications and Computer Sciences, E82A: Goodaire, E. G. & Parmenter, M. M. (1998). Discrete Mathematics with Graph Theory, Prentice Hall, Upper Saddle River, USA. Harary, F. & Gupta, G. (1997). Dynamic graph model, Mathl. Comput.Modelling. 25: Heitkoetter, J. & Beasley, D. (2002). The hitch-hiker's guide to evolutionary computation: A list of frequently asked questions, USENET: comp.ai.genetic. Encontrado via FTP em rtfm.mit.edu/pub/usenet/news.answers/ai-faq/genetic, pp Klein, P. N. & Subramanian, S. (1998). Fully dynamic approximation scheme for shortest paths in planar graphs, Algorithmica 22: Knowles, J. & Corne, D. (2000). A new evolutionary approach to the degree-constrained minimum spanning tree problem, IEEE Transaction on Evolutionary Computation 4: (2). Raidl G. R. & Julstrom B. A. (2003). Edge-sets: An effective evolutionary coding of spanning trees, IEEE Transactions on Evolutionary Computation, 7(3), pp Rothlauf, F., Goldberg, D. & Heinzl, A. (2002). Network Random Keys A Tree Representation Scheme for Genetic and Evolutionary Algorithms, Evolutionary Computation 10(1): 75-97, Massachusetts Institute of Technology. Sipser, M. (1997). Introduction to the Theory of Computation, PWS Publishing Company. V ENIA 523
Algoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia mais3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
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 maisAlgoritmos Evolutivos para Otimização
Algoritmos Evolutivos para Otimização A área de aplicação que tem recebido mais atenção é a otimização. Uma das razões é que existem uma variedade de problemas de otimização e a maioria deles sem solução
Leia maisProblema da Árvore Geradora Mínima (The Minimum Spanning Tree Problem-MST)
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 45 Problema da Árvore Geradora Mínima (The Minimum Spanning Tree Problem-MST) Alguns problemas de otimização combinatória podem ser formulados
Leia maisRepresentação nó-profundidade em FPGA para algoritmos evolutivos aplicados ao projeto de redes de larga-escala. Marcilyanne Moreira Gois
Representação nó-profundidade em FPGA para algoritmos evolutivos aplicados ao projeto de redes de larga-escala Marcilyanne Moreira Gois SERVIÇO DE PÓS-GRADUAÇÃO DO ICMC-USP Data de Depósito: 19 de dezembro
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Edirlei Soares de Lima Algoritmos Genéticos Método de busca local. Boa abordagem para lidar com espaços de busca muito
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisÁrvore Geradora Mínima
GRAFOS ÁRVORE GERADORA MÍNIMA Prof. André Backes Árvore Geradora Mínima Definição Uma árvore geradora (do inglês, spanning tree) é um subgrafo que contenha todos os vértices do grafo original e um conjunto
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 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 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 maisFormulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos Teobaldo L. Bulhões Júnior a a Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brazil
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 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 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 maisOtimização. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia 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 maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
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 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 maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia 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 mais05 Grafos: ordenação topológica SCC0503 Algoritmos e Estruturas de Dados II
05 Grafos: ordenação topológica SCC0503 Algoritmos e Estruturas de Dados II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2011/1 Moacir Ponti Jr.
Leia maisJoão Paulo de Freitas Araujo. Algoritmos para acelerar a computação de Árvores de corte de Gomory e Hu. Dissertação de Mestrado
João Paulo de Freitas Araujo Algoritmos para acelerar a computação de Árvores de corte de Gomory e Hu Dissertação de Mestrado Dissertação apresentada ao Programa de Pós- Graduação em Engenharia de Produção
Leia maisAplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
Leia maisHEURÍSTICAS PARA O PROBLEMA DA ÁRVORE GERADORA MÍNIMA PROBABILÍSTICA
HEURÍSTICAS PARA O PROBLEMA DA ÁRVORE GERADORA MÍNIMA PROBABILÍSTICA Rafael Ferreira Barra de Souza, Sebastián Urrutia Departamento de Ciência da Computação Universidade Federal de Minas Gerais (UFMG)
Leia maisAlgoritmos em Grafos
Algoritmos em Grafos Baseado em: The Algorithm Design Manual Steven S. Skiena IF64C Estruturas de Dados 2 Engenharia da Computação Prof. João Alberto Fabro - Slide 1/42 Introdução (1) Um grafo G=(V,E)
Leia maisComplexidade computacional
Complexidade computacional Marina Andretta ICMC-USP 15 de setembro de 2015 Baseado no livro Uma introdução sucinta a Algoritmos de Aproximação, de M. H. Carvalho, M. R. Cerioli, R. Dahab, P. Feofiloff,
Leia maisSub-grafo. Árvore Geradora Mínima
Comentários da aula anterior Componentes Fortemente Conectados (algoritmo) 1. Chama BuscaEmProfundidade (G) para obter os tempos de término (t[u], ou f[u]) para todos os vértices de G, isto é, enquanto
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisInteligência Artificial. 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 maisProblema do vendedor: uma abordagem via algoritmos genéticos
Problema do vendedor: uma abordagem via algoritmos genéticos Dandara de Almeida Machado 1, Juliana Verga Shirabayashi 1 1 Universidade Federal do Paraná (UFPR) Campus Jandaia do Sul dandaraalmeidaa@gmail.com;
Leia mais3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
Leia maisGrafos Árvores Geradoras Mínimas
ALGORITMOS E ESTRUTURAS DE DADOS II Grafos Árvores Geradoras Mínimas Profa. Elaine Parros Machado de Sousa adaptações: Cris.na Dutra de Aguiar Ciferri Material baseado em aulas dos professores: Gustavo
Leia maisComplexidade de Tempo e Espaço
Complexidade de Tempo e Espaço Profa. Sheila Morais de Almeida DAINF-UTFPR-PG junho - 2018 Sheila Almeida (DAINF-UTFPR-PG) Complexidade de Tempo e Espaço junho - 2018 1 / 43 Este material é preparado usando
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 maisÁRVORES E ÁRVORE BINÁRIA DE BUSCA
ÁRVORES E ÁRVORE BINÁRIA DE BUSCA Prof. André Backes Definição 2 Diversas aplicações necessitam que se represente um conjunto de objetos e as suas relações hierárquicas Uma árvore é uma abstração matemática
Leia mais04 Grafos: caminhos e coloração SCC0503 Algoritmos e Estruturas de Dados II
04 Grafos: caminhos e coloração SCC0503 Algoritmos e Estruturas de Dados II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2011/1 Moacir Ponti Jr.
Leia maisAbordagens para Resolução de Problemas
Abordagens para Resolução de Problemas UDESC - Universidade do Estado de Santa Catarina Departamento de Ciência da Computação CAL - Complexidade de Algoritmos Teodoro Alberto Borges Junior Abordagens para
Leia mais3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
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 maisAlgoritmo Evolutivo Eficiente para Restabelecimento de Energia em Sistemas de Distribuição de Energia Elétrica
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda - Pernambuco - Brasil Algoritmo Evolutivo Eficiente para Restabelecimento de Energia em Sistemas de Distribuição
Leia maisTeoria da Complexidade Computacional
Teoria da Complexidade Computacional Letícia Rodrigues Bueno UFABC Motivação Motivação I can t find an efficient algorithm, I guess I m just too dumb. Fonte: GAREY, M. R. e JOHNSON, D. S. Computers and
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 maisGrafos: componentes fortemente conexos, árvores geradoras mínimas
Grafos: componentes fortemente conexos, árvores geradoras mínimas SCE-183 Algoritmos e Estruturas de Dados 2 Thiago A. S. Pardo Maria Cristina 1 Componentes fortemente conexos Um componente fortemente
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 maisGrafos: árvores geradoras mínimas. Graça Nunes
Grafos: árvores geradoras mínimas Graça Nunes 1 Motivação Suponha que queremos construir estradas para interligar n cidades Cada estrada direta entre as cidades i e j tem um custo associado Nem todas as
Leia maisProjeto e Análise de Algoritmos NP Completude. Prof. Humberto Brandão
Projeto e Análise de Algoritmos NP Completude Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas versão da aula: 0.4 Introdução Problemas intratáveis ou difíceis são comuns
Leia maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
Leia 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 maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia 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 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 mais4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia maisDepartamento de Engenharia de Produção UFPR 57
Departamento de Engenharia de Produção UFPR 57 Introdução a Grafos Muitos problemas de otimização podem ser analisados utilizando-se uma estrutura denominada grafo ou rede. Problemas em redes aparecem
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 maisAbordagens para Problemas Intratáveis
Abordagens para Problemas Intratáveis Letícia Rodrigues Bueno UFABC Motivação Se você se depara com um problema intratável... Motivação Se você se depara com um problema intratável... I can t find an efficient
Leia mais3 Métodos de Otimização
3 Métodos de Otimização Problemas de otimização são relacionados a minimização ou maximização de função de uma ou mais variáveis num determinado domínio, possivelmente com a existência de um conjunto de
Leia maisINF 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 maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia 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 maisRicardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb
Ricardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb Aprendizado de Máquina IA Estatística Computação Diz-se que um algoritmo é capaz de aprender de uma
Leia maisGRAFOS. Prof. André Backes. Como representar um conjunto de objetos e as suas relações?
8/0/06 GRAFOS Prof. André Backes Definição Como representar um conjunto de objetos e as suas relações? Diversos tipos de aplicações necessitam disso Um grafo é um modelo matemático que representa as relações
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisALGORITMOS GENÉTICOS. 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 maisANEXO II MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
ANEXO II MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE Departamento de Informática e Matemática Aplicada Campus Universitário, Lagoa Nova, Natal RN. CEP: 59.078-970 Fone: (84) 3215-3814
Leia maisVolmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 45
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 45 Introdução a Grafos Muitos problemas de otimização podem ser analisados utilizando-se uma estrutura denominada grafo ou rede. Problemas
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 mais3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação plicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada -
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
Leia maisGRAFOS Aula 08 Árvore Geradora Mínima: Algoritmos de Kruskal e Prim-Jarnik Max Pereira
Ciência da Computação GRAFOS Aula 08 Árvore Geradora Mínima: Algoritmos de Kruskal e Prim-Jarnik Max Pereira Árvore Geradora (spanning tree) É um subconjunto de um grafo G que possui todos os vértices
Leia maisTécnicas de Concepção de Algoritmos: Branch and Bound
Técnicas de Concepção de Algoritmos: R. Rossetti, A.P. Rocha, A. Pereira, P.B. Silva, T. Fernandes FEUP, MIEIC, CAL, 2010/2011 1 O que é? BB ou B&B é uma técnica de concepção de algoritmos genérica para
Leia maisBusca em Profundidade. Componentes Conexos. Grafos. Maria Adriana Vidigal de Lima. Fevereiro
Fevereiro - 009 Definição de Grafo Listas de Adjacências de Técnicas da Classificação das Arestas Aplicação do de de 4 Grafo Transposto Definição de Grafo Listas de Adjacências de Exemplos de Aplicação
Leia maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisProjeto e Análise de Algoritmos
Projeto e Análise de Algoritmos Aula 01 Complexidade de Algoritmos Edirlei Soares de Lima O que é um algoritmo? Um conjunto de instruções executáveis para resolver um problema (são
Leia maisEstrutura comum dos AEs Seleção
Estrutura comum dos AEs Seleção Todos os AEs mantém uma população de tamanho m por: Utilizando uma população como fonte de pais para produzir n descendentes Reduzindo o tamanho da população expandida de
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisImplementação de um Algoritmo Evolutivo Utilizando a Representação Nó-Profundidade-Grau no Processador Nios II do FPGA
UNIVERSIDADE FEDERAL DE GOIÁS INSTITUTO DE INFORMÁTICA GUSTAVO SIQUEIRA VINHAL Implementação de um Algoritmo Evolutivo Utilizando a Representação Nó-Profundidade-Grau no Processador Nios II do FPGA Goiânia
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Leia maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia maisPreliminares. Profa. Sheila Morais de Almeida. agosto
Preliminares Profa. Sheila Morais de Almeida DAINF-UTFPR-PG agosto - 2016 Algoritmos Definição - Skiena Algoritmo é a ideia por trás dos programas de computador. É aquilo que permanece igual se o programa
Leia maisGrafos COM11087-Tópicos Especiais em Programação II
Grafos COM11087-Tópicos Especiais em Programação II edmar.kampke@ufes.br Introdução Grafos são estruturas muito estudadas na Ciência da Computação para modelagem de problemas Euler (1736) em Königsberg
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisPROJETO PARA O CICLO AVANÇADO TÉCNICAS MODERNAS EM COMBINATÓRIA
PROJETO PARA O CICLO AVANÇADO TÉCNICAS MODERNAS EM COMBINATÓRIA LEONARDO NAGAMI COREGLIANO E YOSHIHARU KOHAYAKAWA Resumo. Este é o projeto de pesquisa para o Ciclo Avançado de Leonardo Nagami Coregliano,
Leia maisEstruturas de Dados 2
Estruturas de Dados 2 Técnicas de Projeto de Algoritmos Força Bruta IF64C Estruturas de Dados 2 Engenharia da Computação Prof. João Alberto Fabro - Slide 1/36 Técnica de Projeto de Algoritmos por Força
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 maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
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 maisREPRESENTAÇÃO NÓ-PROFUNDIDADE PARA ALGORITMOS EVOLUTIVOS APLICADOS A MINIMIZAÇÃO DE PERDAS RESISTIVAS EM SISTEMAS DE DISTRIBUIÇÃO
REPRESENTAÇÃO NÓ-PROFUNDIDADE PARA ALGORITMOS EVOLUTIVOS APLICADOS A MINIMIZAÇÃO DE PERDAS RESISTIVAS EM SISTEMAS DE DISTRIBUIÇÃO AUGUSTO C. SANTOS 1, ALEXANDRE C. B. DELBEM 2, NEWTON G. BRETAS 3 Departamento
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisCiclos hamiltonianos e o problema do caixeiro viajante
Ciclos hamiltonianos e o problema do caixeiro viajante Algoritmos em Grafos Marco A L Barbosa cba Este trabalho está licenciado com uma Licença Creative Commons - Atribuição-CompartilhaIgual 4.0 Internacional.
Leia maisDepartamento de Engenharia de Produção UFPR 22
Departamento de Engenharia de Produção UFPR 22 Geralmente, temos três objetivos i. Redução de custos (custos variáveis) Redução de capital (investimento, custos fixos) i Melhoria do serviço (pode conflitar
Leia maisTeoria dos Grafos. Árvores Geradoras
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Silvio A. de Araujo Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br, saraujo@ibilce.unesp.br Preparado a partir
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 mais