ISCTE/FCUL - Mestrado Matemática Financeira. Aula5. Diana Aldea Mendes. Departamento de Métodos Quantitativos, IBS - ISCTE Business School
|
|
- Maria Clara Monteiro Casado
- 8 Há anos
- Visualizações:
Transcrição
1 ISCTE/FCUL - Mestrado Matemática Financeira Aula5 20 de Janeiro de 2010 Ano lectivo: 2009/2010 Diana Aldea Mendes Departamento de Métodos Quantitativos, IBS - ISCTE Business School Gab. 207 AA, diana.mendes@iscte.pt, deam 1
2 1 Optimização não-linear: mínimo global e aplicações Arrefecimento simulado (simulated annealing) Algoritmos genéticos 2
3 - Kirkpatrick, S., C.D. Gelatt, and P.M. Vecchi (1983). Optimization by Simulated Annealing, Science, 220, Metropolis, W., A. Rosenbluth, M. Rosenbluth, A. Teller, and E.Teller (1953). Equation of the State Calculations by Fast Computing Machines, Journal of Chemical Physics, 21, Michael Berthold, David J. Hand, References, Intelligent data analysis, Springer-Verlag New York, Inc., New York, NY, Heuristicsandartificial intelligence in finance and investment, - P. J. M. Van Laarhoven, E. H. L. Aarts, Simulated Annealing: Theory and Applications (1987), Springer. - Michael Bartholomew-Biggs, Nonlinear Optimization with Financial Applications, Springer US,
4 - Haupt, R. and Haupt. S., Practical Genetic Algorithms, (1998) John Wiley & Sons, pps ISBN Genetic Algorithms, info/ genetic algorithms.html - Genetic Algorithms, nd/surprise 96/ journal/vol4/tcw2/report.html 4
5 2 Resolução de problemas via métodos de busca O processo de resolução do problema consta em tomada de passos (acções) ou sequências de passos, que levam a um objectivo desejado, ou melhoram o desempenho relativo de soluções candidatas busca. Um algoritmo de busca terá como entrada um problema e retornará como saída uma solução Algoritmo Hill Climbing (subida da encosta) - Escolhe aleatoriamente uma solução inicial - Enquanto os critérios de paragem não são satisfeitos 5
6 - Gera uma nova solução (vizinha) a partir da actual (numa sua vizinhança) - Se custo da nova solução<custodasolução actual aceita a solução nova -Senão rejeita a solução nova - Critérios de paragem: nenhuma melhor solução é alcançada, um número fixo de iterações foi efectuado, ou o objectivo foi atingido Simulated Annealing - Procura minimizar esta limitação, permitindo aceitar vizinhos piores com uma certa probabilidade 6
7 3 Arrefecimento simulado (simulated annealing) O método de arrefecimento simulado (método de minimização global de Monte Carlo), é um método heurístico e pode ser aplicado a vários problemas, em particular à resolução de problemas de optimização linear e não-linear, de natureza difusa, através da melhor solução de entre um número finito de soluções possíveis. Este método deve ser aplicado para problemas difíceis e com muitas variáveis, onde requeremos um mínimo global e as outras técnicas são inadequadas. Éumatécnica que inicialmente foi utilizada na física da matéria condensada. O termo annealing define uma estratégia que controla a temperatura de tal forma que pode ser aproximado um estado óptimo. (Um sólido num banho quente é 7
8 aquecido até um valor máximo. A essa temperatura, todo o material encontra-se em estado ĺıquido e as particulas arrumam-se aleatoriamente. A temperatura é arrefecida suavemente, permitindo que as particulas se ordenam no estado de menor energia dessa estrutura. Se o sólido é arrefecido muito depressa, então o estado de energia mínima não pode ser encontrado). 8
9 Processo físico estado/estado de energia mínima nível de energia estado de transição temperatura ponto de congelamento arrefecimento distribuição de Boltzmann Optimização solução/solução óptima função objectivo soluções vizinhas parâmetro de controle solução heurística busca através da redução de T probabilidade de selecção de um novo ponto 9
10 Este processo natural foi adaptado e depois utilizado para determinar óptimos globais de uma função não-linear (Metropolis, 1953 e Kirkpatrik, 1983). Para ser implementado o processo lento (suave) de arrefecimento, foi introduzido um parâmetro de controle ρ: assim, emcadaiteração calcula-se a diferença, E, da energia do sistema, onde uma particula é aleatoriamente substituída. Se E <0, a substituição éaceitaese E >0, a substituição é aceita com a probabilidade de Boltzman (dos estados de energia) que tem a seguinte forma P = e E βt, onde β éaconstantedeboltzmanet é a temperatura. Aplicando o algoritmo de Metropolis várias vezes, para cada temperatura são executadas várias iterações e o sistema encontra o equilibrio térmico para cada temperatura. A temperatura T diminui segundo a equação T k+1 = ρt k,onde ρ assume valores de 0.8 a 0.99, até alcançar o ponto de congelamento (que pode ser diferente de zero), quando oalgoritmopára. 10
11 Algoritmo (Metropolis, 1953) (1) : Escolha k =0, p =0, x k (solução inicial), T p (temperatura arbitrária) (2) : Seja f = f x k+1 f (xk ); então Se f < 0, então aceitar a mudança com probabilidade 1 e x k = x k+1. Se f > 0, então aceitar a mudança com probabilidade e ( f/tp) e x k = x k+1, k = k +1 (3) : Repetir (2) até quando não há uma mudança significativa no valor da função (4) : Baixar a temperatura utilizando um processo de redução apropriado T p+1 = g (T p ), escolha p = p +1erepetede(2)até aqui, até quando já não há uma mudança significativa no valor da função devido a redução de temperatura 11
12 Matlab [fnew,xnew]=asaq(func,x,maxstep,qf,lb,ub,tinit) onde func éfunção a minimizar, x é a condição inicial, maxstep éonúmero máximo de iterações, qf=ρ é o quenching factor que éumnúmeroentre0e1, lb e lu são os limites inferiores e superiores das variáveis e tinit éatemperatura initial (valores sugeridos: maxstep=200, tinit=100, qf=0.9) Om-file asaq.m é baseado num algoritmo de Lester Ingber (1993) e utiliza um regime de arrefecimeto exponencial T p+1 = Ã T1 T 0! p T p. 12
13 [minimum,fval] = anneal(loss, parent, options) onde loss é a função a optimizar, parent são as condições iniciais e options são as opções disponíveis no m-file. Também SA.m +fun2d.m+sa02.m para visualizar a convergência do algoritmo de Metropolis. Os problemas fundamentais deste algoritmo são a escolha da temperatura inicial, do regime de redução da temperatura, do número de iterações e da temperatura final. * Temperatura Inicial 13
14 -suficientemente alto para que as falsas soluções iniciais sejam acceitas no inicio da heurística - relacionado com o valor da função objectivo * Processo de redução da temperatura -através do parâmetro ρ ou através da regra de actualização *Número de iterações - fixo (em geral) - relacionado com o tamanho do problema * Temperatura final: tem que ser próxima de 0 14
15 Exemplo: Determíne o mínimo global da função do m-file f801.m, cuja representação gráfica é apresentada em baixo: Funço f801 15
16 >> [fnew,xnew]=asaq( f801,[0 0],200,0.9,-10,10,100) fnew = xnew = >> [fnew,xnew]=asaq( f801,[ ],200,0.9,-10,10,100) fnew = xnew = >> [fnew,xnew]=asaq( f801,[ ],200,0.9,-10,10,100) 16
17 fnew = xnew = >> [fnew,xnew]=asaq( f801,[ ],200,0.9,-10,10,100) fnew = xnew = >> [fnew,xnew]=asaq( f801,[ ],200,0.9,-10,10,100) fnew =
18 xnew = >> [fnew,xnew]=asaq( f801,[ ],200,0.9,-10,10,100) fnew = xnew = >> [fnew,xnew]=asaq( f801,[ ],200,0.9,-10,10,100) fnew = xnew = Nota-se que cada vez quando corremos o programa vamos obter um resultado diferente e não é garantido obter um mínimo global até quando os parâmetros não são calibrados (escolhidos) de forma apropriada para o problema. 18
19 Matlab: Visualização do processo de arrefecimento simulado (SA.m +fun2d.m+sa02.m): SA.m +fun2d.m+sa02 19
20 Vantagens Pode lidar com modelos altamente não-lineares, caóticos, com dados com ruído e com problemas com várias restrições É um algoritmo robusto, muito versátil e geral. A função em estudo não requere diferenciabilidade e nem continuidade Fléxivel, pode obter soluções globais, sendo superior ao muitos outros algoritmos 20
21 21 Pela simplicidade de implementação, pode ser utilizado em conjunto com alguma outra heurística (existem algoritmos, onde só é utilizada a idéia de simulated annealing, com o objectivo de melhorar o desempenho de outra heurística)
22 Desvantagens Como é um método heurístico são precisas muitas escolhas para definir um bom algoritmo Pode ser muito demorado em tempo A escolha dos parâmetros é, em geral, bastante delicada 22
23 4 Algoritmos Genéticos -Os algoritmos genéticos surgiram nos anos 1960 como consequência do trabalho de investigação de John Holland. O seu objectivo foi estudar os fenômenos de desenvolvimento e adaptação à natureza, baseados na teoria de evolução de Darwin. Holland compreendeu que os mecanismos biológicos permitem adaptações que poderiam ser expressas matematicamente e simuladas computacionalmente. - Os algoritmos genéticos partem de uma população inicial (possíveis soluções) e evoluem durante as gerações (numero de iterações), dentro do espaço de procura até uma população final (conjunto dos melhores resultados), dentre os quais se encontra o ponto óptimo. 23
24 População = conjunto de pontos (indivíduos) no espaço de busca Geração =iteração completa do AG que gera uma nova população - Cada solução possível, dentro de um espaço, é representada como uma sequência de elementos, onde cada elemento é chamado de gene (variáveis), e cada uma dessa sequências formadas pelos genes são os cromossomos (indivíduos). Deste modo cada indivíduo é formado por um único cromossomo e vem codificado por uma sequência diferente de n genes, onde cada gene tem o comprimento m. Cromossomo = cadeia de bits que representa uma solução possível do problema Gene = representação de cada parâmetro de acordo com o alfabeto utilizado Fenótipo = cromossomo codificado 24
25 cromossomo x 1 x 2 x 3 x 4 = x n gene de comprimento Por exemplo uma função de duas variáveis f (x, y), com n =2, será representada por um cromossomo com 2 genes. Seja m = 7 o comprimento de cada gene. Então, temos: Cromossomo: {z } x {z } y -Para começar o algoritmo define-se uma população inicial representada por um grupo de diferentes configurações viáveis para o sistema em estudo. Estes 25
26 indivíduos são gerados de forma aleatória ou através de um processo heurístico. A população formada pelas configurações candidatas a solução do problema de optimização deve ser ordenada, do melhor para o pior indivíduo, de modo que, o indivíduo que apresenta menor valor para a função objectivo é considerado o melhor indivíduo, e tem a maior possibilidade de sobrevivência no ambiente. - O valor da função objectivo de cada indivíduo é designada por fitness (adequabilidade ao ambiente ou função de aptidão) O fitness testa os indivíduos como a natureza testa a todos nesta vida. Desta lista de indivíduos haverá recombinações as quais formarão novos indivíduos transmitindo parte do seu material genético ás gerações futuras. Essas novas gerações serão avaliadas de forma que a população seja sempre formada por indivíduos que apresentam melhor fitness. Aptidão bruta = saída gerada pela função objectivo para um indivíduo Aptidão máxima = melhor indivíduo da população corrente 26
27 - Para o processo de recombinação é realizada uma selecção dentre o grupo de indivíduos. Assim, através de dois indivíduos seleccionados, faz-se uma troca genéticaparageração de novos indivíduos. A selecçãodosdoisindivíduos que efectuarão o processo de recombinação éfeitaatravés da fórmula de Mayerle: Indiv.Selec = m α ³ m 2 + m, 2 onde m é o número de indivíduos da população, α é um número aleatório uniformamente distribuído entre 0 e 1 e[ ] represente a parte interira de. - O crossover (cruzamento) é o processo de reprodução realizado pelos indivíduos seleccionados. Neste processo há umatrocadegenesdetipopais- filhos. A troca éaleatória. A mutação é um processo de modificação aleatória (de baixa probabilidade) do um elemento (alelo) da gene, que, em geral, érealizada quando os filhos obtidos no processo de recombinação não forem viáveis. 27
28 cálculo de aptidão (fitness) seleção cruzamento mutação 4 operações básicas nova população = próxima geração 28
29 Crossover de 1 Ponto - O crossover é aplicado com uma dada probabilidade denominada taxa de crossover (60% a 90%) - Se o crossover é aplicado, os pais trocam sua informação gerando dois filhos, caso contrário od dois filhos serão cópiasexactasdospais. Pais Filhos ( opontedecorteé escolhido aleatóriamente (
30 Mutação -A mutação inverte os valores dos bits - É aplicada com dada probabilidade, denominada taxa de mutação ( '1%), em cada um dos bits do cromossomo Antes da mutação Depois da mutação Apenas o 2 o bit passou no teste de probabilidade 30
31 Algoritmo 1. Inicializar: definir a função objectivo (fitness) 2. Gerar os m indivíduos da população inicial e calcular os fitness 3. Ordenar os indivíduos, de acordo com o fitness, da melhor à pior solução 4. Seleccionar pais (od indivíduos mais aptos) 5. Gerar os filhos (crossover) 31
32 6. Os filhos são viáveis? Se SIM - próximo passo (7). Se NÃO: mutação e depois passo (7) 7. Calcular o fitness dos filhos 8. Fitness filho(s) < Fitness m-indivíduo? Se SIM - próximo passo (9). Se NÃO - vai ao passo (4) 9. Inserir filhos na população e excluir os piores indivíduos 10. Alcançou o critério de paragem? Se SIM - FIM. Se NÃO - vai ao passo (3) 32
33 Criterios de paragem: -Número de gerações - Encontrou a solução (quando é conhecida) - Convergência: nas últimas n gerações não houve melhoria 33
34 Propriedades Realizam buscas simultâneas em várias regiões do espaço de busca, pois trabalham com uma população e não com um único ponto Utilizam informações de custo ou recompensa e não derivadas ou outro conhecimento auxiliar Optimizam um número grande de variáveis Optimizam parâmetros de funções objectivo com superfícies complexas e complicadas reduzindo a incidência de mínimos locais 34
35 Adaptam-se bem a computadores paralelos e são fáceis de implementar Trabalham com uma codificação do conjunto de parâmetros e não com os próprios parâmetros Trabalham com dados gerados experimentalmente e são tolerantes a ruídos e dados incompletos São facilmente hibridizados com outras técnicas e heurísticas 35
36 Aplicações dos Algoritmos Genéticos - Economia: modelação de processos de inovação, desenvolvimento de estratégias de licitação, nascimento de mercados económicos - Sistemas Sociais: estudo dos aspectos evolutivos dos sistemas sociais (evolução de colónias de insectos: cooperação e comunicação) - Processamento de imagem: alinhamento e análise de imagens 36
37 Matlab Genetic Algorithm and Direct Search Toolbox, GA.m -script file para a função fun.m, mais outros a especificar f(x) x 37
38 6 Aplicações... Economics has a long tradition of relying on quantitative models for both presenting its theory and testing it empirically. In fact, Joseph Schumpeter, in the first edition of Econometrica in 1933, described economics as the most quantitative of all sciences. Optimisation is an inherent part of this methodology. In theoretical models, agents are presented as utility maximisers and firms try to maximise profit or to minimise cost. Selecting and estimating models for given data sets amounts to optimisation as well sums of squares are minimised and likelihoods are maximised so routinely today that often researchers may not even be aware that fitting a model means optimising it. When building models, economists are often limited by the fact that the model later needs to be solved, ideally in a closed-form. Some researchers have abandoned relying on representative agents and opted for more complex models, 38
39 relying on computer simulations to obtain results. Such agent-based models, if they are to be a viable alternative to more standard approaches, need to be tuned such that the results from these models coincide with empirical facts. This, again, is an estimation and hence optimisation problem... (M. Gilli and P. Winker)... A system of nonlinear asset flow differential equations (AFDE) gives rise to an inverse problem involving optimization of parameters that characterize an investor population. The optimization procedure is used in conjunction with daily market prices (MPs) and net asset values to determine the parameters for which the AFDE yield the best fit for the previous n days. Using these optimal parameters, the equations are computed and solved to render a forecast for MPs for the following days. For a number of closed-end funds, the results are statistically closer to the ensuing MPs than the default prediction of random walk 39
40 (RW). In particular, we perform this optimization by a nonlinear computational algorithm that combines a quasi-newton weak line search with the Broyden- Fletcher-Goldfarb-Shanno formula. We develop a nonlinear least-square technique with an initial value problem (IVP) approach for arbitrary stream data by focusing on the MP variable P since any real data for the other three variables B, γ 1,andγ 2 in the dynamical system is not available explicitly. We minimize the sum of exponentially weighted squared differences F[K] between the true trading prices from Day i to Day i+n-1, and the corresponding computed MPs obtained from the first row vector of the numerical solution U of the IVP with AFDE for ith optimal parameter vector, where K 0 is an initial parameter vector. Here, the gradient is approximated by using the central difference formula, and step length s is determined by the backtracking line search. One of the novel components of the proposed asset flow optimization forecast algorithm is a dynamic initial parameter pool that contains most recently used successful parameters, besides the 40
41 various fixed parameters from a set of grid points in a hyper-box...(parameter optimization for differential equations in asset price forecasting, Ahmet Duran and Gunduz Caginalp, Optimization Methods & Software, Volume 23, Issue 4 (August 2008))... Adaptive Simulated Annealing Applications to Finance An article in the Wall Street Journal in 1993 brought ASA to the attention of the finance community, and it now is used regularly in many financial institutions. A few examples can be mentioned here. The asa papers file in my archive references several financial and economics projects. For example, some economists use ASA to fit models of manufacturing capacity, labor tolerance, and interest rates. I have published papers using ASA to fit two-variable interest-rate models (coupled long-term and short-term interest rates) to several years of bond data. 41
42 I hav e consulted for a large bank that used ASA to fit a class of features of a set of complex derivatives to similar features of a simpler portfolio, so they could conveniently trade on the simpler portfolio. I hav e consulted for several traders, using ASA to find optimal parameters of trading models, e.g., parameters of moving-average indicators.... (Lester Ingber: The development and use of dynamic optimization model is extremely important in financial markets. The classical mean-variance portfolio model assumes the expected returns are known with perfect precision. In practice, however, it is extremely difficult to estimate precisely. While portfolios that ignore estimation error have very poor properties: the portfolio weights have extreme values and fluctuate dramatically over time. The Bayesian approach that is traditionally used to deal with estimation error assumes investors have only a single prior or is 42
43 neutral to the risk. Further, the Bayesian approach has computational difficulty to incorporate future uncertainty into the model. In this paper, I introduce Genetic algorithms technique in solving a dynamic portfolio optimization system, which incorporate economic uncertainties into a state dependent stochastic portfolio choice model. The advantage of GA is that it solves the model by forward-looking and backward-induction, which incorporates both historical information and future uncertainty when estimating the asset returns. It significantly improves the accuracy of mean return estimation and thus yields a superior model performance compared to the traditional methodologies. The empirical results showed that the portfolio weights using the GA model are less unbalanced and vary much less over time compared to the meanvariance portfolio weights. GA achieves a much higher Sharpe ratio and the out of sample returns generated by the GA portfolio model have a substantially 43
44 higher mean and lower volatility compared to the classical mean-variance portfolio strategy and Bayesian approach....(dynamic Portfolio Optimization with Economic Uncertainty, by Xiaolou Yang, 2005) ( name=sce2005&paper id=29) AAplicação do AG no Modelo de Cournot Adinâmica de um mercado é um processo evolutivo, no qual as firmas escolhem as estratégias que irão utilizar e aprendem tanto com seus sucessos e erros quanto com os dos suas rivais. Assim, o objetivo foi estudar um instrumento de replicagem dinâmica de modelos de oligopólio capaz de captar o caráter dinâmicoeevolutivodacondutadefirmas em um mercado ao longo do tempo. O modelo de Cournot aqui utilizado é o mais comum encontrado na Literatura: suponha que a firma i produza a quantidade q i [0,q] e que todas as N 44
45 firmas escolham simultaneamente o níveldeprodução. O preço de mercado P determinado pelo equiĺıbrio entre oferta e procura. A função de procura inversa é P = a bq, noqualq = P N i=1 q i e a e b>0, e a função custo é C(Q i )=cq i, linear e idêntica para todas as firmas. Assim, a função lucro é π i = q i (a bq) cq i. O equiĺıbrio de Nash deste problema de maximização de lucro é Q =[N/(N + 1)][(a c)/b], P =[(a + Nc)/N +1] e Π = [(a c)2]/[b(n +1)2]. O modelo de Cournot acima foi replicado dinamicamente através do uso de um AG. O objectivo de AG neste trabalho é verificar se as quantidades produzidas pelas firmas, que usam um processo de aprendizagem para tomar suas decisões estratégicas, convergem para a quantidade de equiĺıbrio q. Primeiramente, a estratégia que a firma i tem que escolher no período t, no caso o nível de produção q i(t),éidentificada através de um único número real, codificado como 45
46 uma série de zeros e uns, os conhecidos cromossomos, e que estão associados a uma pontuação de acordo com seu desempenho no mercado em termos de lucratividade (a medida do seu sucesso). O objetivo do sucesso do cromossomo i no período t é determinado pela lucratividade da firma i no final do período t, ouμ i(t) = π i(t). No processo de aprendizagem, as estratégias com melhores resultados têm maiores chances de serem selecionadas para os próximos períodos. Quando um cromossomo é selecionado para ser reproduzido,uma cópia exacta é feita. Quando n cópias de cromossomos forem feitas (o número de cromossomos na população é mantido constante), a reprodução foi completada. 46
47 Symbolic Dynamics and Control in a Matching Labor Market Model Diana A. Mendes, J. Sousa Ramos, Vivaldo M. Mendes The Matching Model Aggregate matching function: total number of successful matches M (u t,v t )=Au α t v 1 α t, A>0, α (0, 1) (1) v t number of job vacancies placed by firms u t total measure of workers looking for jobs 47
48 The intuition behind (1) is very simple: M/ u > 0, M/ v>0 Define the measure of labor tightness by: θ t v t u t Then, the probability of a vacancy being filled at t is q (θ t ) M (u t,v t ) v t The dynamics of employment are given by = Aθ α t. n t+1 =(1 s) n + q (θ t ) v t s probability of a match being dissolved at t θ t v t /u t = v t /(1 n t ) 48
49 We should focus upon the central planner solution to the matching model. The objective function is given by U(n, v) =φn t + z (1 n t ) cv t φ the productivity of each worker z the utility obtained per unit of leisure time c thecostthatfirms incur per vacancy placed in the market The planner chooses v t and n t+1 by solving the following dynamic optimization problem X max β t [φn v t,n t + z (1 n t ) cv t ] t+1 t=0 49
50 subject to n t+1 = (1 s) n t + q n 0 > 0 The Lagrangian can be written as " (β t [φn t + z (1 n t ) cv t ]+λ t L = X t=0 ThetwoFOC,foraninteriorsolution,are à vt 1 n t! (1 s) n t + q v t à vt 1 n t! v n t+1 #) L = β t h c + λ t q 0 (θ t ) θ t + q (θ t ) i =0 v t L = λ t + β t+1 h (φ z)+λ t+1 (1 s)+q 0 (θ t+1 ) θ 2 i t+1 =0. n t+1 50
51 Battacharya & Bunzel (2002) manipulated these FOC to arrive at a reduced equation that can easily lead to chaotic dynamics aθ α t+1 bθ t+1 = θ α t d (2) a β (1 s) (0, 1), b Aαβ > 0, d (A/c)(1 α)(φ z) > 0 The backward dynamics is characterized by the four-parameter family of maps g :[0,g max ] [0,g max ], where g (θ) =(aθ α bθ + d) 1 α, α (0, 1), a (0, 1), b,d > 0and θ max = µ αa b 1 1 α 51
52 where g max is implicitly defined as the lowest positive root of the equation agmax α bg max + d =0 The unique fixed point (Fig. 1) of g is denoted by θ and is implicitly given by aθ α bθ = θ α d. (3) The fixed point is stable if g 0 (θ ) < 1, backward dynamics g 0 (θ ) < 1, forward dynamics 52
Introdução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisAlgoritmos Genéticos (GA s)
Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA
136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização
Leia maisAjuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos
Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos ADJUSTMENT OF CONTROLLER PID S PARAMETERS OF GENETIC ALGORITHMS Luiz Eduardo N. do P. Nunes Victor
Leia maisALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS INTRODUÇÃO São métodos adaptativos que podem ser usados para resolver problemas de busca e otimização. Na natureza a combinação de boas características provenientes de diferentes indivíduos
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados
Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências
Leia maisTranscrição Automática de Música
Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Leia mais3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS
3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisSoftware reliability analysis by considering fault dependency and debugging time lag Autores
Campos extraídos diretamente Título Software reliability analysis by considering fault dependency and debugging time lag Autores Huang, Chin-Yu and Lin, Chu-Ti Ano de publicação 2006 Fonte de publicação
Leia maisSLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos
SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos Fredson Vieira Costa 1, Fábio Silveira Vidal 1, Claudomiro Moura Gomes André 1 1 Curso de Bacharelado em Ciência da Computação
Leia maisComputação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho.
Computação Paralela Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho Outubro 2005 Desenvolvimento de Aplicações Paralelas Uma Metodologia
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisPPD: Balanceamento de Carga e Scheduling 2
PPD: Balanceamento de Carga e Scheduling 2 Fernando Silva DCC-FCUP 2 (Alguns dos slides são baseados nos de Kathy Yelick, www.cs.berkeley.edu/ yelick) Fernando Silva (DCC-FCUP) PPD: Balanceamento de Carga
Leia maisUm Estudo Sobre a Chance de Repetição de Sorteios na Mega-Sena
Um Estudo Sobre a Chance de Repetição de Sorteios na Mega-Sena Rogério César dos Santos 05 de Janeiro de 2014 Resumo Qual é a chance de haver um sorteio repetido na Mega-Sena, em n jogos? Como veremos,
Leia maisMicrosoft Excel na resolução de problemas de optimização
Universidade do Minho Escola de Engenharia Departamento Campus de Gualtar de Produção 4710-057 Braga e Sistemas Microsoft Excel na resolução de problemas de optimização Manual da disciplina de Métodos
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisRepresentação por Números Reais
Representação por Números Reais Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário Para apresentarmos essa representação vamos introduzir o conceito de hibridização
Leia maisIntrodução à genética quantitativa usando os recursos do R
Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer
Leia maisOtimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha
Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Amarildo de Vicente Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste
Leia maisINVESTIMENTOS HOTELEIROS EM CABO VERDE: O CASO DO RIU HOTELS & RESORTS
INVESTIMENTOS HOTELEIROS EM CABO VERDE: O CASO DO RIU HOTELS & RESORTS Minarvino Filomeno Silva Furtado Caso de Estudo Mestrado em Finanças Orientadora: Prof. Doutora Clara Raposo, Prof. Associada, ISCTE
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisMétodos modernos de pesquisa e Optimização
Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisLuiz Fernando Fernandes de Albuquerque. Avaliação de algoritmos online para seleção de links patrocinados. Dissertação de Mestrado
Luiz Fernando Fernandes de Albuquerque Avaliação de algoritmos online para seleção de links patrocinados Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de
Leia maisUtilização do SOLVER do EXCEL
Utilização do SOLVER do EXCEL 1 Utilização do SOLVER do EXCEL José Fernando Oliveira DEEC FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO MAIO 1998 Para ilustrar a utilização do Solver na resolução de
Leia mais- Computação Evolutiva -
- Computação Evolutiva - Prof. Dr. Cícero Garrozi DEINFO - UFRPE PPGIA@UFRPE cicerog@gmail.com Site da disciplina: http://cicerog.blogspot.com Sumário Situando a Computação Evolucionária Metáfora principal
Leia maisAplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1. Introdução
15 Aplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1 Kamila Lacerda de Almeida 2, Mariana Tito Teixeira 3, Roney Alves da Rocha 4 Resumo:
Leia maisPlaca de vídeo em CUDA
Placa de vídeo em CUDA Matheus Costa Leone de Souza Krystian Aparacido Resumo Quando você tem um cálculo que possa ser grande demais para você realizar a mão, a primeira solução que lhe vem a cabeça é
Leia maisProblema 8-Puzzle: Análise da solução usando Backtracking e Algoritmos Genéticos
Problema 8-Puzzle: Análise da solução usando e Nelson Florêncio Junior Orientador: Frederico Gadelha Guimarães Departamento de Computação UFOP 18 de agosto de 2011 Nelson Florêncio Junior (UFOP) PAA 1
Leia maisVerificação de Impressões Digitais usando Algoritmos Genéticos
1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo
Leia maisSistemas de Apoio à Decisão Optimização V 2.0, V.Lobo, EN/ISEGI, 2011
V.0, V.Lobo, EN/ISEGI, 0 ópicos Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Métodos matemáticos clássicos Método de Monte Carlo Hill- Climbing Simulated Annealing Algoritmos Genéticos
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisUNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE CURSO DE PÓS-GRADUAÇÃO EM ECONOMIA-CAEN
UNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE CURSO DE PÓS-GRADUAÇÃO EM ECONOMIA-CAEN HELDER SOARES LOPES ANÁLISES DE MODELOS DE APREÇAMENTO PARA ÍNDICES SETORIAIS
Leia maisUm Modelo Matemático de Gestão de Recursos Humanos
30 Um Modelo Matemático de Gestão de Recursos Humanos JORGE SANTOS Departamento de Matemática, Escola Superior de Tecnologia de Viseu 1. Introdução O material que aqui publicamos foi resultado de várias
Leia maisComputadores de Programação (MAB353)
Computadores de Programação (MAB353) Aula 19: Visão geral sobre otimização de programas 06 de julho de 2010 1 2 3 Características esperadas dos programas O primeiro objetivo ao escrever programas de computador
Leia maisDISCIPLINA: Métodos Heurísticos
DISCIPLINA: Métodos Heurísticos CURSO(S): Licenciatura em Engenharia e Gestão Industrial Licenciatura em Engenharia de Sistemas e Informática Licenciatura em Matemática Aplicada Licenciatura em Matemática
Leia maisOptimização Não-linear
Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este
Leia maisA Otimização Colônia de Formigas
A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado
Leia maisRoteamento em Redes de Computadores
Roteamento em Redes de Computadores José Marcos Câmara Brito INATEL - Instituto Nacional de Telecomunicações INATEL - Instituto Nacional de Telecomunicações 01/08/00 1 Introdução Objetivo Tipos de rede
Leia maisOtimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos
Otimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos Tatiana Escovedo 1, Adriano S. Koshiyama 1 e Marco Aurélio C. Pacheco 1 1 Departamento de Engenharia Elétrica Pontifícia Universidade
Leia maisAPROG - Civil. Excel. Técnicas de pesquisa de informação em tabelas. Instituto Superior de Engenharia do Porto 2000-2007
APROG - Civil Excel Técnicas de pesquisa de informação em tabelas Instituto Superior de Engenharia do Porto 2000-2007 Elaborado por: António Silva (DEI-ISEP) Pesquisa de Informação em Tabelas O Excel
Leia maisComputação BioInspirada
Computação BioInspirada Os Engenheiros da Natureza Fabrício Olivetti de França The reasonable man adapts himself to the world; the unreasonable one persists in trying to adapt the world to himself. Therefore
Leia maisRepresentação de Modelos Dinâmicos em Espaço de Estados Graus de Liberdade para Controle
Representação de Modelos Dinâmicos em Espaço de Estados Graus de Liberdade para Controle Espaço de Estados (CP1 www.professores.deq.ufscar.br/ronaldo/cp1 DEQ/UFSCar 1 / 69 Roteiro 1 Modelo Não-Linear Modelo
Leia maisDificuldades de Modelos de PNL. Onde está a solução ótima? Outro exemplo: Condição ótima Local vs. Global. 15.053 Quinta-feira, 25 de abril
15.053 Quinta-feira, 25 de abril Teoria de Programação Não-Linear Programação Separável Dificuldades de Modelos de PNL Programa Linear: Apostilas: Notas de Aula Programas Não-Lineares 1 2 Análise gráfica
Leia maisALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO
ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br
Leia maisOtimização de Recuperação de Informação usando Algoritmos Genéticos
Otimização de Recuperação de Informação usando Algoritmos Genéticos Neide de Oliveira Gomes, M. Sc., nog@inpi.gov.br Prof. Marco Aurélio C. Pacheco, PhD Programa de Doutorado na área de Métodos de Apoio
Leia maisConceitos Básicos de Algoritmos Genéticos: Teoria e Prática
Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Thatiane de Oliveira Rosa 1, Hellen Souza Luz 2 1 Curso de Sistemas de Informação Centro Universitário Luterano de Palmas (CEULP/ULBRA) Caixa
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisOptimização Não-linear
Problemas de optimização não-linear Optimização Não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=x +log(x )*sin(x x ), com x -x! < 0 Não existem métodos universais para este tipo de
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisO degrau de potencial. Caso II: energia maior que o degrau
O degrau de potencial. Caso II: energia maior que o degrau U L 9 Meta da aula plicar o formalismo quântico ao caso de uma partícula quântica que incide sobre o degrau de potencial, definido na ula 8. Vamos
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisInteligência Computacional [2COP229]
Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da
Leia maisCap17 - Tomada de Decisões Complexas
Cap17 - Tomada de Decisões Complexas Processos de Decisão de Markov Algoritmo de Iteração de Valor Algoritmo de Iteração de Política Processos de Decisão de Markov Parcialmente Observáveis Teoria de Jogos
Leia mais1 Descrição do Trabalho
Departamento de Informática - UFES 1 o Trabalho Computacional de Algoritmos Numéricos - 13/2 Métodos de Runge-Kutta e Diferenças Finitas Prof. Andréa Maria Pedrosa Valli Data de entrega: Dia 23 de janeiro
Leia maisLimitações dos Computadores
Limitações dos Computadores Baseado em Computers Ltd. What they really can t do, David Harel. Oxford University Press, 2000. Computadores e Redes de Comunicação Mestrado em Gestão de Informação, FEUP 2004/07
Leia mais3 Modelo Evolucionário para Sustentabilidade Inteligente
3 Modelo Evolucionário para Sustentabilidade Inteligente Este capítulo introduz um modelo evolucionário para a otimização dos parâmetros de uma construção de modo a minimizar o impacto da mesma sobre os
Leia maisInteligência Computacional: resolvendo problemas difíceis da vida real
Instituto de Computação Semana Nacional da Ciência e Tecnologia Escola Agrotécnica Federal de Inconfidentes Inteligência Computacional: resolvendo problemas difíceis da vida real Carlos Eduardo de Andrade
Leia maisSistemas de Apoio à Decisão Optimização V 1.0, V.Lobo, EN/ISEGI, 2005
Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Problema de optimização Dada uma função f(x) encontrar o seu óptimo (máximo ou mínimo) Cada um faz a sua pesquisa!!! Problema de pesquisa
Leia maisAnálise e Desenvolvimento de Sistema de Estimação de Modelos da Classe STAR-TREE
Bernardo da Rocha Spindel Análise e Desenvolvimento de Sistema de Estimação de Modelos da Classe STAR-TREE Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas CMP1132 Processo e qualidade de software II Prof. Me. Elias Ferreira Sala: 402 E Quarta-Feira:
Leia maisGerenciamento de Projeto: Criando o Termo de Abertura II. Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
Gerenciamento de Projeto: Criando o Termo de Abertura II Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Priorizando Projetos. Métodos Matemáticos. Métodos de análise de benefícios. Selecionando
Leia maisComputação e Programação
Computação e Programação 8ª Aula de Problemas Cell arrays Estruturas Instituto Superior Técnico, Dep. de Engenharia Mecânica - ACCAII Problema 1 Escreva uma função que recebe um cell array de strings e
Leia maisERP Enterprise Resource Planning
ERP Enterprise Resource Planning Sistemas Integrados de Gestão Evolução dos SI s CRM OPERACIONAL TÁTICO OPERACIONAL ESTRATÉGICO TÁTICO ESTRATÉGICO OPERACIONAL TÁTICO ESTRATÉGICO SIT SIG SAE SAD ES EIS
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisTópicos Especiais em Redes: Introdução a Teoria dos Jogos com Aplicações a Redes de Computadores
Tópicos Especiais em Redes: Introdução a Teoria dos Jogos com Aplicações a Redes de Computadores Aula passada: Discussão sobre situações de conflito Exemplos de jogos Jogo em aula Aula de hoje: Introdução
Leia maisBusca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS
Busca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS Autor:Thiago França Naves 1, Orientador: Carlos Roberto Lopes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade
Leia maisEvolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest )
Generalidades A metáfora Biológica Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest ) Operadores Genéticos (Mendel) - recombinação (crossover ) - mutação (mutation ) Algoritmos
Leia maisAnálise de complexidade
Introdução Algoritmo: sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador) Estratégia: especificar (definir propriedades) arquitectura
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisDesenvolvendo uma Arquitetura de Componentes Orientada a Serviço SCA
Desenvolvendo uma Arquitetura de Componentes Orientada a Serviço SCA RESUMO Ricardo Della Libera Marzochi A introdução ao Service Component Architecture (SCA) diz respeito ao estudo dos principais fundamentos
Leia maisMemória Cache. Prof. Leonardo Barreto Campos 1
Memória Cache Prof. Leonardo Barreto Campos 1 Sumário Introdução; Projeto de Memórias Cache; Tamanho; Função de Mapeamento; Política de Escrita; Tamanho da Linha; Número de Memórias Cache; Bibliografia.
Leia mais8 Referências Bibliográficas
8 Referências Bibliográficas ARTZNER, P. et al. Coherent measures of risk. Mathematical finance, v. 9, n. 3, p. 203-228, 1999. BRADLEY, S. P.; CRANE, D. B. A dynamic model for bond portfolio management.
Leia maisContagem I. Figura 1: Abrindo uma Porta.
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 4 Contagem I De quantos modos podemos nos vestir? Quantos números menores que 1000 possuem todos os algarismos pares?
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisIA Colônia de Formigas. Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA Colônia de Formigas Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução O Experimento da Ponte Binária. Ant System Aplicado ao PCV. Elitist Ant System. Introdução Otimização colônia
Leia maisAplicações de Escritório Electrónico
Universidade de Aveiro Escola Superior de Tecnologia e Gestão de Águeda Curso de Especialização Tecnológica em Práticas Administrativas e Tradução Aplicações de Escritório Electrónico Folha de trabalho
Leia maisPreço de Transferência Fund Tranfer Pricing (FTP)
Preço de Transferência Fund Tranfer Pricing (FTP) 1º Congresso Internacional de Gestão de Riscos 19 a 21 de outubro de 2001 FEBRABAN Agenda Objetivo Visão Geral Análise e Validação Áreas Contexto do Processo
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisTécnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques
Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz
Leia maisTarefa Orientada 15 Manipulação de dados
Tarefa Orientada 15 Manipulação de dados Objectivos: Criação de tabelas teste Comando INSERT INTO Inserção de dados Comando INSERT Actualização de dados Comando UPDATE Eliminação de dados Comando DELETE
Leia maisem torno do Planeamento da Produção e da Gestão de Operações
workshop Competir e Inovar na Gestão em torno do Planeamento da Produção e da Gestão de Operações Jorge Pinho de Sousa (jsousa@inescporto.pt) Fevereiro 2008 agenda 1. planeamento e escalonamento de operações
Leia maisOPERAÇÃO DE SISTEMAS DE POTÊNCIA. TEE-04091 Aula 13 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica OPERAÇÃO DE SISTEMAS DE POTÊNCIA TEE-04091 Aula 13 Pro. Vitor Hugo Ferreira Operação em tempo real e planejamento
Leia maisAspectos Sociais de Informática. Simulação Industrial - SIND
Aspectos Sociais de Informática Simulação Industrial - SIND Jogos de Empresas Utilizada com sucesso para o treinamento e desenvolvimento gerencial Capacita estudantes e profissionais de competência intelectual
Leia maisPierre Alexandre Charles Burban. Apreçamento de opções exóticas: Uma abordagem pela simulação de Monte-Carlo. Dissertação de Mestrado
Pierre Alexandre Charles Burban Apreçamento de opções exóticas: Uma abordagem pela simulação de Monte-Carlo Dissertação de Mestrado Dissertação apresentada ao Programa de Pós- Graduação em Engenharia de
Leia maisCOMPUTAÇÃO E PROGRAMAÇÃO
COMPUTAÇÃO E PROGRAMAÇÃO 1º Semestre 2010/2011 MEMec, LEAN Ficha da Aula Prática 3: Entrada/saída de dados. Scripts e funções. Estruturas de selecção. Sumário das tarefas e objectivos da aula: 1. Utilizar
Leia maisAlgoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009
: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 Principais Tópicos População Inicial Funções Objetivo de Alto Custo Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição
Leia maisMARCELO DE LIMA BRAZ REDUÇÃO DA QUANTIDADE DE REPROCESSO NO SETOR DE PRODUÇÃO DE CALDOS ALIMENTÍCIOS NA EMPRESA DO RAMO ALIMENTÍCIO (ERA).
MARCELO DE LIMA BRAZ REDUÇÃO DA QUANTIDADE DE REPROCESSO NO SETOR DE PRODUÇÃO DE CALDOS ALIMENTÍCIOS NA EMPRESA DO RAMO ALIMENTÍCIO (ERA). Poços de Caldas / MG 2014 MARCELO DE LIMA BRAZ REDUÇÃO DA QUANTIDADE
Leia maisARTIGO TÉCNICO. Os objectivos do Projecto passam por:
A metodologia do Projecto SMART MED PARKS ARTIGO TÉCNICO O Projecto SMART MED PARKS teve o seu início em Fevereiro de 2013, com o objetivo de facultar uma ferramenta analítica de confiança para apoiar
Leia maisTese / Thesis Work Análise de desempenho de sistemas distribuídos de grande porte na plataforma Java
Licenciatura em Engenharia Informática Degree in Computer Science Engineering Análise de desempenho de sistemas distribuídos de grande porte na plataforma Java Performance analysis of large distributed
Leia maisIntrodução a IO V 1.1, V.Lobo, EN/ISEGI, 2007
Investigação Operacional e Gestão de Projectos Victor Lobo Maria do Carmo Lucas Programa 0 Introdução 1 - Programação Linear. Método Simplex e variantes 2 Problemas de Transportes 3 Problemas de Afectação
Leia maisObjetivos. Engenharia de Software. O Estudo de Viabilidade. Fase do Estudo de Viabilidade. Idéias chave. O que Estudar? O que concluir?
Engenharia de Software O Estudo de Viabilidade Objetivos O que é um estudo de viabilidade? O que estudar e concluir? Benefícios e custos Análise de Custo/Benefício Alternativas de comparação 1 2 Idéias
Leia mais