Inteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos

Transcrição

1 Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos

2 O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam aspectos humanos, tais como: percepção, raciocínio, aprendizado, evolução e adaptação. Inspiração na Natureza Sistemas Especialistas Lógica Fuzzy Redes Neurais Algoritmos Genéticos Sistemas Híbridos inferência humana processamento lingüístico neurônios biológicos evolução biológica aspectos combinados

3 Novos Sistemas Computacionais Suporte à Decisão Classificação de Dados Reconhecimento de Padrões Previsão Otimização Controle Modelagem Planejamento Descoberta de Conhecimento Áreas de Aplicação Energia Finanças Telecomunicações Medicina Meio-Ambiente Comércio Indústria

4 Negócios Inteligentes Souza Cruz - Fluxo de Caixa Inteligente Eletrobrás - Previsão do Consumo Mensal de Energia Embratel - Classificação de Clientes PUC-Rio - Alocação de Salas de Aula Cia Vale do Rio Doce - Planejamento de Embarque de Minério Algoritmos Genéticos Redes Neurais Redes Neurais Algoritmos Genéticos Algoritmos Genéticos Algoritmos Genéticos Petrobras/Cenpes - Análise Econômica de E&P sob Incerteza - Inferência de propriedades dos derivados de Petróleo Algoritmos Genéticos Redes Neurais Algoritmos Genéticos

5 Conceitos Básicos Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética. Combina sobrevivência do mais apto e cruzamento aleatório de informação Analogia com a Natureza Evolução Natural Indivíduo Cromossoma Reprodução Sexual Mutação População Gerações Meio Ambiente Alg. Genéticos Solução Representação Operador Cruzamento Operador Mutação Conjunto de Soluções Ciclos Problema

6 Qual a finalidade de Algoritmos Genéticos? Algoritmos Genéticos empregam um processo adaptativo e paralelo de busca de soluções em problemas complexos. Qual a finalidade de Algoritmos Genéticos? Adaptativo informação corrente influencia a busca futura Paralelo várias soluções consideradas a cada momento Problema Complexo de difícil formulação matemática ou com grande espaço de busca (grande número de soluções)

7 Exemplo: Problema Complexo Maximizar f (x) = x 2 : encontrar x ( L -1) para f(x)=máx 2 L Número de Pontos no Espaço Temp o de Busca 10 9 inst/seg L=3 8 < 1 seg L= < 1 seg L=30 1 bilhão 1 seg L= bilhões de anos Problema da Cabra Cega Busca de objetivo escondido em uma área y y 2 tesouro Avaliação adapta a busca y 1 y 0 (X 0, Y 0 ) tá frio (X 1, Y 1 ) tá morno (X 2, Y 2 ) tá quente! x 0 x 2 x 1 x

8 Problema da Cabra Cega y y A A (x B,y A ) F tesouro C cruzamento y B D E B x A x B x Operações Básicas Seleção: privilegia os indivíduos mais aptos Reprodução: indivíduos (palavras binárias) são reproduzidas com base na aptidão Crossover: troca de genes (pedaços de palavras) Mutação: troca aleatória de um gene (bit da palavra)

9 Exemplo Problema: Achar o valor máximo para f (x) = x 2, x no limite de 0 a 63. Representação da Solução: Palavras binárias representando sucessivas potências de => Representa => Representa 53 (uma solução mais apta) Seleção em Algoritmos Genéticos População Seleção Cromossoma A B Palavra X Aptidão (x 2 ) C D C D B A Probabilidade de Seleção Aptidão do Cromossoma

10 Operadores de Algoritmos Genéticos Crossover Pais Filhos Mutação Antes Depois Avaliação dos Filhos Ciclo do Algoritmo Genético Cromossoma Palavra Aptidão A B C D Pais f( ) Evolução Filhos Reprodução

11 Evolução dos Indivíduos f(t) Evolução Melhor Indivíduo Gerações 49 Avaliação Aplicado em problemas complexos de otimização de difícil modelagem matemática, com variedade de regras e condições, ou com grande número de soluções a considerar.

12