GERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS
|
|
- Pedro Lucas Zagalo Lagos
- 7 Há anos
- Visualizações:
Transcrição
1 o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 GERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS Yván J. Túpac, Marco Aurélio Pacheco, Marley Vellasco, Ricardo Tanscheit ICA Departamento de Engenharia Elétrica - PUC-RIO Rua Marquês de São Vicente 5, Gávea. Caixa Postal 38 CEP 53-9 Rio de Janeiro RJ {yvantv, marco, marley, ricardo}@ele.puc-rio.br Resumo: Este artigo descreve um processo de aprendizado baseado em Algoritmos Genéticos, com o objetivo de obter o conjunto ótimo de regras de inferência para um sistema de controle nebuloso. O sistema é aplicado para controlar o posicionamento de um motor DC. Para a evolução foi utilizado um Algoritmo Genético tradicional, obtendo-se resultados satisfatórios. Palavras Chaves: Controle Nebuloso, Algoritmos Genéticos, Aprendizado de Regras. Abstract: This paper describes a Genetic Algorithm learning process. Its objective is to find the optimal inference rules set of a fuzzy control system. The system is applied to the positional control of a DC Motor. In the evolution process, a traditional Genetic Algorithm was used. The results obtained were satisfactory. Keywords: Fuzzy Control, Genetic Algorithms, Rules Learning. INTRODUÇÃO Os sistemas baseados em regras nebulosas se apresentam como uma ferramenta importante para a modelagem de sistemas complexos. Controladores são considerados na atualidade como uma das mais freqüentes aplicações dos sistemas baseados em regras nebulosas. Nesses controladores, os conjuntos de regras expressam, de forma qualitativa, a experiência dos operadores especialistas e também o conhecimento das estratégias de controle []. A construção das regras nebulosas é um dos maiores problemas no desenvolvimento de sistemas baseados em lógica nebulosa. Geralmente, as regras são obtidas a partir da experiência de especialistas na operação do sistema. Todavia, a representação do conhecimento de um especialista em regras do tipo se-então é difícil, devido à possibilidade de se inserir regras não utilizadas, incoerentes e contraditórias. Uma alternativa atraente de solução às formas clássicas de aquisição de conhecimento é o uso de técnicas de aprendizado, baseadas na busca de soluções, para a obtenção automática do conjunto de regras. Assim, Algoritmos Genéticos (GA) [] aparecem como uma opção que apresenta alto desempenho na obtenção de sistemas evolutivos e adaptáveis, com capacidade de aprendizado. O processo de evolução é baseado na busca paralela do comportamento ótimo, a partir de um conjunto de possíveis exemplos de comportamento gerados de forma aleatória. Aplicando uma fórmula de avaliação, Algoritmos Genéticos podem atingir uma solução satisfatória, minimizando o erro da resposta do sistema segundo um comportamento padrão estabelecido a priori. O propósito deste artigo é mostrar a capacidade dos Algoritmos Genéticos no processo de aprendizado do conjunto ótimo de regras de inferência que leve o controlador nebuloso a obter um padrão ótimo de resposta. SISTEMA DE CONTROLE Uma representação do processo de controle considerado neste projeto é mostrada na figura. Trata-se de um telescópio de 8 [3], o qual pode se mexer em três eixos: azimutal, polar e declinação. Este estudo envolveu o controle de apenas um eixo: Declinação. Set Point CONTROLADOR FUZZY R r (t) Erro E r (t) Voltagem Figura. Sistema de Controle MOTOR E PLANTA (Declinação) θ r (t) O sistema de controle desenvolvido é baseado em Lógica Nebulosa [][], a qual depende de um conjunto de regras que descreva a estratégia do controle. O objetivo do controle é fazer com que o telescópio atinja o valor R (t), que representa o ponto de referência ( setpoint ) fornecido para o controlador, isto é, fazer com que o ângulo de
2 o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 declinação final na figura. θ seja igual a R (t), conforme mostrado final θ final (Setpoint) θinicial Motor DC π π Figura. inicial e final. Para fazer o controle de posição, o sistema nebuloso utiliza duas variáveis na entrada: o erro e a variação do erro. Para agir na planta, o sistema gera uma variável de saída que representa um valor de voltagem aplicado ao motor no eixo de declinação. As variáveis lingüísticas e os conjuntos nebulosos foram definidos conforme as figuras 3,, 5 [5]. Segundo o comportamento observado na planta foram definidos os universos de discurso no intervalo [ π, π] ( rad) para a variável erro, [.,.]( rad ) para a variação do erro (variável s DERRO), e no intervalo [, ] ( volts) saída. para a variável de Figura 5. Conjuntos da variável SAIDA. Como visto nas figuras anteriores, foram definidos 7 conjuntos nebulosos de forma triangular para cada variável nebulosa, os quais têm os seguintes identificadores para as três variáveis nebulosas: Muito Negativo (MN) Negativo (N) Pouco Negativo (SN) Zero (ZE) Pouco Positivo (SP) Positivo (P) Muito Positivo (MP) Os conjuntos triangulares foram distribuídos de forma simétrica, com maior concentração dos conjuntos perto do valor ZERO, a fim de obter maior precisão no controle.. Formação empírica do conjunto de regras De forma a se obter as regras de inferência de forma empírica, a figura 6 fornece uma visão intuitiva baseada no conhecimento de um comportamento típico em sistemas de servo-controle. SetPoint Erro SP e Derro SP => Saída = N Erro ZE e Verro ZE => Saída = ZE Figura 3. Conjuntos da variável ERRO. Erro SN e Derro P => Saída = SN Erro N e Derro P => Saída = P Erro MN e Derro P => Saída = MP Erro MN e Derro ZE => Saída = MP Figura 6. Obtenção de regras de forma empírica. Figura. Conjuntos da variável DERRO. Seja uma curva típica de comportamento para uma saída controlada. A idéia é obter regras para as seguintes situações: caso tenha-se grande valor de erro, deve-se fornecer ao motor e planta grandes momentos de força para iniciar a movimentação e atingir a posição final; na medida que a planta atinge o ponto desejado, a força deve ser reduzida; e, em alguns casos, a força deve ser inversa, para proporcionar uma ação de freio, evitando que o motor e a planta ultrapassem o ponto final desejado. Deste modo o overshoot é reduzido. Neste trabalho o algoritmo genético é usado para evoluir um conjunto de regras que minimize o erro do controlador.
3 o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999. Metodologia de ajuste. Para que o algoritmo genético tenha referência para atingir a comportamento padrão, define-se as curvas de controle ótimo para dois valores de entrada, como se vê na figura 7. Aqui se observa que para valores de setpoint do tipo degrau, com valores π, o sistema atinge a posição em aproximadamente segundos com um leve overshoot setpoint = π Curvas de referência setpoint = π Figura 7. Curvas de referência. O sistema evolutivo pode ser representado conforme mostrado na figura 8. Entrada PROCESSO ÓTIMO (k) θ OT + - d AG (k) Variável ERRO Variável DERRO MN N SN ZE SP P MP MN N SN ZE SP SP MP Figura 9. Matriz de regras. Assim, uma dada regra é expressa da seguinte forma: SE [linha da matriz] E [coluna da matriz] ENTÃO [conteúdo da posição]. Neste caso a lógica é baseada na forma matricial, que é fácil de entender. Entretanto, para o algoritmo genético, o cromossoma deve ser do tipo vetorial, obtido pela união das linhas em um vetor linear de 9 elementos (genes). Neste caso, uma regra fica representada da forma seguinte : SE [posição % 7] E [posição / 7] ENTÃO [Conteúdo do GEN]. Onde % representa a operação do resto da divisão inteira. / representa a divisão inteira. Nota-se que a cardinalidade da representação corresponde ao número de conjuntos de saída. A maneira como é distribuída a informação da matriz de regras no cromossoma é representada graficamente na figura. ALGORITMO GENÉTICO θ AG (k) MN N SN ZE SP P MP MN N Figura 8. Sistema evolutivo. SN ZE SP P MP O conteúdo de cada gene representa o conseqüente.... O processo ótimo refere-se ao sistema de controle que consegue obter o comportamento θ OT (k), que é mostrado nas curvas de referência da figura 7. O algoritmo genético tenta evoluir até chegar a um sistema com as mesmas características, isto é θ ( k) θ ( k), fazendo a minimização do erro AG OT existente d AG (k), ou seja, d AG ( k) [6]. 3 REPRESENTAÇÃO Cada cromossoma representa um conjunto de regras nebulosas. Como o sistema em questão tem duas variáveis nebulosas de entrada (ERRO e DERRO) e uma variável de saída (SAIDA), cada uma composta por 7 conjuntos nebulosos, o número máximo de regras é 7 7. Assim, uma matriz quadrada 7 7 pode representar todos os possíveis antecedentes; o termo conseqüente corresponde ao conteúdo de cada posição (gene) da matriz, como ilustrado na figura 9. Matriz de Regras Figura. Representação no cromossoma. AVALIAÇÃO As curvas de referência vistas na figura 7 representam o comportamento do sistema para um período de ação de 75 segundos, com tempo de amostragem de seg. Para avaliar a convergência, é preciso simular o funcionamento do sistema com cada conjunto de regras gerado. Para isto, foi desenvolvido um programa em C que inclui as seguintes rotinas:. Simulação da dinâmica do sistema [3], para o motor e planta, para o eixo de declinação de 8.. Algoritmo do controlador nebuloso [][5], com as seguintes características:[7] Controlador tipo Mandami [8] Operador da Implicação MIN [][8] Composição MAX-MIN []
4 o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 Desnebulização pelo centro de Gravidade [][] 3. Fórmula de avaliação para o módulo AG.. Módulo para o Algoritmo Genético tradicional [9] O método de avaliação do AG é baseado na minimização do erro quadrático. A equação para achar o erro é: E = N m k= ( θ AG ( k) θ OT O erro ( d ( k) ) ( θ ( k) θ ( k ) ) ( k)) AG = AG OT é acumulado em cada amostra k da simulação até N m =75 segundos. Isto é feito primeiro para a curva com setpoint π, e depois para a curva com setpoint π. Para obter o valor da aptidão, aplica-se a seguinte equação: Onde V A =. V A. [5] + E m Em é a soma dos erros quadráticos para o setpoint π e para o setpoint π obtidos da equação anterior. Deste modo, quando o erro total acumulado é grande, o valor da aptidão V A se torna muito pequeno; e no caso que o erro acumulado é muito pequeno, V A atinge o valor., representando o máximo valor de avaliação. 5 ALGORITMO, OPERADORES E TÉCNICAS UTILIZADAS O algoritmo genético está baseado no seguinte pseudo código: Geração = Inicializar P(t) Avaliar as aptidões da população [P(t)] Normalização Linear. Enquanto não seja alcançado o critério de parada { Geração = Geração + P(t) = Seleção P(t-) Cruzamento [P(t)] Mutação [P(t)] Avaliação das aptidões da população [P(t)] Normalização Linear Elitismo } Os operadores definidos são:. Cruzamento de um ponto.. Mutação de bit. As técnicas utilizadas são:. Normalização Linear.. Elitismo. 3. Seleção pela roleta. Os parâmetros da evolução foram: Total de indivíduos gerados 5 Tamanho da população Taxa de cruzamento 67% Taxa de Mutação % Tabela. Parâmetros do AG 6 RESULTADOS OBTIDOS Os gráficos a seguir apresentam as curvas de comportamento obtidas após vários testes de evolução. Além dos testes com setpoint π foram feitos testes com valores menores de setpoint, π, a fim de observar o comportamento dos indivíduos Avaliação.86 π/ -π/ π/ -π/ Figura. Resultado para cromossoma com avaliação Avaliação.97 Figura. Resultado para cromossoma com avaliação.97 As figuras e correspondem aos resultados obtidos com duas avaliações, depois de várias rodadas do algoritmo genético. Observa-se que o AG atinge a solução das curvas de comportamento padrão mostrada na figura 7. Nota-se que o elemento com maior avaliação (.97) tem boa resposta para os quatro setpoints testados. A seguir mostra-se a matriz de regras fornecida pelo melhor cromossoma obtido na evolução. DERRO ERRO MN N SN ZE SP P MP MN ZE N N MP MP MP ZE N N N N MP MP N SP SN MP MP N N ZE SN N ZE MP MP N ZE N MN MN SP N SP ZE N N MN MN P SN N MN MN N N MN MP ZE MN MN MN ZE ZE ZE Tabela. Regras obtidas com o melhor cromossoma
5 o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 O gráfico da figura 3 a seguir apresenta a curva de desempenho do algoritmo genético correspondente à média da evolução para rodadas, aplicando os parâmetros na tabela [8]. Avaliação média do melhor,,8,6,, Evolução 3 5 Número de elementos gerados. Figura 3. Média de experimentos. Os resultados indicam que o sistema evoluiu de forma correta, obtendo elementos com boa avaliação, bem próximos do valor máximo.. É importante ressaltar que apesar de o sistema ter sido treinado apenas com setpoints π, a base de regras obtida foi capaz de generalizar para outros valores de setpoint ( π ). [] Zadeh. L.A., The Concepts of a linguistic variable and its applications to approximate reasoning. Part I Information Sciences vol. 8, pp.99-9, Part II Information Sciences vol. 8, pp.3-37, Part III Information sciences vol. 8, pp. 3-8, (975) [5] Yván J Túpac, Marley M.B.R. Vellasco, Ricardo Tanscheit, Desenho de Controle Nebuloso para um motor DC. Relatório Interno. ICA/ DEE, PUC-Rio (998). [6] L.S. Coelho, Computational Intelligence Methodologies in Process Identification and Control: Fuzzy, Evolutionary and Neural Approaches. MSc Thesis In Computer Science. UFSC (997). [7] Marley Vellasco, Ricardo Tanscheit, Notas de aula, curso de Lógica Nebulosa. [8] Mandami, E.H., Application of fuzzy algorithms for control of simple dynamic plant. Proc IEE (Control and Science), V., pp , (97). [9] Marco Aurélio C. Pacheco, Notas de aula, curso de Computação Evolucionária. 7 CONCLUSÕES Algoritmos Genéticos foram usados neste projeto para construir um modelo de controlador nebuloso capaz de apresentar o comportamento mais próximo do desejado. Deste modo, mostra-se que é possível obter-se conhecimento lingüístico tendo como ponto de partida dados numéricos. Os elementos obtidos apresentam bom desempenho e seu comportamento é bem similar ao da referência para valores de setpoint de π. Observa-se que para valores de setpoint menores ( π ), os elementos com bom desempenho, não têm a mesma qualidade de comportamento do que para setpoints π. Assim sugere-se a evolução de regras com boa resposta para valores de ângulos muito pequenos. Os resultados mostraram que Algoritmos Genéticos fornecem técnicas apropriadas na busca de soluções ótimas e robustas para sistemas de controle nebuloso. REFERÊNCIAS [] Driankov, D.; Hellerdorn, H.;F.; Rheinfrank, M, An Introduction to Fuzzy Control, Springer-Verlag, 993. [] Goldberg, D.E., Genetic Algorithms in Search, optimization and Machine Learning, Addison-Wesley [3] Richard A. Volz. Design of a Digital Controller for a Tracking Telescope. IEEE Transactions on Automatic Control, Vol AC- No, pp , (967).
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Filipe Sacchi ICA: Applied Computational Intelligence Department of Electrical
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisCONTROLE DE VIBRAÇÕES USANDO LÓGICA FUZZY COM REGRAS OTIMIZADAS POR ALGORITMOS GENÉTICOS
CONTROLE DE VIBRAÇÕES USANDO LÓGICA FUZZY COM REGRAS OTIMIZADAS POR ALGORITMOS GENÉTICOS Rafael Luís Teixeira Prof. Dr. José Francisco Ribeiro Laboratório de Sistemas Mecânico, Faculdade de Engenharia
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 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 maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisCONSTRUÇÃO DE FUNÇÕES DE PERTINÊNCIA PARA CONTROLADORES LÓGICOS DIFUSOS VIA ALGORITMOS GENÉTICOS
I SBAI - UNESP - Rio. Claro/SP - Brasil CONSTRUÇÃO DE FUNÇÕES DE PERTINÊNCIA PARA CONTROLADORES LÓGICOS DIFUSOS VIA ALGORITMOS GENÉTICOS ARAN B. TCHOLAKlAN STANGE E-MAIL: EPS3ABC AT BRUFSe.BITNET Prof.
Leia maisESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS
ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS Laercio Brito Gonçalves, Marco Aurélio Cavalcante Pacheco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada
Leia maisCONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA. Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás
CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás Dr. Haroldo Rodrigues de Azevedo Faculdade de Engenharia Elétrica Universidade
Leia maisEvolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório
https://eventos.utfpr.edu.br//sicite/sicite2017/index Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório RESUMO Iolanda Ortiz Bernardes ibernardes@alunos.utfpr.edu.br Estudante
Leia maisLAB3 Controle nebuloso (VERSÃO PROVISÓRIA)
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA) 3.1 Objetivo Esta experiência tem por objetivo a familiarição com a técnica de Controle Nebuloso (Fuzzy Control, em inglês). Para isso será contruído um controlador
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisLaboratório 4 - Controle nebuloso
Laboratório 4 - Controle nebuloso PTC 2619 / PTC 3418 Laboratório de Automação 1º semestre de 2017 Bruno A. Angélico Laboratório de Automação e Controle Departamento de Engenharia de Telecomunicações e
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisCONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO 1. INTRODUÇÃO
ALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO SILVA, Frederico Corrêa da 1 ; AGUIAR, Marilton Sanchotene de 1. 1 Programa de Pós-Graduação
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 maisGeração Automática de Sistemas Nebulosos por Co-Evolução
Geração Automática de Sistemas Nebulosos por Co-Evolução Geração Automática de Sistemas Nebulosos por Co-Evolução Anderson Francisco Talon Heloisa de Arruda Camargo Geração Automática de Sistemas Nebulosos
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia maisInteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
Leia 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 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 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 mais3 Métodos de Otimização
3 Métodos de Otimização Problemas de otimização são relacionados a minimização ou maximização de função de uma ou mais variáveis num determinado domínio, possivelmente com a existência de um conjunto de
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisComputação Evolucionária Aplicada ao Problema de Seleção de Características em Text Mining
Computação Evolucionária Aplicada ao Problema de Seleção de Características em Text Mining João R. Carrilho Jr., Marco Aurélio C. Pacheco ICA: Applied Computational Intelligence Laboratory Department of
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 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 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 maisSistema Inteligente de Otimização de Alternativas de Desenvolvimento de Campos Petrolíferos
Yván Jesús Túpac Valdivia Sistema Inteligente de Otimização de Alternativas de Desenvolvimento de Campos Petrolíferos Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de
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 maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisAncoragem de Embarcações utilizando Algoritmos Genéticos
Ancoragem de Embarcações utilizando Algoritmos Genéticos Sérgio Alvares R. de S. Maffra 1 sam@tecgraf.puc-rio.br Marco Aurélio C. Pacheco 2 marco@ele.puc-rio.br 1 Tecgraf, Departamento de Informática,
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisUtilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de
Leia mais3 Computação Evolucionária
34 3 Computação Evolucionária Computação Evolucionária compreende diversos algoritmos inspirados no princípio Darwiniano da evolução das espécies e na genética. São algoritmos probabilísticos, que fornecem
Leia maisAPLICAÇÃO DO ALGORITMO DE OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS PARA A MODELAGEM DE FUNÇÕES DE TRANSFERÊNCIA
APLICAÇÃO DO ALGORITMO DE OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS PARA A MODELAGEM DE FUNÇÕES DE TRANSFERÊNCIA Caetano Alcantara Borges 1 *, Keiji Yamanaka¹, Florisvaldo Cardozo Bomfim Junior¹ ¹FEELT Universidade
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 maisOtimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
Leia maisCOMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE
COMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE Brehme D. R. de MESQUITA (1); Jefferson A. L. e SILVA (2); André M. D. FERREIRA (3) (1) Instituto Federal
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisControlador Preditivo Otimizado Aplicado ao Controle de Velocidade de Motor CC
Controlador Preditivo Otimizado Aplicado ao Controle de Velocidade de Motor CC CARVALHO, Douglas F. 1,,, CALIXTO, Wesley P. 2,,, GANZAROLI, Cleber A. 3,,,,, DIAS, Rafael N. H. M.,, COUTO, Luiz A.. Resumo:
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisUm estudo comparativo entre o algoritmo genético padrão e uma versão nebulosa do mesmo, com o fim de ajustar a probabilidade de mutação
Um estudo comparativo entre o algoritmo genético padrão e uma versão nebulosa do mesmo, com o fim de ajustar a probabilidade de mutação Luiz A. Carlos amorim@dimap.ufrn.br André G. C. Pereira andre@ccet.ufrn.br
Leia maisBreve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Leia maisAnálise Comparativa entre FastICA por Maximização da Negentropia e AG-ICA usando Negentropia de Rényi
Análise Comparativa entre FastICA por Maximização da Negentropia e AG-ICA usando Negentropia de Rényi Nielsen Castelo Damasceno 1, Adrião Duarte Dória Neto 1, Allan de Medeiros Martins 1 1 Centro de Técnologia
Leia mais5 Modelo Kernel PCA Genético para Ajuste de Histórico
5 Modelo Kernel PCA Genético para Ajuste de Histórico Conforme descrito na seção 3.2.2.2.1, em um estudo anterior, Sarma, Durlofsky, et al. (2007) parametrizaram o campo de permeabilidade através do Kernel
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 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 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 maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisInteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia 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 maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisObtenção Experimental de Modelos Matemáticos Através da Reposta ao Degrau
Alunos: Nota: 1-2 - Data: Obtenção Experimental de Modelos Matemáticos Através da Reposta ao Degrau 1.1 Objetivo O objetivo deste experimento é mostrar como se obtém o modelo matemático de um sistema através
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia 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 maisUtilizando Algoritmos Genéticos para determinar a fonte de um campo magnético.
Technical Notes in Computational Intelligence, ICA, PUC-Rio 1 Utilizando Algoritmos Genéticos para determinar a fonte de um campo magnético. Alexandre S. Wolf 1, Marco Aurélio C. Pacheco 1, C. Hall Barbosa
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 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 maisModelagem no Domínio do Tempo
CAPÍTULO TRÊS Modelagem no Domínio do Tempo SOLUÇÕES DE DESAFIOS DOS ESTUDOS DE CASO Controle de Antena: Representação no Espaço de Estados Para o amplificador de potência, E s a() V () s 150. Usando a
Leia maisDESENVOLVIMENTO Segundo Sadosky (1965), dado um conjunto de m equações lineares a seguir: a a x b 11 1n. x b mn n m
MSc Alexandre Estácio Féo Associação Educacional Dom Bosco - Faculdade de Engenharia de Resende Caixa Postal: 81.698/81711 - CEP: 7511-971 - Resende - RJ Brasil Professor e Doutorando de Engenharia aefeo@unifei.edu.br
Leia maisCÁLCULO DE CINEMÁTICA INFERSA PARA MANIPULADORES UTILIZANDO ALGORITMOS GENÉTICOS
5ª Jornada Científica e Tecnológica e 2º Simpósio de Pós-Graduação do IFSULDEMINAS 06 a 09 de novembro de 2013, Inconfidentes/MG CÁLCULO DE CINEMÁTICA INFERSA PARA MANIPULADORES UTILIZANDO ALGORITMOS GENÉTICOS
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 maisAlgoritmos Genéticos Aplicados a Projeto de Controle com Realimentação de Estados
Algoritmos Genéticos Aplicados a Projeto de Controle com Realimentação de Estados Phelipe S. Oliveira 1, Luciano S. Barros 1, Luiz G. de Q. Silveira Júnior 2 1 Mestrado em Ciência da Computação Universidade
Leia maisCONTROLE DE ÂNGULO DE AZIMUTE DE ANTENA DE RASTREAMENTO
UFRJ Escola Politécnica Eng. Eletrônica e de Computação EEL660 Controle Linear 1 Avaliação Complementar 2017-1 CONTROLE DE ÂNGULO DE AZIMUTE DE ANTENA DE RASTREAMENTO Neste trabalho você deverá modelar,
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 maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia 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 maisAlvaro Talavera López
CONTROLE ADAPTATIVO GENETICO INDIRETO PARA SISTEMAS NÃO LINEARES E OTIMIZAÇÃO DE CONTROLADORES PID UTILIZANDO ALGORTIMOS GENÉTICOS Alvaro Talavera López alvaro@ele.puc-rio.com Departamento de Engenharia
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisIMPLEMENTAÇÃO DE SISTEMA DE ATITUDE EM DSP
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 21 2009. IMPLEMENTAÇÃO DE SISTEMA
Leia maisOTIMIZAÇÃO DOS PARÂMETROS DO PID UTILIZANDO ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DOS PARÂMETROS DO PID UTILIZANDO ALGORITMOS GENÉTICOS Roberto Batista Neto, Vinicius Santana P. Silva, Luciano Coutinho Gomes, Darizon A. Andrade, Universidade Federal de Uberlândia, Faculdade
Leia maisétodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia 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 maisUm Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico
Um Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico Amarísio da S. Araújo 1, Haroldo F. de Campos Velho 2, Vitor C.
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 maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisAlgoritmos Genéticos 1
Algoritmos Genéticos 1 Esquema de um GA Algoritmos Genéticos são um ramo da computação evolucionária Seu funcionamento pode ser resumido algoritimicamente através dos seguintes passos: Inicialize a população
Leia maisAutomação Inteligente
Curso de Graduação em Engenharia Elétrica Universidade Federal da Paraíba Período 2016-2 Automação Inteligente Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Informações
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 maisGERENCIAMENTO DE MALHAS Introdução
Introdução Nos últimos anos a tecnologia de controle digital tem evoluído rapidamente no mundo. Os fabricantes de sistemas oferecem soluções de hardware e software com maior capacidade e menor custo. Apesar
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 maisPLANEJAMENTO E OTIMIZAÇÃO DO DESENVOLVIMENTO DE UM CAMPO DE PETRÓLEO POR ALGORITMOS GENÉTICOS
PLANEJAMENTO E OTIMIZAÇÃO DO DESENVOLVIMENTO DE UM CAMPO DE PETRÓLEO POR ALGORITMOS GENÉTICOS Yván J. Túpac ICA, Depto de Engenharia Elétrica, PUC-Rio yvantv@ele.puc-rio.br Marley Maria R. Vellasco ICA,
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 maisTítulo do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas
Número do BANPESQ/THALES: Título do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas I. Autor: Leandro dos Santos Coelho II. Resumo: A Inteligência Computacional é
Leia maisREGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM
REGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM Rodrigo Morgon¹, Silvio do Lago Pereira² ¹Aluno do Curso de Análise e Desenvolvimento de Sistemas FATEC-SP ²Prof. Dr. do Departamento de Tecnologia da Informação
Leia 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 maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Leia maisProf. Marco Aurélio C. Pacheco. 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros
Desenvolvimento de um Algoritmo Genético Prof. Marco Aurélio C. Pacheco 1 Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros
Leia maisAplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX
Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo
Leia maisInteligência Artificial (Lista 1) Prof. Alex F. V. Machado
Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia Sudeste de Minas Gerais - Campus Rio Pomba Bacharelado em Ciência da Computação 1) Considere os termos abaixo e complete. Inteligência
Leia mais3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
Leia mais