Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX
|
|
- Iago Pinhal
- 4 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX Daniel C. de S. Braga 1 ; Erivelton G. Nepomuceno 1 ; Sérgio A. A. G. Cerqueira 2 1 Departamento de Engenharia Elétrica UFSJ São João del-rei, MG CEP: eng.daniel.cunha@gmail.com; nepomuceno@ufsj.edu.br 2 Departamento de Engenharia Mecânica UFSJ, São João del-rei, MG CEP: sergio.gama.cerqueira@gmail.com Resumo. Neste trabalho, aplicou-se a técnica dos algoritmos genéticos (AG's) ao problema da escolha de estruturas de um modelo NARMAX polinomial. Modelos NARMAX são amplamente utilizados por sua fácil implementação e boa precisão na identificação de sistemas dinâmicos não-lineares. A estrutura de um modelo NARMAX polinomial é caracterizada pelos seus regressores e parâmetros, sendo crucial a escolha adequada dos primeiros e a determinação correta dos últimos. Se, por um lado, o Error Rate Reduction (ERR), largamente empregado para escolha dos regressores, é um procedimento interativo que requer grande intervenção do usuário, por outro, a determinação dos parâmetros pode ser feita de maneira eficiente pelo método do mínimos quadrados, uma vez que os polinômios dos modelos NARMAX são lineares nos parâmetros. O AG desenvolvido utiliza a codificação binária, empregando operadores de mutação e cruzamento desenvolvidos especificamente para o problema. A representação na forma de uma matriz binária triangular superior busca preservar uma noção de vizinhança que é aproveitada pelos operadores genéticos. O algoritmo foi aplicado à predição de séries temporais em dois problemas. O primeiro, a inflação mensal brasileira, medida pelo IPCA, entre janeiro de 1995 e dezembro de Dos 170 valores que compõem a série, os 120 primeiros foram usados para identificação do modelo e os 50 últimos para validação. O segundo caso estudado foi a potência demandada de uma concessionária americana durante a última semana de 1992, em um total de 192 valores, retirados de uma base que congrega dados discretizados em base horária, entre os anos de 1985 e Realizaram-se experimentos com o AG implementado, considerando diferentes números de regressores dos modelos e o atraso máximo do modelo. Nos experimentos realizados, o AG desenvolvido revelou-se capaz de encontrar estruturas com boa capacidade de representação, que em alguns casos mostraram-se superiores às encontradas na literatura. Palavras chaves: Algoritmos Genéticos, Modelos NARMAX, Determinação de Estruturas.
2 1 INTRODUÇÃO A modelagem de um sistema pode ser feita utilizando-se das equações que regem um fenômeno ou processo recebendo o nome de modelagem pela física do processo ou modelagem caixa branca sendo necessário conhecer bem o sistema com o qual se está lidando, bem como as leis físicas e/ou químicas que descrevem o sistema a ser modelado. Há também um tipo de modelagem, conhecida como Modelagem caixa preta, onde é necessário pouco ou nenhum conhecimento prévio do sistema. Em alguns casos pode-se combinar os dois tipos de modelagem citados e se fazer uma Modelagem Caixa Cinza. A modelagem caixa preta é muito utilizada no estudo de séries temporais, ou seja, um conjuntos de dados coletados, ao longo de um período de tempo, que descrevem a dinâmica de um determinado processo ou sistema. Algumas destas séries são de grande importância em ramos diversos do conhecimento, como por exemplo a inflação, a evolução do consumo de energia e a evolução de uma epidemia. Modelar e prever o comportamento destas séries é de grande valia a um tomador de decisão. Uma importante ferramenta de modelagem de séries são os modelos polinomiais NARMAX (Nonlinear AutoRegressive Moving Average with exogenous input) que traduzindo, seria modelo não-linear autoregressivo de média móvel com entradas exógenas (Nepomuceno, 2002). Uma dificuldade de modelar séries com esta representação é a escolha dos regressores (termos do polinômio) que farão parte do modelo. O procedimento comumente usado para contornar este problema é conhecido como ERR (Error Rate Reduction). Esse algoritmo determina o percentual de redução do erro de predição do modelo quando um determinado regressor é incluído. É entretanto um procedimento interativo que requer grande intervenção do usuário. Dentre os métodos de otimização, durante as duas últimas décadas, houve um vertiginoso crescimento dos métodos evolucionários, dentre os quais destacam-se os algoritmos genéticos (AGs). Esses encontraram grande aceitação por (i) serem aplicáveis a uma grande gama de problemas, (ii) se tratarem de técnica de otimização que depende apenas da informação obtida pela avaliação de diversos pontos no espaço de busca e (iii) por terem a capacidade de trabalhar com problemas discretos, aqueles em que as variáveis são números inteiros ou binários. Por isso, os AGs se constituem em uma interessante alternativa para contornar a dificuldade de se utilizar a ERR na determinação de regressores de um modelo NARMAX. As primeiras aplicações dos AGs, empregando estruturas de dados e operadores padrão de mutação e recombinação, para a seleção dos regressores de modelos NARMAX datam da década de noventa (Rodriguez-Vazquez e Fleming, 1997; Fonseca and Fleming, 1996). Fleming e Purshouse (2002) fazem uma revisão do estado da arte da aplicação dos algoritmos evolucionários a problemas de identificação e controle, incluindo a aplicação dos AGs à seleção de regressores. 2 REVISÃO BIBLIOGRÁFICA 2.1 MODELOS NARMAX POLINOMIAIS Os modelos NARMAX polinomiais (Aguirre, 2006) são modelos regressores utilizados na identificação de sistemas dinâmicos não-lineares. Modelos NARMAX podem ser descritos por: (1) (1)
3 sendo que: (2) em que os C p,m-p são denominados parâmetros e os y(k - n i ) são denominados regressores. Deve-se ressaltar que a determinação dos parâmetros e dos regressores é de suma importância para o processo, pois determina a exatidão dos resultados. Neste trabalho, a estimação dos parâmetros será feita por meio dos Mínimos Quadrados (Aguirre, 2006) e a dos regressores será feita utilizando Algoritmos Genéticos. 2.2 ALGORITMOS GENÉTICOS Algoritmos Genéticos (AG s) são métodos computacionais de busca baseados nos mecanismos de evolução natural e na genética. Em AG uma população de possíveis soluções para o problema em questão evolui de acordo com operadores probabilísticos concebidos a partir de metáforas biológicas, de modo que há uma tendência de que, na média, os indivíduos representem soluções cada vez melhores à medida que o processo evolutivo continua (Tanomaru, 1995). Uma população em um AG s converge para o ótimo utilizando-se de operadores de mutação, cruzamento e também de mecanismos de seleção e elitismo além de utilizar somente de avaliações de diversos pontos no espaço de busca, não necessitando de avaliação de derivadas de funções. Utilizando-se dessa facilidade e notando que o problema de seleção de termos de um modelo não-linear pode ser identificado como sendo a escolha de alguns destes termos dentro de um conjunto de possibilidades de forma a minimizar algum critério de erro (Fonseca e Fleming, 1996). Por possuir esta característica, os AG são uma interessante opção para a solução de tais problemas. 3 MATERIAIS E MÉTODOS O AG implementado, delineado na figura 1, considera um modelo completo, ou seja, com estrutura e parâmetros estimados, como sendo um indivíduo da população. Nas seções seguintes, discutem-se as opções de codificação, de estratégias de cruzamento e mutação, e de um critério de erro. Figura 1 Algoritmo desenvolvido no presente trabalho
4 3.1 CODIFICAÇÃO Um modelo possui saída ou previsão, regressores de saída, entradas exógenas e parâmetros. A figura 2 traz um modelo hipotético. Figura 2 Um modelo hipotético Considere uma tabela com as possíveis combinações de regressores de um modelo conforme mostra a figura 3. O termo 1 da figura 3 representa o regressor y(k - 1), o termo 1 x 1 representa o regressor y(k - 1) 2 e o termo 3 x 4 representa o regressor y(k - 3)y(k - 4) e assim sucessivamente. Os valores dentro do triângulo em vermelho já estão representados na matriz. Portanto, o termo 4 x 1 representa o mesmo regressor que o termo 1 x 4. Ambos representam o regressor y(k - 1) y(k - 4). Para se escolher a codificação utilizada neste trabalho levou-se em consideração que um dado regressor possui apenas dois estados, podendo estar ou não estar incluído em um modelo. k-1 k-2 k-3 k-4 k-5 (k-1)(k-1) (k-2)(k-1) (k-3)(k-1) (k-4)(k-1) (k-5)(k-1) (k-1)(k-1) (k-2)(k-2) (k-3)(k-2) (k-4)(k-2) (k-5)(k-2) (k-1)(k-1) (k-2)(k-3) (k-3)(k-3) (k-4)(k-3) (k-5)(k-3) (k-1)(k-1) (k-2)(k-4) (k-3)(k-4) (k-4)(k-4) (k-5)(k-4) (k-1)(k-1) (k-2)(k-5) (k-3)(k-5) (k-4)(k-5) (k-5)(k-5) Figura 3 Possíveis combinações para um modelo com 5 regressores Desta forma, a codificação escolhida foi a binária com o valor 0 representando a ausência de um dado regressor e o valor 1 representando a presença de um dado regressor. Um individuo é então representado por uma matriz de zeros e uns, na qual os uns funcionam como furos em um cartão perfurado. Na figura 4, mostra-se como a matriz binária, colocada como uma máscara sobre a matriz da figura 3 representa o modelo da equação 3, cujos parâmetros a 1...a 6 são estimados por Minímos Quadrados (Aguirre, 2006). Figura 4 - Representação de um indivíduo e do modelo correspondente
5 y(k) = a 1 y(k - 1) + a 2 y(k-5) + a 3 y(k 1) 2 + a 4 y(k - 1)y(k 3) + a 5 y(k 3)y(k-4) + a 6 y(k - 5) 2 (3) 3.2 CRUZAMENTO Para a fácil identificação dos regressores presentes nos dois indivíduos, antes da operação de cruzamento é feita um conversão (figura 5) dos indivíduos da codificação binária para a codificação inteira. A operação de cruzamento é realizada, então, sobre a codificação inteira e em seguida o novo indivíduo gerado é convertido para o formato binário. Essa operação tem a característica de preservar as informações em comum entre os indivíduos cruzados que são enviadas para as primeiras posições do indivíduo inteiro (Fonseca and Fleming, 1996). Codificação binária Codificação inteira Figura 5 Conversão entre as codificações binária e inteira A partir daí é sorteado um mapa indicando quais posições serão trocadas entre estes indivíduos. De posse desse mapa é feita a troca entre os indivíduos formando dois novos indivíduos. A figura 6 ilustra este processo: 3.3 MUTAÇÃO Figura 6 - Cruzamento Criou-se um processo de mutação em que um regressor de um dado indivíduo é movido para uma das quatro direções (Norte, Sul, Leste ou Oeste). O algoritmo implementado verfica antes de realizar uma mutação, quais as possibilidades de mudança conforme mostra a figura 7. Figura 7 Possibilidades de mutação de um dado indivíduo Observando-se o primeiro elemento deste indivíduo nota-se que ele pode se locomover para as direções Norte e Leste porém não pode se movimentar para as direções Sul e Oeste, pois, nessas posições já existem regressores. Essa verificação é realizada em todos os elementos que sofrerão mutação.
6 Para uma população sorteia-se um número aleatório de indivíduos que sofrerão mutação e para cada indivíduo sorteado escolhe-se aleatoriamente o número de passos que cada regressor sofrerá. Permitiu-se a cada regressor mover-se 1, 2 ou 3 passos, com probabilidade decrescente com número de passos dados. 3.4 CRITÉRIO DE ERRO O objetivo do algoritmo é minimizar uma métrica de erro do modelo. O critério de erro escolhido foi o Erro Quadrático Médio que é a diferença entre o dado previsto pelo modelo e o dado real podendo ser explicado por meio da equaçao 4. (4) onde n é o tamanho do conjunto de dados. O erro pode ser calculado sobre dados de validação, um conjunto de dados de um período à parte, como empregado no caso da predição do IPCA, ou sobre o próprio período utilizado para a identificação do modelo, como no caso da predição de energia elétrica. 4 RESULTADOS O Algoritmo Genético desenvolvido foi aplicado a dois sistemas-teste: a previsão do índice de inflação (medido pelo IPCA - Índice de Preços ao Consumidor Amplo) e a previsão de carga em um sistema elétrico também chamado neste texto de predição de demanda de energia. 4.1 ÍNDICE DE PREÇOS AO CONSUMIDOR AMPLO O IPCA é um índice criado pelo IBGE (Instituto Brasileiro de Geografia e Estatística) para medir a inflação no Brasil. No presente trabalho foram usados dados da série histórica do IPCA retirados do site O conjunto de dados é composto por 170 valores divididos em dois grupos. O primeiro composto de 120 valores correspondendo ao período de Janeiro de 1995 até Dezembro de 2004 foram usados para identificar o modelo. O outro conjunto de dados composto por 50 valores relativos a Janeiro de 2005 à Fevereiro de 2009 foram usados para validar os modelos. Para este problema-teste realizou-se uma rodada do algoritmo genético desenvolvido por 500 gerações, com 200 indivíduos, um atraso máximo de 15 e um total de 5 regressores presentes no modelo. O modelo encontrado apresenta valor do critério de erro de 0,0342. A figura 8 mostra os dados reais e as previsões feitas pelo modelo. (5) em que y é o valor real da amostra, ^y é a predição livre do sinal medido, ȳ é a média do sinal y e N representa o número de amostras. Afim de se fazer comparações entre modelos encontrados na literatura, calculou-se o índice RMSE (Root Mean Square Error ) do modelo 6. O índice é considerado bom, na
7 literatura, quando este encontra-se entre 0 e 1 mais próximo a 0 e pode ser expressado por meio da equação 5. O modelo 6 foi encontrado usando a metodologia empregada neste trabalho e está representado em azul na figura 8. Este apresente RMSE de 0, mostrando-se que a metodologia desenvolvida apresenta-se como uma alternativa à ERR. y(k) = 0, y(k - 1) + 0, y(k - 9) 0, y(k - 12) + 0, y(k - 13) 0, y(k - 10) 2 (6) 4.2 PREVISÃO DE CARGA Figura 8 Modelo em azul e dados reais em vermelho Fez-se previsões de valores futuros de uma série monovariada que descreve o comportamento de uma demanda de energia. A série temporal estudada traz valores da potência em MW, discretizados em base horária, de uma concessionária americana entre os anos de 1985 e 1992 (El-Sharkawi, 2002). Um conjunto de 192 dados foi separado para a identificação correspondendo à última semana de dezembro de Foram feitos experimentos com o intuito de verificar a influência do número de regressores no modelo e também o número de indivíduos da população na obtenção de uma boa solução. Cada experimento foi executado 21 vezes. Para verificar-se a influência do número de regressores no modelo, fixou-se o número de gerações em 300 e variou-se os demais parâmetros. Fixou-se, inicialmente, o número de indivíduos em 100 e o atraso máximo em 12 e variando-se o número de regressores em 5, 6 e 7, obteve-se os resultados apresentados nas figuras 9, 10 e 11. Os modelos 8, 9 e 10 apresentam erros de 4,25, 3,94 e 3,72 MW respectivamente. Os resultados dos experimentos mostram que um aumento no número de regressores do modelo, provoca uma melhoria do Erro Quadrático Médio, porém é sabido da literatura (Aguirre, 2006) que o número de regressores de um modelo não pode aumentar indefinidamente. y(k) = 1, y(k - 1) - 0, y(k - 4)2 + 0, y(k - 1)y(k - 2) + 0, y(k - 2)y(k - 12) - 0, y(k - 3)y(k - 12) (8) y(k) = 3, y(k - 1) 0, y(k - 2) 2, y(k - 1) 2 + 0, y(k - 2) 2 + 0, y(k - 2)y(k - 7) 0, y(k - 4)y(k - 11) (9)
8 y(k) = 2,903901y(k - 1) 0, y(k - 2) 1, y(k - 1) 2 + 0, y(k - 3) 2 + 0, y(k - 2)y(k - 12) + 0, y(k - 3)y(k - 12) 0, y(k - 4)y(k - 7) (10) Figura 9 Modelo 8 em azul e dados reais em vermelho Figura 10 Modelo 9 em azul e dados reais em vermelho Figura 11 Modelo 10 em azul e dados reais em vermelho Num segundo momento, verificou-se a influência do tamanho da população na obtenção de uma boa solução, fixou-se o atraso máximo em 15 e o número de regressores do modelo em 5. Foram realizados 21 experimentos com populações de 50, 100 e 200 indivíduos e os melhores modelos encontrados estão expressos em 11, 12 e 13. Os erros conforme a equação 4 foram 4,32, 4,21 e 4,17 MW para os modelos 11, 12 e 13 respectivamente. Observando-se o resultado do experimento, nota-se que um aumento no tamanho da população não representou uma melhoria significativa do Erro Quadrático Médio do modelo.
9 y(k) = 3, y(k - 1) - 0, y(k - 2) - 2, y(k - 1) 2 + 0, y(k -2) 2-0, y(k - 13) (11) y(k) = 2, y(k - 1) - 0,000225y(k - 2) - 1, y(k - 1) 2 + 0, y(k - 3) 2-0, y(k - 4)y(k - 13) (12) y(k) = 1, y(k - 1) - 1, y(k - 2) + 0, y(k - 3) - 0, y(k-3)y(k - 15) + 0, y(k - 12)y(k - 15) (13) Figura 12 Modelo 11 em azul e dados reais em vermelho Figura 13 Modelo 12 em azul e dados reais em vermelho Figura 14 Modelo 13 em azul e dados reais em vermelho Os dados reais e os modelos das equações 11, 12 e 13 estão representados nas figuras 12, 13 e 14.
10 5 CONCLUSÕES No presente trabalho desenvolveu-se um algoritmo genético para determinar a estrutura de modelos NARMAX polinomiais, buscando minimizar o Erro Quadrático Médio. Adotou-se uma codificação binária para a representação de um indivíduo e elaboraram-se estratégias próprias de recombinação e de mutação. Diversas simulações foram realizadas, em que se variou o tamanho da população, o número de regressores e também o atraso máximo do modelo. Foram utilizados dois problemas-teste para a identificação dos modelos: o índice de inflação (medida pelo Índice de Preços ao Consumidor Amplo - IPCA) e a predição de carga elétrica. Os resultados obtidos mostram que o algoritmo genético pode ser utilizado para determinar a estrutura de um modelo NARMAX polinomial como uma alternativa o Error Reduction Rate (ERR). O trabalho foi implementado usando o Scilab, uma ferramenta computacional gratuita e de código-fonte aberto 6 BIBLIOGRAFIA Aguirre, L. A. (2006). Introdução à Identificação de Sistemas: técnicas lineares e não lineares aplicadas a sistemas reais. Editora da UFMG. 3a edição. El-Sharkawi, M. A. (2002). Internet web page. class/559/2002spr/. Fleming, P. and Purshouse, R. (2002). Evolutionary algorithms in control systems engineering: a survey. Control Engineering Practice, 10: Fonseca, C. and Fleming, P. (1996). Non-linear system identification with multiobjective genetic algorithms. 13th Triennial World Congress, San Francisco, USA. Goldberg, D. (1989). Genetic algorithms in optimization, search and machine learning. Addison Wesley. Ljung, L. (1987). System Identification: Theory for the User. Prentice-Hall, London. Nepomuceno, E. G. (2002). Identificação multiobjetivo de sistems não-lineares. Master s thesis, UFMG. Rodriguez-Vazquez, K. and Fleming, P. (1997). A genetic programming/narmax approach to nonlinear system identification. In Genetic Algorithms in Engineering Systems: Innovations and Applications, GALESIA 97. Second International Conference On (Conf. Publ. No. 446), pages Tanomaru, J. (1995). Motivações, fundamentos e aplicações de algoritmos genéticos. In Proceedings of II Congresso Brasileiro de Redes Neurais, Curitiba. 7 DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho.
ESTIMAÇÃO 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 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 maisDETECÇÃO DE ESTRUTURAS DE MODELOS NARX POLINOMIAIS: UMA ABORDAGEM INTELIGENTE MULTI-OBJETIVO. Samir Angelo Milani Martins, Erivelton Geraldo Nepomuceno, João Paulo Mendes Figueiredo GCoM Grupo de Controle
Leia maisIdentificação de Sistemas Dinâmicos com Aritmética Intervalar
Identificação de Sistemas Dinâmicos com Aritmética Intervalar Márcia L. C. Peixoto Marco T. R. Matos Wilson R. Lacerda Júnior Samir A. M. Martins Erivelton G. Nepomuceno Programa de Pós-Graduação em Engenharia
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
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 maisDETERMINAÇÃO DO NÚMERO DE TERMOS DE MODELOS POLINOMIAIS: O CRITÉRIO DE INFORMAÇÃO DE AKAIKE MULTIOBJETIVO
DETERMINAÇÃO DO NÚMERO DE TERMOS DE MODELOS POLINOMIAIS: O CRITÉRIO DE INFORMAÇÃO DE AKAIKE MULTIOBJETIVO Samir Angelo Milani Martins, Alípio Monteiro Barbosa, Erivelton Geraldo Nepomuceno GCoM Grupo de
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da Unijuí. 2
COLETA DE DADOS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO E DETERMINAÇÃO DA ORDEM DE MODELOS ARX E ARMAX ATRAVÉS DE FUNÇÕES DE AUTOCORRELAÇÃO. 1 Joelson Lopes Da Paixão 2, Airam Sausen 3, Eduardo
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
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 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 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 maisMODELAGEM MATEMÁTICA CAIXA PRETA DE PROPULSORES ELETROMECÂNICOS 1
MODELAGEM MATEMÁTICA CAIXA PRETA DE PROPULSORES ELETROMECÂNICOS 1 Leila Ana Valer 2, Manuel Martín Pérez Reimbold 3. 1 Pesquisa realizada no Programa de Mestrado e Doutorado em Modelagem Matemática da
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 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 maisSOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS
Universidade Federal do Tocantins SOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS Diogo Rigo de Brito Guimarães Alexandre Tadeu Rossini da Silva Objetivo Implementar soluções heurísticas para o Jogo de Damas
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 maisPrograma Analítico de Disciplina ELT430 Modelagem e Identificação de Sistemas
0 Programa Analítico de Disciplina Departamento de Engenharia Elétrica - Centro de Ciências Exatas e Tecnológicas Número de créditos: Teóricas Práticas Total Duração em semanas: 15 Carga horária semanal
Leia maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ 2
ESTUDO TEÓRICO DA CONSTRUÇÃO DE MODELOS MATEMÁTICOS AUTORREGRESSIVOS E COMPARAÇÃO COM MODELOS ANALÍTICOS PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Alisson Vercelino
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 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 maisAPLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1
APLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Joelson Lopes Da Paixão 2, Airam Teresa Zago Romcy
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 mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
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 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 maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA LUIS PAULO FAGUNDES ALGORITMOS GENÉTICOS APLICADOS NA ESCOLHA DA TAXA DE AMOS- TRAGEM EM IDENTIFICAÇÃO
Leia maisPREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1
PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1 Rita Salete Kusiak 2, Douglas Joziel Bitencourt Freitas 3, Airam Tereza Zago Romcy Sausen 4, Paulo Sérgio
Leia maisétodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia 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 maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
Porto Alegre RS, o 4 de Outubro de 27 IDENTIFICAÇÃO DE UM MOTOR/GERADOR CC POR MEIO DE MODELOS POLINOMIAIS AUTORREGRESSIVOS E REDES NEURAIS ARTIFICIAIS Wilson Rocha Lacerda Junior, Vinicius Martins Almeida,
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 mais4 Sistema de Identificação de Parâmetros em Dados Sísmicos por Algoritmos Genéticos
Genéticos 39 4 Sistema de Identificação de Parâmetros em Dados Sísmicos por Algoritmos Genéticos Neste capítulo são abordadas as especificações de cada módulo e o Algoritmo Genético que compõem o modelo
Leia maisSIMULAÇÃO DE UM APRENDIZ FORMAL COM ALGORITMO EVO- LUCIONÁRIO
SIMULAÇÃO DE UM APRENDIZ FORMAL COM ALGORITMO EVO- LUCIONÁRIO Monise Rafaela da Costa Sistemas de Informação CEATEC monise.rc@puccamp.edu.br Resumo: Este documento apresenta o resultado de um trabalho
Leia maisCapítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos
Capítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 16 de outubro de 2018 1 / 31
Leia maisPRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO
PRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO Fabricio Muller 1, Anderson Roberto da Silva 2, Roberto Eugenio Bertol 3,
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisXXI Congresso Brasileiro de Automática - CBA2016 UFES, Vitória - ES, 3 a 7 de outubro
DISTRIBUIÇÃO UNIFORME DAS SOLUÇÕES PARETO-ÓTIMO NA IDENTIFICAÇÃO MULTIOBJETIVO DE SISTEMAS Samir Angelo Milani Martins, Erivelton Geraldo Nepomuceno GCOM - Grupo de Controle e Modelagem Departamento de
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 maisAlgoritmo Genético aplicado ao Sistema de Análise de Concessão de Crédito (SACC) Rosini Antonio Monteiro Bezerra Professor Marco Aurélio
Algoritmo Genético aplicado ao Sistema de Análise de Concessão de Crédito (SACC) Rosini Antonio Monteiro Bezerra Professor Marco Aurélio ICA, DEE, PUC-RIO CEP: 22453-900 ramb@ele.puc-rio.br ica@ele.puc-rio.br
Leia maisDETECÇÃO DE ESTRUTURAS DE MODELOS ARMAX POLIOMIAIS: A TAXA DE REDUÇÃO DE ERRO MULTI-OBJETIVO (MERR) Samir Angelo Milani Martins, Erivelton Geraldo epomuceno, Márcio Falcão Santos Barroso Programa de Pós-Graduação
Leia maisAPLICAÇÃO DE REPRESENTAÇÕES EM BLOCOS INTERCONECTADOS EM IDENTIFICAÇÃO CAIXA-CINZA DE SISTEMAS DINÂMICOS NÃO LINEARES
APLICAÇÃO DE REPRESENTAÇÕES EM BLOCOS INTERCONECTADOS EM IDENTIFICAÇÃO CAIXA-CINZA DE SISTEMAS DINÂMICOS NÃO LINEARES ANA PAULA L. SANTOS*, NÁDIA R. L. MILAGRES*, ALINE A. CAMPOS**, LUCIANA M. MARGOTI**,
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 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 maisMétodo dos Mínimos Quadrados na Identificação de Sistemas LIT.
Método dos Mínimos Quadrados na Identificação de Sistemas LIT. ENGC65: Sistemas de Controle III Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 14 de abril de 2014 Sumário
Leia maisESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS
ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS Laercio Brito Gonçalves, Marco Aurélio Cavalcante Pacheco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada
Leia maisESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS Marcelo Henrique dos Santos Universidade de Uberaba, Engenharia
Leia mais6.Elaboração de algoritmos...13
Índice de conteúdos Capítulo 1. Computação Científica...1 1.Definição...1 2.Modelo genérico...2 3.Modelo matemático...2 4.Tipos de modelos matemáticos...3 5.Modelação matemática...5 5.1.Definição (formulação)
Leia mais4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
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 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 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação Estar imune aos riscos que existem no mercado financeiro, reduzindo ou mesmo eliminando as possíveis perdas, é o desejo de qualquer investidor. Desta forma, todo investidor
Leia maisAssim, no algoritmo BIOCLIM, qualquer ponto do espaço pode ser classificado como:
ANEXO A ALGORITMOS BIOCLIM E GARP A.1 Algoritmo BIOCLIM O algoritmo BIOCLIM implementa o conceito de envelope bioclimático (Nix, 1986). O algoritmo calcula a média e o desvio-padrão para cada variável
Leia maisCOMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO E A FUNÇÃO SOLVER
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ARTES, CIÊNCIAS E HUMANIDADES SISTEMAS DE INFORMAÇÃO COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO
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 maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ. 2
COLETA DE DADOS EXPERIMENTAIS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO-ÍON POLÍMERO ATRAVÉS DE UMA PLATAFORMA DE TESTES E MODELAGEM DOS DADOS UTILIZANDO A TEORIA DE IDENTIFICAÇÃO DE SISTEMAS 1 Eduardo Cardoso
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 maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisUtilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real
Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real Amarildo de Vicente 1, Rogério Luis Rizzi 1 1 Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade
Leia maisCALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL
CALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL Autores: David Roza JOSÉ 1, Fernando Prando DACAS 2, Lucas BARP 2. 1 Mestre em Engenharia Mecânica, professor do Instituto Federal Catarinense
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 maisEtapas da Modelagem. Modelagem e Controle da Qualidade da Água Superficial Regina Kishi, 11/11/2014, Página 1
Etapas da Modelagem Modelagem e Controle da Qualidade da Água Superficial Regina Kishi, 11/11/2014, Página 1 Classificação dos modelos Medição de dados Conhecimento do processo físico Totalmente orientado
Leia mais3 Otimização Aplicada a Reconstituição de Acidentes
27 3 Otimização Aplicada a Reconstituição de Acidentes 3.1. Otimização A otimização é uma metodologia empregada para minimizar ou maximizar uma função e geralmente são utilizados em problemas onde existam
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisUtilização do modelo Holt-Winters para previsão das vendas de leite em um laticínio no oeste paranaense
Utilização do modelo Holt-Winters para previsão das vendas de leitm um laticínio no oeste paranaense Anariele Maria Minosso 1 Silvana Lígia Vincenzi Bortolotti 2 Katiane de Oliveira 3 1 Introdução A cadeia
Leia maisMétodos de reamostragem
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos de reamostragem Eduardo Vargas Ferreira Função custo 2 Função custo Matriz de confusão: é um layout de tabela que
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 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 maisSintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Filipe Sacchi ICA: Applied Computational Intelligence Department of Electrical
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 maisREGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM
REGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM Rodrigo Morgon¹, Silvio do Lago Pereira² ¹Aluno do Curso de Análise e Desenvolvimento de Sistemas FATEC-SP ²Prof. Dr. do Departamento de Tecnologia da Informação
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia mais2.1 Dados Experimentais e Método para Estimação dos Parâmetros
ANÁLISE COMPARATIVA DE MODELOS ANALÍTICOS CONSIDERANDO DESCARGAS CONSTANTES PARA PREDIÇÃO DO TEMPO DE VIDA DE DISPOSITIVOS MÓVEIS 1 Julia Giehl Zart 2, Livia Bittencourt Gomes 3, Douglas Joziel Bitencourt
Leia 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 maisAlgoritmo genético para formação de células de fabricação
Algoritmo genético para formação de células de fabricação Eduardo Vila Gonçalves Filho (EESC-USP) evila@sc.usp.br José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Ana Rita T. Terra
Leia maisAnálise Matemática. Aula Introdutória. Erivelton Geraldo Nepomuceno. Departamento de Engenharia Elétrica Universidade Federal de São João del-rei
Análise Matemática Aula Introdutória Erivelton Geraldo Nepomuceno Departamento de Engenharia Elétrica Universidade Federal de São João del-rei Agosto de 2016 Prof. Erivelton (PPGEL/UFSJ) Análise Matemática
Leia maisCâmpus de Bauru. Plano de Ensino. Seriação ideal 3
Curso 1503 / 1504 - Licenciatura em Matemática Ênfase Identificação Disciplina 0007220A - Cálculo Numérico Computacional Docente(s) Antonio Roberto Balbo Unidade Faculdade de Ciências Departamento Departamento
Leia maisUMA IMPLEMENTAÇÃO PARALELA DO ALGORITMO DE EVOLUÇÃO DIFERENCIAL AUTOADAPTATIVO
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM UMA IMPLEMENTAÇÃO PARALELA DO ALGORITMO DE EVOLUÇÃO DIFERENCIAL AUTOADAPTATIVO
Leia mais5 Projeto de Novos Polímeros Condutores
5 Projeto de Novos Polímeros Condutores Polímeros condutores constituem uma nova classe de materiais eletrônicos com propriedades incomuns, baseadas em novos fenômenos físicos, tendo aplicações com largo
Leia maisPredição de Utilização de Recursos Computacionais Usando Séries Temporais
Predição de Utilização de Recursos Computacionais Usando Séries Temporais Aluno: Paulo Roberto Pereira da Silva Orientador: Paulo Romero Martins Maciel Coorientador: Jean Carlos Teixeira de Araujo de Garanhuns
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisOtimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisO USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR RESUMO INTRODUÇÃO
O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR Douglas Peioto de Carvalho,Miquéias Augusto Ferreira Nantes (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia mais6. Aplicação à Séries de Velocidade do Vento
9. Aplicação à Séries de Velocidade do Vento A geração eólica de energia elétrica vem sendo explorada com mais intensidade desde e para este tipo de geração, a principal variável a ser estudada é a velocidade
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação As decisões econômicas de investimento, como adquirir novos equipamentos, aumentar a força de trabalho ou desenvolver novos produtos, bem como a avaliação econômica de projetos,
Leia maisAncoragem de Embarcações utilizando Algoritmos Genéticos
Ancoragem de Embarcações utilizando Algoritmos Genéticos Sérgio Alvares R. de S. Maffra 1 sam@tecgraf.puc-rio.br Marco Aurélio C. Pacheco 2 marco@ele.puc-rio.br 1 Tecgraf, Departamento de Informática,
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 maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia mais