Metaheurísticas de Otimização Bio-Inspiradas
|
|
- Miguel Aragão
- 4 Há anos
- Visualizações:
Transcrição
1 * Aula baseada nas notas de aula dos prof.s Fernando Von Zuben, da UNICAMP e Heitor Lopes, da UTFPR Metaheurísticas de Otimização Bio-Inspiradas Aula 12 Otimização por Enxame de Partículas Parte 2* Prof. Dr. Hugo Valadares Siqueira
2 Particle Swarm Optimization PSO foi criado por J. Kennedy e R. Eberhart; Primeira publicação em 1995; Posteriormente melhorado por Y.Shi, M.Clerc e outros; Livro: Eberhart, R.C., Shi, Y., Kennedy, J. Swarm Intelligence. San Francisco: Morgan Kaufmann, 2001.
3 PSO Metaheurística populacional para a otimização de funções contínuas baseada em mecanismos de simulação do comportamento social de animais, como revoadas de pássaros; Utiliza como metáfora o modo de influência em formas de pensar e agir entre seres humanos; Conjunto de partículas navegando pelo espaço de soluções; Cada partícula estabelece sua trajetória combinando suas experiências passadas com as experiências de seus vizinhos (outras partículas com as quais elas se comunicam).
4 Exemplo de processo totalmente auto-organizado: Unidades simples de processamento, através de intensa comunicação entre si e interação com o ambiente, cooperando para a obtenção de um objetivo comum; Partículas isoladas tem limitado poder de otimização: a capacidade do enxame é uma qualidade emergente; Ausência de um controle centralizado, como a evolução natural; Pontos positivos: técnica simples, robusta, flexível, altamente distribuída, com baixas exigências de memória e poder de processamento e de rápida convergência a um ótimo; Ponto negativo: rápida perda de diversidade e convergência prematura a ótimos locais.
5 Comparação com Computação Evolutiva A Otimização por Enxame de Partículas é considerada como uma técnica de Inteligência de Enxame por trazer uma metáfora diferente da evolução das espécies; As influências pessoais e sociais guardam semelhança com operadores de recombinação e de crossover, enquanto que a conservação de movimento da partícula atua como uma espécie de mutação direcional; Há diferenças, no entanto, sendo a maior delas o papel da seleção natural: enquanto que métodos evolutivos têm como parte essencial a morte dos indivíduos menos aptos, em um processo social os indivíduos são preservados durante a execução do algoritmo, de forma que o próprio indivíduo se adapta no decorrer do tempo.
6 Características É um algoritmo populacional, no qual os agentes são denominados de partículas; As potenciais soluções sobrevoam o espaço de busca n-dimensional do problema; A busca se dá através da aceleração e desaceleração das partículas que são influenciadas por: Componente Cognitivo (experiência da própria partícula); Componente Social (influência do grupo).
7 Uma ideia inspirada em sistemas cognitivos é a de que as partículas tenderão a se mover em direção umas das outras e irão influenciá-las; A inspiração tomada nas ciências sociais e na psicologia sugere que os indivíduos sejam influenciados por suas próprias experiências prévias e pela experiência de alguns de seus vizinhos;
8 Os agentes que são candidatos à solução de um determinado problema aprendem a partir de suas próprias experiências e da experiência de outros; Eles se avaliam, comparam seus desempenhos com os de seus vizinhos e imitam somente aqueles que são melhores do que eles; Os partículas da população são representadas por pontos em um espaço R N ; As variações nos atributos destes levam a novos pontos no espaço, ou seja, correspondem a movimentações no espaço.
9 Princípio básicos da inteligência de enxames Proximidade: a população deve ser capaz de executar computações simples; Qualidade: a população deve ser capaz de responder a fatores de qualidade do ambiente; Resposta Diversificada: a população deve ser capaz de manter sua diversidade; Estabilidade: a população deve se manter estável a mudanças bruscas no ambiente; Adaptabilidade: a população deve ser capaz de responder a alterações no ambiente, sempre que valer a pena.
10 De Sistemas Sociais a Enxames de Partículas
11 No PSO, a crença de um indivíduo é representada por um vetor xi (posição da partícula no espaço); A posição de uma partícula i é dada por xi (xi R L ); A cada passo, as partículas têm suas posições atualizadas de acordo com suas velocidades vi: xi(t+1) = xi(t) + vi(t+1) Após calculada a nova posição a partícula i avalia a qualidade de seu xi, comparando com a melhor posição que a partícula já visitou, pbesti; Caso xi seja melhor que pbesti, a melhor posição é atualizada para a posição atual.
12 A velocidade de cada partícula no passo atual é calculada considerando-se a velocidade no passo anterior e a posição de seus dois atratores: pbest, vetor com a melhor posição já visitada pela partícula i; gbest, a melhor posição já visitada por algum dos vizinhos da partícula: vi(t+1) ωvi + c1r1(pbesti xi) + c2r2(gbest xi) As constantes ω, c1 e c2, são chamadas, respectivamente, de ponderação (peso) de inércia, parâmetros cognitivo e social (taxa de aprendizagem), e r1 e r2 são vetores aleatórios, gerados no intervalo [0,1] e representam o componente estocástico do algoritmo; A atualização da velocidade se assemelha ao crossover: o vetor resultante é a mistura das influências de pbest e gbest.
13 ω: é o peso de inércia (momento) que introduz uma espécie de atrito no movimento de cada partícula, reduzindo a velocidade inercial. Seu valor geralmente decai linearmente de 0.9 a 0.4; c1: nostalgia da partícula; c2: indica o quanto uma partícula será influenciada por suas vizinhas; 0 < c 1, c 2 2 são coeficientes de aceleração pessoal e global que influenciam no tamanho máximo do passo que uma partícula pode dar em uma iteração; A avaliação das posições de cada partícula é feita pela função de desempenho (fitness) a qual se deseja otimizar.
14 Resumindo: uma partícula irá se mover em uma determinada direção que é função da posição atual da partícula xi(t), de uma velocidade vi(t), da posição pbest da partícula que levou ao seu melhor desempenho até o momento, e do melhor desempenho global do sistema até o momento gbest: xi(t+1) = f(xi(t), vi(t), pbest, gbest)
15 Atualização da velocidade Três termos definem uma nova velocidade para uma partícula: 1. Termo de inércia 2. Termo cognitivo 3. Termo de aprendizado social Força a partícula a mover-se na mesma direção Tendência para seguir a própria direção com a mesma velocidade Melhora o indivíduo Força a partícula a voltar a uma posição anterior que seja melhor do que a atual Tendência conservativa Força a partícula a seguir a direção de seus melhores vizinhos Como em todo rebanho, mas seguindo os melhores
16 inércia cognitivo aprendizado social v i = ωv i + c 1 r 1.(pbest i - x i ) + c 2 r 2.(gbest i - x i ) No algoritmo, primeiro atualiza-se a velocidade e depois a posição; Para limitar a velocidade de uma partícula de forma que o sistema não se instabilize, são impostos limites para seus valores: If vi > vmax, then vi = vmax Else if vd < vmax then vi = vmax
17 Interpretação Geométrica v i = ωv i + c 1 r 1.(pbest i - x i ) + c 2 r 2.(gbest i - x i )
18 Algoritmo (versão para minimização)
19 Início Inicialize as partículas em posições aleatórias e velocidades nulas Calcule os valores fitness Achou um critério de busca local? NÃO Compare/atualize os valores dos fitness pbest e gbest SIM Busca local Critério de parada? SIM Fim NÃO Atualize velocidades e posições das partículas NÃO Critério de reinicialização? SIM Reinicialize algumas partículas
20 Movimentação das partículas O vetor velocidade de cada partícula sofre a ação do ótimo individual e do ótimo global (melhor experiência do grupo); Geralmente as partículas ultrapassam o ponto de ótimo atual a partir de várias direções explorando regiões promissoras; Todas as partículas possuem a chance de descobrir um ótimo global e compartilhar com as demais; Os termos aleatórios inserem um caráter estocástico à busca; Os coeficientes c 1 e c 2 aceleram o deslocamento das partículas; O fator de inércia controla o grau de exploração da busca: Maior inércia = mais exploração; Menor inércia = mais explotação.
21 Comportamentos possíveis de uma partícula OUSADO: segue seu próprio caminho (usando o seu vetor velocidade); CONSERVADOR: volta mais ou menos em direção à melhor posição que encontrou em sua busca; SUBMISSO: volta mais ou menos em direção à melhor posição encontrada pelos seus vizinhos; PSO formaliza a combinação destas três tendências de modo a ser globalmente eficiente (M. Clerc).
22 Variações do PSO Tipo de Vizinhança: Refere-se à topologia dos relacionamentos entre as partículas; Determina quais partículas são influenciadas por uma boa posição visitada; Mais usados são pbest e gbest; No gbest uma partícula se relaciona com os vizinhos; Cria uma vizinhança para cada indivíduo composta por ele próprio e seus k vizinhos mais próximos; Uma boa posição de uma partícula é compartilhada apenas com os vizinhos. É possível criar um algoritmo em que o gbest seja a melhor posição de um grupo de vizinhos próximos: neste caso chama-se o operador de lbest (local best); Da mesma forma, gbest pode ser definido como a melhor posição já encontrada por todo enxame.
23 Tipo de Vizinhança i i-1 i+1 Gbest Lbest
24 Entretanto, a vizinhança aqui corresponde à vizinhança topológica e não à vizinhança no espaço de atributos de cada indivíduo (partícula); Sendo assim, a vizinhança de cada indivíduo é definida a partir de um arranjo topológico.
25 No enxame a vizinhança é social, e não necessariamente geográfica:
26 Vizinhança A vizinhança normalmente é topológica, não espacial.
27 Variações do PSO PSO Binário Os vetores x i e y i são formados por 0s e 1s; O vetor velocidade continua real, mas é tratado como uma probabilidade; Para isso é utilizada a função logística sigmoidal; A expressão de atualização da velocidade é a mesma: x i, j 0 se r sig( vi, j( t 1)) ( t 1) 1 se r sig( vi, j( t 1)) r é um valor aleatório retirado de U(0,1); Para evitar a saturação da função é recomendado limitar a velocidade em [-4, 4]; Resultados mostraram que o PSO Binário chega a resultados mais rapidamente que AG e lida melhor com alta dimensionalidade; Podem ainda ser usados valores discretos além de 0 e 1.
28 Variações do PSO Peso de Inércia (w) Não era utilizado originalmente, mas se tornou padrão; Possui semelhança com a temperatura do Simulated Annealing; Controla o grau de convergência da busca; Pode ser fixo ou descrescente; Uso de Seleção Aplica o conceito de seleção natural dos AEs, porém modificado; Diminui a diversidade se concentrando em regiões mais promissoras.
29 Escopo de Aplicação As primeiras aplicações do algoritmo PSO foram na determinação de pesos e arquitetura de redes neurais artificiais; Além disso, esta técnica também tem sido aplicada a problemas de otimização de funções numéricas em geral; Aplicações em problemas de mundo real também existem na literatura, como análise de tremor humano, otimização de moinhos, otimização de misturas de ingredientes, controle de potência e tensão reativa, estimação de carregamento de baterias e composição musical.
30 Aplicações Inicialmente utilizado no treinamento de redes neurais; Cada elemento de um vetor x i corresponde a um peso da rede; Uma abordagem é encontrar uma região promissora para a inicialização de um método local; Outra é a otimização do número de unidades nas camadas escondidas.
31 O PSO Binário é geralmente utilizado para a otimização de arquiteturas de Redes Neurais e seleção de variáveis; PSO Padrão + Binário pode ser usado para otimizar variáveis contínuas e binárias ao mesmo tempo; PSO para treinar redes neuro-fuzzy (97% de precisão no Iris Dataset); Otimização de misturas de ingredientes químicos; Em geral, PSO pode ser utilizado em qualquer problema de otimização: contínua, binária ou discreta.
32 PSO - Aplicações Outros exemplos: Controle adaptativo baseado em Redes Neurais; Configuração de antenas; Aprendizado não-supervisionado de robôs; PSO em ambientes dinâmicos.
33 Aplicações Engenharia: ajuste de sistemas de recomendação, modelagem de antenas, projeto de sistemas de controle e de circuitos VLSI; Resultados muito bons no treinamento de redes neurais e de redes neuro-fuzzy; Biologia: Inferência de redes gênicas, reconstrução de árvores filogenéticas, otimização de modelos biomecânicos; Artes: improvisação musical.
34 PSO x AG PSO AG Representação Contínua/Binária/Discreta Contínua/Binária/Discreta Otimização Contínua/Binária/Combinatória* Contínua/Binária/Combinatória Populacional Sim Sim Geracional Não Sim Restrições Não, mas pode ter Sim Operadores Velocidade Seleção, Mutação e Recombinação Implementação Simples Complexidade média Convergência Relativamente Rápida* Relativamente Lenta*
35 PSO - Tendências Coevolução em PSO; Otimização multi-objetivo; Life Models (PSO com seleção, cruzamento e mutação); Partículas com tamanho variável.
36 Considerações finais PSO em geral obtém resultados semelhantes aos obtidos por Algoritmos Genéticos, porém são mais rápidos (resultados relatados); PSO é muito mais simples de implementar; Pode convergir prematuramente a um mínimo local, para evitá-lo pode-se: Utilizar peso de inércia (w) descrescente (0.9 a 0.4); Utilizar arquitetura Lbest; O enxame pode explodir (dispersão das partículas): Para evitá-lo, deve-se limitar a velocidade a [-v max, v max ];
37 Referências J. Kennedy and R. Eberhart. Swarm Intelligence. Morgan Kaufmann Publishers, Inc, San Francisco, CA, 2001 F. van den Bergh. An Analysis of Particle Swarm Optimizers. Phd dissertation, Faculty of Natural and Agricultural Sciences, Univ. Pretoria, Pretoria, South Africa, J. Kennedy and R. Eberhart. Particle Swarm Optimization, in: Proc. IEEE Int l. Conf. on Neural Networks (Perth, Australia), IEEE Service Center,Piscataway, NJ, IV: C.A. Coello Coello, G. Toscano, M.S. Lechuga. Handling Multiple Objectives with Particle Swarm Optimization. IEEE Transactions on Evol. Computation, Vol. 8, No. 3, June M. Settles, T. Soule. Breeding Swarms: A GA/PSO Hybrid. Proc. of GECCO'05, Washington DC, USA, 2005.
Inteligência de Enxame
Inteligência de Enxame! Inteligência de enxames é a denominação aplicada a tentativa de desenvolvimento de algoritmos para a solução distribuída de problemas inspirando-se no comportamento coletivo de
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
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 maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisParticle Swarm Optimization (PSO) Universidade Federal de Alfenas
Otimização por Enxame de Partículas Particle Swarm Optimization (PSO) Universidade Federal de Alfenas Tiago Silveira ... Detalhe Otimizar é selecionar algo melhor. Otimizar é melhorar até onde pudermos.
Leia maisInteligência Coletiva. Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F.
Inteligência Coletiva Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F. de Carvalho) Principais tópicos Inteligência Coletiva (CI) Otimização por enxames
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 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. 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 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 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 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 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 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 maisInteligência de Enxame: PSO
! A otimização por enxame de partículas: «É baseada em uma estratégia inspirada no voo dos pássaros e movimento de cardumes de peixes; «Permite a otimização global de um função objetivo A função objetivo
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 maisOtimização Discreta por Nuvem de Partículas aplicada ao Problema do Caixeiro Viajante
Otimização Discreta por Nuvem de Partículas aplicada ao Problema do Caixeiro Viajante Dario José Aloise (UFRN) dario@dimap.ufrn.br Marilyn Cristine Serafim de Oliveira (UFRN) marilyn@ppgsc.ufrn.br Thales
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 maisEstudo Comparativo Sobre a Convergência e o Custo Computacional das Estruturas Topológicas Aplicadas à Otimização por Enxame de Partículas (PSO)
1 Estudo Comparativo Sobre a Convergência e o Custo Computacional das Estruturas Topológicas Aplicadas à Otimização por Enxame de Partículas (PSO) Alisson Patrick Medeiros de Lima * Ygor Alcântara de Medeiros
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia 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 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 maisInteligência de Enxames
Inteligência de Enxames Foto: http://fotolog.javivicente.com/index.php?showimage=22 Fabricio Breve - fbreve@gmail.com 21/11/2007 Fabricio Breve 1 PARTICLE SWARM OPTIMIZATION (OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS)
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
Metaheurísticas de Otimização Bio-Inspiradas Aula 2 Computação Inspirada na Natureza* Prof. Dr. Hugo Valadares Siqueira * Aula baseada nas notas de aula do Prof. Fernando Von Zuben, da UNICAMP Ciências
Leia maisAplicação da Metaheurística PSO na Identificação de Pontos Influentes por meio da Função de Sensibilidade de Casos
Anais do CNMAC v.2 ISSN 984-820X Aplicação da Metaheurística PSO na Identificação de Pontos Influentes por meio da Função de Sensibilidade de Casos Adriana Aparecida Batista Costa Centro Federal de Educação
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 maisMetaheurísticas de Otimização Bio-Inspiradas
Metaheurísticas de Otimização Bio-Inspiradas Aula 16 Algoritmos Inspirados em Cardumes de Peixes* Prof. Dr. Hugo Valadares Siqueira Algoritmos bio-inspirados baseados em populações têm sido amplamente
Leia maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
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 maisNuno Miguel Duarte Sequeira André PARTICLE SWARM OPTIMIZATION
Nuno Miguel Duarte Sequeira André PARTICLE SWARM OPTIMIZATION Optimization and decision support techniques PDEEC 2008 Introdução O algoritmo PSO é um algoritmo de optimização estocástico e baseado em populações
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 maisAPLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Leia 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 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 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 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 maisComputação Bioinspirada: Aplicações
Computação Bioinspirada: Aplicações Prof. Eduardo do Valle Simões Grupo de Sistemas Embarcados e Evolutivos LCR Laboratório de Computação Reconfigurável Departamento de Sistemas de Computação Projeto de
Leia maisAlgoritmo hibrido MOEAD/PSO + EDA para solução de problemas com muitos objetivos
Algoritmo hibrido MOEAD/PSO + EDA para solução de problemas com muitos objetivos Jésus J. S. Santos 1 and Clayton Almeida 1 Breno C. de Oliveira 1 Universidade Federal de Minas Gerais, Av. Antônio Carlos,
Leia maisAplicação da Metaheurística PSO na Identificação de Pontos Influentes por meio da Função de Sensibilidade de Casos
TEMA Tend. Mat. Apl. Comput., 11, No. 1 (2010), 41-48. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Aplicação da Metaheurística PSO na Identificação de Pontos Influentes
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
* Aula baseada nas notas de aula do prof. Fernando Von Zuben, da UNICAMP Metaheurísticas de Otimização Bio-Inspiradas Aula 11 Otimização por Enxame de Partículas Parte 1* Prof. Dr. Hugo Valadares Siqueira
Leia maisReconfiguração de Redes de Distribuição com Nuvem de Partículas Baseada em Perdas Mínimas de Energia
1 Reconfiguração de Redes de Distribuição com Nuvem de Partículas Baseada em Perdas Mínimas de Energia Lorena T. S. Santos; Niraldo R. Ferreira; Rai A. R. Pereira Resumo - Neste trabalho a metaheurística
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 maisInteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
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 maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisOtimização discreta por nuvem de partículas aplicada ao problema do caixeiro viajante
Otimização discreta por nuvem de partículas aplicada ao problema do caixeiro viajante Dario José Aloise (UFRN) dario@dimap.ufrn.br Marilyn Cristine Serafim de Oliveira (UFRN) marilyn@ppgsc.ufrn.br Thales
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 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 maisTítulo do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas
Número do BANPESQ/THALES: Título do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas I. Autor: Leandro dos Santos Coelho II. Resumo: A Inteligência Computacional é
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 mais7º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS
7º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS TÍTULO DO TRABALHO: Otimização da Operação de Usinas Termoelétricas de Ciclo Combinado Através da Técnica Particle Swarm Optimization
Leia maisComputação Evolutiva Algoritmos Genéticos & PSO
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Computação Evolutiva Algoritmos Genéticos & PSO David Menotti www.inf.ufpr.br/menotti/am-182 Hoje Computação Evolucionária
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 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 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 maisTópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
Leia maisAlgoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
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 maisOtimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante (TSP)
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisMini curso Inteligência Computacional Aplicada
Mini curso Inteligência Computacional Aplicada 08/10/2013 Prof. Dr. Hertz Wilton de Castro Lins Tópicos Inteligência Computacional Redes neurais Computação evolucionária Lógica fuzzy Inteligência de Enxames
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
Metaheurísticas de Otimização Bio-Inspiradas Aula 15 Colônia de Abelhas Artificiais* Prof. Dr. Hugo Valadares Siqueira * Aula baseada na tese de doutorado do Prof. Everton Melo, da UTFPR Colônia de Abelhas
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisA Otimização Nuvem de Partículas (particle swarm)
A Otimização Nuvem de Partículas (particle swarm) Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 20/06/2007 Índice Introdução Algoritmo Nuvem de Partículas Interpretação
Leia 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 maisRobótica Evolutiva uma População de Robôs Reais que Fazem Amor e Geram Descendentes Enquanto Aprendem a Realizar Tarefas
Robótica Evolutiva uma População de Robôs Reais que Fazem Amor e Geram Descendentes Enquanto Aprendem a Realizar Tarefas Eduardo Simões Mestrado em Microeletrônica UFRGS Doutorado em Robótica University
Leia maisMarcos Flávio S. V. D Angelo Departamento de Ciências da Computação Universidade Estadual de Montes Claros
SINTONIA ÓTIMA DE UM CONTROLADOR PID PARA CONTROLE DE VELOCIDADE DE UM MOTOR C.C. LINEAR SEM ESCOVAS UTILIZANDO O ALGORITMO A-CLUSTMPSO (ANOTHER CLUSTERING MULTIOBJECTIVE PARTICLE SWARM OPTIMIZATION) Renato
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 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 maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia 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 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 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
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 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 maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
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 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 maisAplicação de Otimização por Enxame de Partículas para Treinamento de Redes Neurais MLPs
Aplicação de Otimização por Enxame de Partículas para Treinamento de Redes Neurais MLPs Saulo M. O. C. dos Santos, Mêuser J. Valença e Carmelo J. A. Bastos-Filho Escola Politécnica de Pernambuco Universidade
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 maisOTIMIZAÇÃO POR ENXAME DE PARTÍCULAS APLICADA AO PROJETO DE CONTROLE MULTIVARIÁVEL
OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS APLICADA AO PROJETO DE CONTROLE MULTIVARIÁVEL PHELIPE S. OLIVEIRA 1, MISSILENE DA S. FARIAS 2, LUCIANO S. BARROS 1, LUIZ G. DE Q. SILVEIRA JUNIOR 1. 1. Universidade
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 maisABORDAGEM DE ENXAME DE PARTÍCULAS INSPIRADA EM ALGORITMO CULTURAL APLICADA EM UM PROBLEMA DE OTIMIZAÇÃO NÃO-LINEAR COM RESTRIÇÕES
ABORDAGEM DE ENXAME DE PARTÍCULAS INSPIRADA EM ALGORITMO CULTURAL APLICADA EM UM PROBLEMA DE OTIMIZAÇÃO NÃO-LINEAR COM RESTRIÇÕES LEANDRO DOS SANTOS COELHO E LUCAS WEIHMANN Laboratório de Automação e Sistemas,
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 maisSÍNTESE DE REDES FLEXÍVEIS DE TROCADORES DE CALOR UTILIZANDO PSO
SÍNTESE DE REDES FLEXÍVES DE TROCADORES DE CALOR UTLZANDO PSO G. R. P. DA SLVA 2, E. P. DE CARVALHO 2, M. A. S. S. RAVAGNAN 1 1 Universidade Estadual de Maringá, Departamento de Engenharia Química E-mail
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 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 maisComportamento de vigas de aço sujeitas a cargas concentradas através de técnicas de inteligência computacional
Comportamento de vigas de aço sujeitas a cargas concentradas através de técnicas de inteligência computacional Elaine Toscano Fonseca Pedro C G S Vellasco Escopo da Apresentação Introdução Revisão Bibliográfica
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia mais