Metaheurísticas de Otimização Bio-Inspiradas
|
|
- Elza da Mota Rijo
- 7 Há anos
- Visualizações:
Transcrição
1 Metaheurísticas de Otimização Bio-Inspiradas Aula 16 Algoritmos Inspirados em Cardumes de Peixes* Prof. Dr. Hugo Valadares Siqueira
2 Algoritmos bio-inspirados baseados em populações têm sido amplamente utilizados em problemas de busca e otimização, cuja resolução por meio de métodos matemáticos tradicionais tem se mostrado computacionalmente inviável ou ineficiente; Os algoritmos inspirados no comportamento coletivo de um cardume de peixes fazem parte de um ramo da Computação Natural conhecido por Inteligência Coletiva (IC) ou inteligência de enxame; A inspiração para os métodos de IC procedem do comportamento social inteligente demonstrado por alguns seres vivos em atividades específicas na natureza, como a busca de formigas ou de peixes por alimentos, a revoada de um bando de pássaros, entre outros; Esse comportamento social inteligente emerge a partir de interações locais entre os indivíduos da população.
3 Artificial Fish Swarm Algorithm O AFSA foi originalmente proposto por Li et al.(2003); A inspiração para procede da observação do comportamento social inteligente presente em cardumes de peixes na busca por alimentos; O AFSA é conhecido pelo potencial de encontrar o ótimo global a partir da busca local individual dos peixes e por possuir certa habilidade adaptativa para pesquisar o espaço de soluções; Um peixe se locomove pela região visando alcançar um local onde haja maior concentração de comida (região ótima), e para isso leva em consideração características próprias mas também características dos outros peixes próximos.
4 A habilidade adaptativa do AFSA esta na capacidade do algoritmo de permitir que os peixes selecionem e executem o movimento que for mais vantajoso em um dado instante; Em um cardume de peixes artificiais cada peixe pode simular um dos 4 comportamentos definidos: - O comportamento de perseguição de presas (Prey); - O comportamento coletivo de seguir o bando (Swarm); - O comportamento de seguir o melhor peixe da vizinhança (Follow); - O comportamento de se mover de maneira aleatória e independente (Leap).
5
6 Definições - xi é a posição do peixe i e representa uma solução do problema; - y = f(x) é a função objetivo da posição x e representa a qualidade (fitness) da posição; - dij = xi - xj representa a distância euclidiana entre o peixe i e j; - Visual é um parâmetro que define quando um peixe está no campo de visão de outro, ou seja, é a distância entre eles; - nf é quantidade de peixes dentro do raio de visão de um determinado peixe, ou seja, dentro da sua vizinhança; - δ representa o volume máximo de peixes em uma determinada área; - Mstep é o tamanho máximo do passo que um peixe pode dar ao se mover; - step é um número aleatório positivo entre 1 e Mstep; - S = {xj xi - xj < Visual} é a vizinhança do peixe i; - Trynumber: número de tentativas de execução do comportamento prey.
7 Prey Instinto natural do peixe para encontrar comida, ou seja, o movimento dos peixes é direcionado pela concentração de comida na água; O peixe move-se na direção de posições aleatórias, dentro da sua vizinhança S, na busca por posições com maior concentração de comida, ou seja, posições com um melhor valor de fitness; O peixe escolhe uma posição dentro do seu campo visual; Se o peixe selecionado tiver concentração de comida maior, atualização ocorre da seguinte forma:
8 Caso o peixe não encontre nenhum vizinho com melhor concentração de comida após trynumber tentativas, ele se move aleatoriamente pelo espaço: O parâmetro trynumber que deve especificar quantas vezes o peixe irá tentar executar este movimento consecutivamente na tentativa de melhorar sua posição; Caso isso não seja possível, o indivíduo move-se aleatoriamente, podendo inclusive ir para fora do seu campo visual;
9 Leap Movimentação do peixe aleatória independente do cardume; Esta movimentação produz um comportamento estocástico dos peixes e pode ser feito utilizando um fator estocástico: O comportamento que tiver a melhor avaliação será o comportamento utilizado pelo peixe para atualizar o seu estado.
10 Swarm Os peixes normalmente se movem em grupos para facilitar na caça e também para evitar eventuais situações de perigo; A ideia deste movimento é fazer com que o peixe siga em direção ao centro da sua vizinhança obedecendo a seguinte condição: - o fitness da posição central divido pela quantidade de vizinhos, nf, tem que ser maior do que o volume máximo de peixes da vizinhança multiplicado pelo fitness da posição atual; caso contrário, o peixe executa o movimento Prey, conforme equação: onde xc é a posição central obtida através da soma de todas as posições que fazem parte da vizinhança de xi dividida pela quantidade de peixes desta vizinhança.
11 Follow Quando pequenos grupos de peixes encontram alimento através da sua movimentação, os peixes vizinhos tendem a segui-los ao local de melhor concentração de comida; Este comportamento expressa a atitude do peixe em seguir o melhor peixe da sua vizinhança, ou seja, aquele cuja posição tem um melhor fitness (ymax); Porém, é necessário que isso seja mais vantajoso que a sua posição atual e também respeite o volume máximo de peixes por área; A equação seguinte expressa este comportamento:
12
13
14 Busca Baseada em Cardumes O algoritmo de busca por cardumes (FSS, Fish School Search) foi proposto por Bastos Filho et al.; É uma técnica de inteligência computacional usada para resolver problemas de otimização em espaços de busca multimodais com alta dimensionalidade; Inspirada no comportamento emergente de cardumes que está relacionado com o aumento da habilidade de sobrevivência dos peixes, como proteção mútua e busca por comida; Algumas espécies de peixes desempenham tarefas coletivas, que permitem aumentar a capacidade de sobrevivência de todo o grupo; Cada peixe representa uma possível solução para o problema;
15 A principal característica deste paradigma é que os peixes contêm uma memória inata limitada de seu sucesso, isto é, seus pesos; Outro atributo importante do FSS é a ideia de evolução por meio de uma combinação de operadores que representam o nado coletivo e individual durante o processo de busca; É uma técnica estocástica com potencial de otimização global; O algoritmo FSS possui quatro operadores, que podem ser agrupados em duas classes: a alimentação e a natação. Cada peixe do cardume deverá executar todos os operadores ao longo de todas as iterações;
16 Dois grupos compreendem os principais operadores do algoritmo FSS: - Alimentação: comida é uma metáfora para indicar aos peixes as regiões do aquário que são provavelmente bons locais do espaço de busca; - Natação: na realidade uma coleção de operadores que são responsáveis por guiar o esforço da busca globalmente em direção a subespaços do aquário os quais influenciam todos os indivíduos (peixes) por serem mais promissores em relação ao processo de busca.
17 Assim sendo, os operadores do FSS são: i) Movimento individual: o responsável por realizar uma busca local; ii) Alimentação: responsável pela atualização do peso do peixe, indicando, assim, se houve ou não sucesso durante a busca; iii) Movimento coletivo-instintivo: realiza o deslocamento do cardume influenciado pelos peixes que tiveram sucesso individualmente; iv) Movimento coletivo-volitivo: responsável por realizar o controle da granularidade do processo de busca; O pseudocódigo da versão básica está apresentado no Algoritmo 1 com os operadores em sua versão original.
18
19 onde Wi(t) é o peso do peixe i na iteração t, xi(t) é a posição do peixe i e f [xi(t)] avalia a função fitness, isto é, a quantidade de comida, em xi(t). O módulo [max(f)] é o valor máximo absoluto das diferenças de fitness na iteração considerando todos os peixes; UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Operador de Alimentação Com o intuito de encontrar mais comida, os peixes no cardume podem desempenhar movimentos independentes; Como resultado, cada peixe pode aumentar ou diminuir de peso, dependendo do seu sucesso ou falha na busca por comida; O peso do peixe é atualizado uma vez a cada iteração pela equação seguinte:
20 A fim de que a convergência em direção as áreas mais promissoras do aquário ocorra rapidamente algumas características foram observadas: - O parâmetro do peso foi criado (Wscale) para limitar o peso do peixe no intervalo [1,Wscale]; - O peso inicial de todos os peixes é igual a Wscale/2; - A varição do peso do peixe é avaliada uma vez em todo ciclo do FSS.
21 Operadores de Natação No FSS, os padrões de natação de um cardume são resultados de três diferentes movimentos que são classificados em três classes: i) Individual; ii) iii) Coletivo instintivo; Coletivo volitivo. Além disso, o nado dos peixes está diretamente relacionado a todo importante comportamento coletivo e individual, tal como comer, procriar, escapar de predadores, ir para regiões mais habitáveis.
22 Movimento individual O movimento individual é aplicado a cada peixe no aquário em todas as iterações, escolhendo aleatoriamente uma nova posição em sua vizinhança; O deslocamento do peixe no espaço de busca de um ponto A para um ponto B, somente ocorre caso B possua mais comida do que em A, ou seja, apenas se a função de avaliação (fitness) indicar que B é uma região mais promissora do que A; stepind que representa o deslocamento do peixe no aquário;
23 O parâmetro stepind é multiplicado por um número gerado aleatoriamente por uma distribuição uniforme no intervalo [-1;1] com o intuito de atribuir aleatoriedade no processo de busca; O peixe se desloca de stepind.rand[-1;1] caso esteja dentro das fronteiras do aquário (espaço de busca); O stepind pode ser visto é um percentual da amplitude (tamanho) do espaço de busca na dimensão e é limitado por dois parâmetros (stepindmin e stepindmax);
24 Vale ressaltar que a comida é uma metáfora para avaliação das soluções candidatas no processo de busca: onde xindi é o deslocamento do peixe i em determinado ciclo; O stepind decresce linearmente durante as iterações a fim de que todo o cardume realize inicialmente busca em amplitude e altere para busca em profundidade de forma gradativa; Uma alternativa para diminuição do passo com o decorrer das iterações é apresentado: onde iterações é o número de iterações usado na simulação. stepindi e stepindf são os parâmetros do movimento individual no início e no final da execução, respectivamente.
25 Movimento Coletivo-Instintivo Após todos os peixes terem se movimentado individualmente, suas posições são atualizadas de acordo com a influência dos peixes que foram mais bem sucedidos na busca por alimentos durante a movimentação individual; O objetivo é utilizar a informação da direção onde há maior proporção de alimentos, ou seja, as melhores soluções para o dado problema; Este movimento é baseado na variação da quantidade de comida, ou seja, avaliação da função fitness, encontrada pelo peixe; Quando a direção global é computada, cada peixe é reposicionado;
26 O deslocamento é uma média ponderada dos movimentos individuais de cada peixe, em que essas variações são os pesos: onde I(t) a direção resultante a ser tomada pelo cardume é avaliada por meio de: onde xindi é o deslocamento do peixe i devido ao movimento individual no ciclo do FSS.
27 Movimento Coletivo-volitivo Ocorre após os outros dois movimentos e é baseado no desempenho global do cardume; Se a busca feita pelo cardume estiver sendo bem sucedida, o cardume deverá contrair em relação ao baricentro; se não, o cardume deverá se espalhar; A ideia é simples: se o cardume aumenta de peso, significa que a busca foi bem sucedida, então o raio do cardume deve contrair; senão, ele deve aumentar; A dilatação ou contração do cardume é aplicada como um pequeno ajuste na posição de todos os peixes de/para o baricentro do cardume que é obtido como: O baricentro é uma média ponderada das posições dos peixes cujos pesos são os pesos (Wi) dos peixes.
28 O parâmetro passo volitivo (stepvol) é definido para especificar a intensidade do deslocamento do peixe de/para o baricentro; A nova posição é determinada a seguir, na qual: - se o peso global do cardume aumenta em relação ao peso dele no ciclo anterior: - ou se o peso global diminui: onde rand um número aleatório gerado de uma distribuição uniforme no intervalo [0;1] e o valor do stepvol deve ser duas vezes o valor do stepind.
29 O stepvol é definido como um percentual do espaço de busca e é limitado por dois parâmetros (stepvolmin e stepvolmax); stepvol é decresce linearmente no decorrer das iterações do algoritmo; Esse processo faz com que o algoritmo tenha um comportamento inicial de busca em amplitude e altere seu comportamento dinamicamente, para realizar busca em profundidade.
30 Pseudocódigo do FSS O pseudocódigo do algoritmo FSS, apresentado no Algoritmo 1, começa gerando aleatoriamente um cardume de acordo com restrições que controlam o tamanho dos peixes e suas posições iniciais; O processo de busca ocorre até que pelo menos uma condição de parada seja encontrada; Alguns critérios de parada para o FSS são os seguintes: - limite de tempo; - máximo raio do cardume; - limite de iterações (ciclos); - mínimo peso do cardume; - número máximo de peixes.
31 Referências Paralelização de Algoritmos de Busca baseados em Cardumes para Plataformas de Processamento Gráfico, Anthony José da Cunha Carneiro Lins, Fernando Buarque Lima Neto, Carmelo José Albanez Bastos Filho Escola Politécnica da Universidade de Pernambuco - Universidade de Pernambuco. ARTIFICIAL FISH SWARM ALGORITHM APPLIED TO THE TRAVELING SALEMAN PROBLEM Allan Kardec Lopes, Gina M. B. de Oliveira, Lais C. R. da Silva Lopes, Paulo H. G., 10th International Conference on Information Systems and Technology Management CONTECSI June, 12 to 14, São Paulo, Brazil. BUSCA POR CARDUMES PARA PROBLEMAS DISCRETOS APLICADA AO PROBLEMA DE CARREGAMENTO DE PALETE - Trabalho de Conclusão de Curso Engenharia da Computação Aluno: Tarcísio Mendes de Farias Orientador: Prof. Carmelo José Albanez Bastos Filho. ALGORITMO BASEADO EM CARDUMES DE PEIXES MODIFICADO PARA A OTIMIZAÇÃO DE EXTREME LEARNING MACHINES, João Fausto Lorenzato de Oliveira, Teresa B. Ludermir, X Congresso Brasileiro de Inteligência Computacional (CBIC 2011).
ARTIFICIAL FISH SWARM ALGORITHM APPLIED TO THE TRAVELING SALEMAN PROBLEM
ARTIFICIAL FISH SWARM ALGORITHM APPLIED TO THE TRAVELING SALEMAN PROBLEM Allan Kardec Lopes (Instituto Federal Goiano Campus Urutaí GO Brasil) allankardec.ti@gmail.com Gina M. B. de Oliveira (Universidade
Leia maisInteligência de Enxame
Inteligência de Enxame! Inteligência de enxames é a denominação aplicada a tentativa de desenvolvimento de algoritmos para a solução distribuída de problemas inspirando-se no comportamento coletivo de
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia 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 maisALGORITMO HÍBRIDO DE OTIMIZAÇÃO GLOWWORM-BOIDS. {oliveira,
ALGORITMO HÍBRIDO DE OTIMIZAÇÃO GLOWWORM-BOIDS Gian FRITSCHE 1,2,*, Paulo B. Moura OLIVEIRA 1, Eduardo J. Solteiro PIRES 1, Pedro L. Paula FILHO 2 1 INESC TEC INESC Tecnologia e Ciência (INESC Porto, polo
Leia maisPSO Particle Swarm Optimization ou Otimização por enxame de partículas Introdução Inspiração Funcionamento Parametrização
Manoela Kohler PSO Particle Swarm Optimization ou Otimização por enxame de partículas Introdução Inspiração Funcionamento Parametrização Variantes de PSO Aplicações PSO+: algoritmo baseado em enxame de
Leia maisOtimização por Colônia de Formigas (ACO)
Otimização por Colônia de Formigas (ACO) Inspiração Biológica Proposto por Dorigo e Gambardella em 1997 ACO (Ant Colony Optimization) Principal aplicação no PCV Programação do algoritmo Inspiração Biológica
Leia maisParticle Swarm Optimization (PSO) Universidade Federal de Alfenas
Otimização por Enxame de Partículas Particle Swarm Optimization (PSO) Universidade Federal de Alfenas Tiago Silveira ... Detalhe Otimizar é selecionar algo melhor. Otimizar é melhorar até onde pudermos.
Leia 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 maisTópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
Leia 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 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisOtimização em Colônias de Formigas. Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F.
Otimização em Colônias de Formigas Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F. de Carvalho) Principais tópicos Introdução Colônias de Formigas Formação
Leia maisInteligência Coletiva. Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F.
Inteligência Coletiva Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F. de Carvalho) Principais tópicos Inteligência Coletiva (CI) Otimização por enxames
Leia maisSintonia de Controlador PID baseado em Busca por Cardumes
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Sintonia de Controlador PID baseado em Busca por Cardumes PID controller tuning on Fish School Search Janderson S. de Freitas Escola
Leia maisOtimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante (TSP)
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia 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 maisIterated Local Search. Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE
I Iterated Local Search Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE Idéias Metaheurística deve ser simples, eficiente e mais genérica possível. Problema específico deve ser incorporado à metaheurística.
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisOTIMIZAÇÃO BIOINSPIRADA COM APLICAÇÕES NO SETOR ELÉTRICO
UNIVERSIDADE FEDERAL DE JUIZ DE FORA FACULDADE DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA - PPEE OTIMIZAÇÃO BIOINSPIRADA COM APLICAÇÕES NO SETOR ELÉTRICO Prof. Ivo Chaves da Silva Junior
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 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 maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisAlgoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
Leia maisInfluência da qualidade da geração dos números aleatórios em algoritmos de otimização por inteligência de enxames
ESCOLA POLITÉCNICA Influência da qualidade da geração dos números aleatórios em algoritmos de otimização por inteligência de enxames Trabalho de Conclusão de Curso Engenharia da Computação Júlio Dantas
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 mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
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 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 maisESTUDO PARAMÉTRICO DO FSS II. Trabalho de Conclusão de Curso. Engenharia de Computação
ESTUDO PARAMÉTRICO DO FSS II Trabalho de Conclusão de Curso Engenharia de Computação Aluno: Luiz Felipe Vieira Verçosa Orientador: Prof. Dr. Carmelo José Albanez Bastos Filho Luiz Felipe Vieira Verçosa
Leia maisComputação Bioinspirada. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Bioinspirada Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) 1 Principais tópicos Computação Bioinspirada Computação Biológica Biologia Computacional
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia 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 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 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 maisMarcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
Leia 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 maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
* Aula baseada nas notas de aula do prof. Fernando Von Zuben, da UNICAMP Metaheurísticas de Otimização Bio-Inspiradas Aula 11 Otimização por Enxame de Partículas Parte 1* Prof. Dr. Hugo Valadares Siqueira
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias
Leia maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
Leia maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada 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 maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia maisAprendizado por Reforço usando Aproximação
Aprendizado por Reforço usando Aproximação de Funções Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aproximação de Funções 2. Do the evolution 1 Aproximação de Funções Função Utilidade
Leia maisI - Introdução à Simulação
1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise
Leia maisBusca com informação e exploração. Inteligência Artificial
Busca com informação e exploração (Capítulo 4 - Russell) Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura Busca pela melhor escolha Busca gulosa pela melhor escolha Busca
Leia maisInteligência de enxame e o algoritmo das abelhas
Inteligência de enxame e o algoritmo das abelhas (Swarm intelligence and bee s algorithm) Glaucus Augustus, 6219168 O que é: Cooperação: é o processo de agir junto, em união(ex: grupo de tcc) Colaboração:
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
* Aula baseada nas notas de aula dos prof.s Fernando Von Zuben, da UNICAMP e Heitor Lopes, da UTFPR Metaheurísticas de Otimização Bio-Inspiradas Aula 12 Otimização por Enxame de Partículas Parte 2* Prof.
Leia maisResolução de Problemas. Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial
Resolução de Problemas Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial 2 Resolução de Problemas Introdução Componentes Solução Busca de soluções 3 Resolução
Leia maisAluno: Chidambaram Chidambaram Prof. Heitor Silvério Lopes
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E INFORMÁTICA INDUSTRIAL Disciplina - Tópicos Especiais em Computação Paralela Capítulo 8 - Parallel Particle
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 maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisBusca com informação e exploração. Inteligência Artificial. Revisão da aula passada: Heurística Admissível. Revisão da aula passada: Busca A *
Inteligência Artificial Aula 6 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 Revisão da aula passada: Busca A * Idéia:
Leia maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia maisOtimização de horários Seminário. Clarisse Resende 25/01/2013
Otimização de horários Seminário Clarisse Resende 25/01/2013 O problema dos horários consiste numa sequência de atividades de programação, satisfazendo um conjunto de restrições de recursos. Pretende-se
Leia maisAPLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia 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 maisComputação Bioinspirada: Aplicações
Computação Bioinspirada: Aplicações Prof. Eduardo do Valle Simões Grupo de Sistemas Embarcados e Evolutivos LCR Laboratório de Computação Reconfigurável Departamento de Sistemas de Computação Projeto de
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisInteligência Artificial - IA. Resolução de problemas por meio de busca
Resolução de problemas por meio de busca 1 Agente reativo - definido por ação reação Agente de resolução de problemas (ou baseado em objetivos) encontra sequencias de ações que leva ao estado desejável.
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 04/2014 Zeros reais de funções Parte 2 Voltando ao exemplo da aula anterior, vemos que o ponto médio da primeira iteração
Leia mais2 Algoritmos Genéticos Heurística Premissa: Localidade Fraca Conclusões Estrutura de um Algoritmo Genético 26
v Sumário Prefácio x 1 Introdução 1 1. Otimização 1 2. Heurística 8 3. Computação Evolutiva 13 4. Premissa: Localidade Fraca 16 5. Conclusões 20 I Métodos Bio-Inspirados 2 Algoritmos Genéticos 25 1. A
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 maisMinicurso Inteligência Artificial Aplicada a Sistemas Elétricos. Niterói, 12 de Maio de 2018
Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos Niterói, 12 de Maio de 2018 Realização 2 Realização 3 Programação: manhã 9:30h-10:30H VISÃO GERAL: OTIMIZAÇÃO E INTELIGÊNCIA COMPUTACIONAL
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 maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula II Algoritmos básicos de busca cega
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Resolução de problemas por meio de algoritmos de busca Aula II Algoritmos básicos de busca
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maislnteligência Artificial Introdução ao Processo Decisório de Markov
lnteligência Artificial Introdução ao Processo Decisório de Markov Aprendizado - paradigmas Aprendizado supervisionado O crítico comunica a EA o erro relativo entre a ação que deve ser tomada idealmente
Leia maisEstrutura comum dos AEs
Estrutura comum dos AEs Os algoritmos estudados seguem o seguinte padrão para modelagem dos sistemas evolutivos: Uma população de tamanho constante m evolui sobre o tempo A população atual é utilizada
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
Metaheurísticas de Otimização Bio-Inspiradas Aula 15 Colônia de Abelhas Artificiais* Prof. Dr. Hugo Valadares Siqueira * Aula baseada na tese de doutorado do Prof. Everton Melo, da UTFPR Colônia de Abelhas
Leia maisMetaheurísticas de Otimização Bio-Inspiradas
* Aula baseada nas notas de aula do prof. Fernando Von Zuben, da UNICAMP UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Metaheurísticas de Otimização Bio-Inspiradas Aula 14 Otimização por Colônia de Formigas*
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisPROJETO DE PESQUISA. FSS (Fish School Search) Análise de Novas Abordagens de Buscas para Problemas Multi-Objetivo. (Período: a 2009.
UNIVERSIDADE DE PERNAMBUCO PROJETO DE PESQUISA FSS (Fish School Search) Análise de Novas Abordagens de Buscas para Problemas Multi-Objetivo (Período: 2007.2 a 2009.1) Fernando Buarque de Lima Neto, PhD
Leia maisAlgoritmos Evolutivos para Otimização Dinâmica. Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira
Algoritmos Evolutivos para Otimização Dinâmica Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira 1 Sumário Introdução Problemas de otimização dinâmica (POD) Definição Exemplos
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisBusca com informação e exploração. Capítulo 4 Russell & Norvig Seção 4.2 e 4.3
Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 1 Revisão da aula passada: Busca A * Idéia: evitar expandir caminhos que já são caros Função de avaliação f(n) = g(n) + h(n)
Leia maisMétodos de Busca: Busca sem Informação. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Métodos de Busca: Busca sem Informação Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 3) Métodos de Busca Resolução de Problemas a. Espaço de estados:
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 maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
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 mais