Annealing Simulado! Metaheurstica de otimizac~ao baseada em conceitos da Fsica Estatstica Fsica Estatstica: Lida com sistemas de muitas partculas (mui
|
|
- Renato Gomes Casado
- 7 Há anos
- Visualizações:
Transcrição
1 Intelig^encia Computacional - 1 1
2 Annealing Simulado! Metaheurstica de otimizac~ao baseada em conceitos da Fsica Estatstica Fsica Estatstica: Lida com sistemas de muitas partculas (muitos graus de liberdade) Fsica Estatstica: Conceitos Basicos Ensemble Estatstico: Conjunto de copias virtuais do sistema de interesse Cada elemento do ensemble pode assumir um qualquer dos `estados acessveis' do sistema (estados microscopicos) e.g., Gas ideal a temperatura constante, T 0! Estados acessveis satisfazem PV / T 0 Ha uma innidade de estados microscopicos consistentes com esta condic~ao macroscopica Condic~ao de Equilbrio! O ensemble n~ao varia com o tempo A probabilidade de encontrar um estado qualquer no ensemble e constante
3 Condic~ao de Ergodicidade! Num tempo sucientemente longo, um elemento qualquer do ensemble passa por todos os seus estados acessveis A media temporal de uma grandeza fsica, tomada em um elemento qualquer do ensemble, e igual a media tomada sobre todo o ensemble num dado instante de tempo Tipos de Ensemble Ensemble Microcan^onico! Sistema isolado N~ao ha troca de energia ou partculas Ensemble Can^onico! Sistema em equilbrio termico Ha troca de energia com um sistema maior (banho termico) Ensemble Gran-Can^onico! Ha troca de energia e partculas
4 E 0 : Ensemble Microcan^onico Sistema isolado! A energia se conserva Distribuic~ao de probabilidade dos estados do sistema a energia P (X) = 8 >< >: K : E(X) = E 0 0 : E(X) 6= E 0 onde X e um estado acessvel, e K e uma constante Ensemble Can^onico Sistema (S) pode trocar energia com um sistema maior (S 0 ) A energia da combinac~ao dos dois sistemas se conserva: E S + E S 0 = E 0! A probabilidade de encontrar o sistema S no estado X e igual a probabilidade de encontrar o sistema S 0 na energia E S 0 = E 0 ; E(X) Assim, P c (X) = C 0 0 (E 0 ; E(X)) onde 0 (E) Numero de estados de S 0 com energia E C 0 Constante de normalizac~ao
5 Como S 0 >> S e E(X) << E 0, log 0 (E 0 ; E(X)) = log 0 (E 0 ) ; E(X) onde Assim, 2 3 6@ log 0 = (E 0 ; E(X)) = 0 (E 0 )exp(;e(x)) 0 de onde se obtem a distribuic~ao de Gibbs (ou Boltzmann) P c (X) = C exp(;e(x)) = exp (;E(X)) P X exp (;E(X)) A grandeza caracteriza o banho termico, S 0, e costuma ser expressa como onde = 1 k B T T temperatura absoluta do sistema S 0 k B constante de Boltzmann! No ensemble can^onico, a temperatura e constante
6 O Algoritmo de Metropolis (1953)! Gera amostras da distribuic~ao de Gibbs A partir de um estado inicial arbitrario, modicac~oes aleatorias s~ao iterativamente propostas no estado do sistema, e aceitas com probabilidade onde 0 P = min[1 ;E 1 A ] k B T E E fin ; E ini Variac~ao de energia acarretada pela mudanca de estado proposta Assim, Se E 0, a mudanca e aceita Se E > 0, a mudanca e aceita se exp(;e=k B T ) < R onde R 2 [0 1] e um numero aleatorio - Apos varias iterac~oes, o conjunto dos estados obtidos (ensemble) converge para uma congurac~ao de equilbrio que satisfaz a distribuic~ao de Gibbs, i.e., N X / exp(;e(x)=k B T ) onde N X e o numero de vezes que o estado X e encontrado no ensemble
7 Prova: Assumindo E(X) > E(Y ),! N X P XY e o numero de mudancas de estado X! Y! N Y P YX expf[e(y );E(X)]=k B T g e onumero de mudancas de estado Y! X = P YX, i.e., todas as mu- No algoritmo de Metropolis, P XY dancas de estado s~ao equiprovaveis! Numero lquido de transic~oes Y! X: N Y!X = P XY (N Y expf[e(y ) ; E(X)]=k B T g;n X ) No equilbrio, N Y!X = 0 Assim, N X N Y = exp[;e(x)=k BT ] exp[;e(y )=k B T ]
8 Algoritmo de Metropolis Dado o sistema a temperatura T Escolha um estado arbitrario s do Faca uma mudanca aleatoria de estado r R(s) E E(r) ; E(s) Aceite estados de energia mais baixa if E 0 then s r Aceite estados de energia mais alta com probabilidade P else P exp(;e=t) x numero rand^omico em [0 1] if x < P then s r if N~ao ha decrescimo signicativo em E por varias iterac~oes then Stop
9 Annealing Simulado! Paralelo entre a obtenc~ao das congurac~oes de mnimo custo em um problema de otimizac~ao e a obtenc~ao dos estados de mnima energia de um sistema fsico! Func~ao Custo Func~ao Energia Distribuic~ao de Gibbs: P (X) / exp[;e(x)=k B T ]! T alta: Todos os estados s~ao equiprovaveis! T baixa: Apenas os estados de mnimo custo (estados fundamentais) t^em probabilidade apreciavel Annealing Fsico: Solido aquecido alem do seu ponto de fus~ao, e resfriado lentamente! Se o resfriamento e sucientemente lento, obtem-se uma estrutura cristalina livre de imperfeic~oes (estado de baixa energia) Annealing Simulado: Algoritmo de Metropolis empregado numa sequ^encia de temperaturas decrescentes, para gerar soluc~oes de um problema de otimizac~ao
10 O processo comeca com um valor T elevado, e, a cada T, geramse soluc~oes ate que o equilbrio aquela temperatura seja alcancado A temperatura e ent~ao rebaixada, e o processo prossegue ate o `congelamento' (i.e., n~ao se obtem mais uma diminuic~ao de custo) A sequ^encia de temperaturas empregada, juntamente com o numero de iterac~oes a cada temperatura, constitui uma prescric~ao de annealing, que deve ser denida empiricamente Exemplo de Aplicac~ao: Problema do Caixeiro-Viajante! Planejar a rota de menor custo entre N cidades, dado o custo de viagem entre quaisquer duas delas (Problema NP-Completo) Func~ao Custo: E(X) = P N;1 i=1 d(x i X i+1 ), onde X = fx 1 :: X N g Permutac~ao das N cidades d(x i X i+1 ) Dist^ancia entre as cidades X i e X i+1 na rota Partindo de uma rota inicial arbitraria e de uma temperatura elevada, visitamos as cidades em sequ^encia e propomos revers~oes locais de percurso: fx i;1 X i X i+1 g! fx i+1 X i X i;1 g As modicac~oes de percurso s~ao aceitas de acordo com o algoritmo de Annealing Simulado! Efeito de escala: Para T alta, os trechos de larga escala se denem so quando T 0 a estrutura de curta escala se estabiliza
11 Algoritmo de Annealing Simulado: Escolha um estado arbitrario s Escolha uma temperatura inicial sucientemente elevada T while T > 0 do Faca uma mudanca rand^omica de estado r R(s) E E(r) ; E(s) Aceite estados de energia mais baixa if E 0 then s r Aceite estados de energia mais alta com probabilidade P else P exp(;e=t) x numero rand^omico em [0 1] if x < P then s r if N~ao ha decrescimo signicativo em E por varias iterac~oes then Baixe a temperatura T
12 Implementac~ao do Annealing! Conjunto de Decis~oes Genericas e Especcas do Problema Decis~oes Genericas: Prescric~ao de Annealing! Temperatura Inicial, Temperatura Final, Taxa de Resfriamento, Condic~oes de Parada Temperatura Inicial: Deve ser alta o bastante para permitir movimentos livres entre soluc~oes vizinhas! Pode ser escolhida a partir do conhecimento da variac~ao media de custo entre soluc~oes vizinhas! Alternativamente, pode ser obtida por simulac~ao, e.g., xandose uma taxa de aceitac~ao mnima de movimentos Taxa de Resfriamento: O equilbrio termico deve ser aproximado a cada temperatura (em teoria, o numero de iterac~oes requerido cresce exponencialmente com o tamanho do problema) Prescric~oes Comuns: a) Resfriamento Geometrico: T = at, a < 1! Resfriamento lento (0:8 < a < 0:99)! Onumero de iterac~oes a cada T pode ser variavel, e.g., ligado a uma taxa xa de aceitac~ao de movimentos: alto T! poucas iterac~oes
13 b) T = T=(1 + T), com pequeno! Resfriamento rapido: uma so iterac~ao por temperatura c) Prescric~ao de Hajek: T = c=[log(1 + k)], k iterac~ao! Resfriamento muito lento! Para c da ordem da profundidade do mnimo local mais profundo, a converg^encia do algoritmo esta garantida se k! 1 Temperatura Final: Em teoria, a temperatura nal deve ser zero. Na pratica, e suciente chegar a uma temperatura proxima a zero, devido a precis~ao limitada da implementac~ao computacional! Especica-se um numero maximo de iterac~oes do algoritmo (garantindo que ele atinja baixas temperaturas)! Alternativamente, identica-se o congelamento do processo, quando a taxa de aceitac~ao de movimentos cai abaixo de um valor predeterminado Regra Geral: Os par^ametros mais adequados para uma dada aplicac~ao do algoritmo so podem ser estabelecidos por experimentac~ao
14 Decis~oes Especcas do Problema Espaco de Soluc~oes, Estrutura de Vizinhanca, Func~ao Custo! Do resultado de Hajek: Espaco de soluc~oes com topograa acidentada deve ser evitado espaco com grandes areas planas tambem, ja que prejudica a evoluc~ao do algoritmo! Estrutura de vizinhanca deve garantir que qualquer soluc~ao seja alcancavel a partir de qualquer outra, para garantir converg^encia! Soluc~oes n~ao-plausveis devem ser preferencialmente penalizadas, ao inves de mantidas fora do espaco de soluc~oes, para garantir condic~ao acima, e tambem para facilitar o c^omputo da func~ao custo Exemplo: Problema de Colorac~ao de Grafos Grafo: Conjunto de pontos (nos), alguns deles conectados entre si por linhas (arestas) Problema de colorac~ao dos nos: Alocar uma cor para cada no, de forma que nos adjacentes n~ao recebam a mesma cor e que o numero mnimo de cores seja empregado (Em certas aplicac~oes, deseja-se obter uma colorac~ao plausvel para um dado numero de cores)
15 Espaco de Soluc~oes Natural: Conjunto de Colorac~oes Plausveis! Partic~oes dos nos em subconjuntos tais que n~ao haja arestas entre dois nos quaisquer do mesmo subconjunto Vizinhanca: Pode ser obtida trocando alguns nos entre dois subconjuntos! Problema: Isso deve ser feito mantendo-se a plausibilidade (n~ao se pode introduzir arestas nos subconjuntos)! Possvel soluc~ao: Usar cadeias de Kempe Cadeias de Kempe: O grafo denido pelos nos de quaisquer dois subconjuntos contem um numero de componentes desconectadas estas s~ao as cadeias de Kempe A plausibilidade das soluc~oes pode ser mantida trocando-se as cores dos nos numa mesma cadeia de Kempe! Problema: Calcular repetidamente as cadeias de Kempe pode ser custoso! Soluc~ao alternativa: Relaxar a denic~ao de plausibilidade, aumentando o espaco de soluc~oes e incluindo uma penalidade na func~ao custo, para tornar caras (i.e., improvaveis) as soluc~oes implausveis
16 Func~ao Custo Natural: partic~ao Numero de subconjuntos em cada! Problema: Plat^os na func~ao custo: O custo n~ao muda, a n~ao ser que algum dos subconjuntos torne-se vazio (O termo de penalidade introduz certa variac~ao na func~ao custo, mas n~ao serve para guiar o annealing na direc~ao das melhores soluc~oes: partic~oes com muitos subconjuntos grandes e alguns subconjuntos quase vazios s~ao melhores que partic~oes uniformes)! Possvel soluc~ao: Termo que encoraja subconjuntos grandes e.g., X E = ; k C 2 i + 2 X k C i E i i=1 i=1 onde C i e o numero de nos e E i e o numero de arestas no subconjunto i, e k e o numero (desconhecido) de subconjuntos
17 Propostas de Modicac~ao do Annealing Probabilidade de Aceitac~ao Calculo de exp(;e=t) e custoso (1=3 do tempo computacional, em uma aplicac~ao de partic~ao de grafo)! Alternativas: i) P (E) = 1 ; E=T ii) Tabela para calculo de P (E) em valores xos de E=T Resfriamento Fase intermediaria do annealing e a mais importante (fase de alta temperatura deve ser curta)! Possibilidades: i) Reduzir T apos um numero xo de aceitac~oes de movimentos, antes que o numero maximo de iterac~oes seja atingido ii) Iniciar o annealing numa temperatura para a qual a taxa de aceitac~ao ja seja pequena iii) Annealing a Temperatura Fixa: Executar o algoritmo inicialmente com 1 iterac~ao a cada temperatura determinar o T para o qual o menor valor de custo e obtido prosseguir com o annealing aquela temperatura xa
18 iv) Usar reaquecimento: e.g., a cada aceitac~ao: T! T=(1 + T ) a cada rejeic~ao: T! T=(1 ; T) Vizinhancas A vizinhanca pode ser ajustada ao longo da execuc~ao e.g., Quando um termo de penalidade e usado para garantir plausibilidade, os movimentos podem ser restritos as variaveis que contribuem para a sua quebra Amostragem da Vizinhanca Annealing Padr~ao: Vizinhanca e amostrada aleatoriamente! Proximo a uma soluc~ao otima, como a maioria das soluc~oes vizinhas s~ao de maior custo, pode acontecer de um movimento pior ser aceito antes de o otimo ser atingido assim, o algoritmo pode se afastar do otimo! Possvel soluc~ao: Amostragem Cclica - Todas as soluc~oes vizinhas s~ao testadas uma vez, antes que alguma possa ser reconsiderada (A ordem das visitas no ciclo deve ser randomizada, de forma a manter a aleatoriedade global do algoritmo)
19 Func~ao Custo Pode ser difcil determinar o peso de um termo de penalizac~ao (plausibilidade)! Possvel soluc~ao: Pode-se resolver o problema iterativamente, procurando-se soluc~oes plausveis para valores progressivamente menores da func~ao custo verdadeira (sem penalidade) e.g., Na colorac~ao de grafos, encontrar soluc~oes plausveis usando k cores, para valores decrescentes de k
CAP 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 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 maisRecozimento Simulado (Simulated Annealing)
Capítulo 5 Recozimento Simulado (Simulated Annealing) Francisco José da Cunha Pires Soeiro José Carlos Becceneri AntônioJosédaSilvaNeto 51 Motivação e Histórico do Método O Recozimento Simulado (Simulated
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 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 maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
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 mais2. MÉTODO DE RECOZIMENTO SIMULADO
1 2. MÉTODO DE RECOZIMENTO SIMULADO (SIMULATED ANNEALING) 2.1. Analogia Física: o recozimento de metais (annealing) 2.2. A Tradução Matemática: o algoritmo básico 2.3. A Programação de Recozimento 2.4.
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
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 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 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 maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisAlgoritmo Aproximação. Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3
Algoritmo Aproximação Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3 Heurísticas para Problemas NP- Completo Heurística: algoritmo que pode produzir um bom resultado (ou até a solução ótima),
Leia maisTeoria da Computação. Complexidade computacional classes de problemas
Teoria da Computação Complexidade computacional classes de problemas 1 Universo de problemas Problemas indecidíveis ou não-computáveis Não admitem algoritmos Problemas intratáveis Não admitem algoritmos
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 maisAula 17. Aula de hoje. Aula passada. Problemas Monte Carlo na moda Caminho trilhado Desafios à frente Avaliação
Aula 17 Aula passada Otimização Caixeiro viajante Hill Climbing Distribuição de Boltzman Simulated Annealing De volta ao caixeiro Aula de hoje Problemas Monte Carlo na moda Caminho trilhado Desafios à
Leia maisCálculo Numérico. Aula 6 Método das Secantes e Critérios de Parada /04/2014
Cálculo Numérico Aula 6 Método das Secantes e Critérios de Parada 2014.1-22/04/2014 Prof. Rafael mesquita rgm@cin.ufpe.br Adpt. por Prof. Guilherme Amorim gbca@cin.ufpe.br Aula passada? Método Iterativo
Leia maisOtimização. Otimização em Redes. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia 2016/2
Otimização Otimização em Redes Paulo Henrique Ribeiro Gabriel phrg@ufu.br Faculdade de Computação Universidade Federal de Uberlândia 2016/2 Paulo H. R. Gabriel (FACOM/UFU) GSI027 2016/2 1 / 51 Conteúdo
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 maisExemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
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 maisModelo de Ising. 1 Introdução. Caroline Garcia Forlim e Paulo Matias. 18 de dezembro de O método de Monte Carlo
Modelo de Ising Caroline Garcia Forlim e Paulo Matias 18 de dezembro de 2011 Resumo Neste trabalho simulamos o modelo de Ising bidimensional usando dois métodos: Metropolis e Banho Térmico. Aprendemos
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 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 maisMedida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então
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 maisProblema do Caminho Mínimo
Departamento de Engenharia de Produção UFPR 63 Problema do Caminho Mínimo O problema do caminho mínimo ou caminho mais curto, shortest path problem, consiste em encontrar o melhor caminho entre dois nós.
Leia maisc PAVF 2 Otimizac~ao 'Aurelio' Otimizac~ao.[De otimizar+-c~ao] S.f. 1. Estat. Processo pelo qual se determina o valor otimo de uma grandeza. Otimo.[Do
c PAVF 1 Introduc~ao Otimizac~ao Modelos de otimizac~ao Aplicac~oes Descric~ao do curso c PAVF 2 Otimizac~ao 'Aurelio' Otimizac~ao.[De otimizar+-c~ao] S.f. 1. Estat. Processo pelo qual se determina o valor
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisExercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA
Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA Licenciaturas em Engenharia do Ambiente e Química 2 o Semestre de 2005/2006 Capítulo II Resolução Numérica de Equações Não-Lineares 1. Considere a equação sin(x)
Leia maisParte 1: Exercícios Teóricos
Cálculo Numérico SME0104 ICMC-USP Lista 5: Zero de Funções Lembrete (informação que vai estar disponível na prova) Método de Newton Método da Secante x k+1 = x k f(x k) f (x k ), x k+1 = x k J 1 F (x k
Leia maisRevisão sobre Busca 1
Revisão sobre Busca 1 Um problema de busca em IA pode ser definido em termos de... Algumas definições básicas (1/2) Um espaço de estados possíveis, incluindo: um estado inicial Em (Recife) Estar (pobre)
Leia maisAlgoritmos Combinatórios: Introdução
lucia@site.uottawa.ca UFSC, Fevereiro, 2010 Estruturas e Problemas Combinatórios Introdução a Algoritmos Combinatórios O que são: Estruturas Combinatórias? Algoritmos Combinatórios? Problemas Combinatórios?
Leia maisMétodos Numéricos Zeros Posição Falsa e Ponto Fixo. Professor Volmir Eugênio Wilhelm Professora Mariana Kleina
Métodos Numéricos Zeros Posição Falsa e Ponto Fixo Professor Volmir Eugênio Wilhelm Professora Mariana Kleina Método da Posição Falsa 2 Método da Posição Falsa O processo consiste em dividir/particionar
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 maisf(1) = 6 < 0, f(2) = 1 < 0, f(3) = 16 > 0 x [2, 3].
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Métodos Numéricos Para Solução
Leia maisFábio Protti - UFF Loana T. Nogueira - UFF Sulamita Klein UFRJ
Fábio Protti - UFF Loana T. Nogueira - UFF Sulamita Klein UFRJ Suponha que temos um grupo de pessoas (funcionário de uma empresa) que serão submetidos a um treinamento. Queremos identificar os grupos de
Leia maisIntrodução Paradigmas
Introdução Paradigmas Recursividade Algoritmos tentativa e erro Divisão e conquista Programação dinâmica Algoritmos gulosos Algoritmos aproximados 1 Introdução O projeto de algoritmos requer abordagens
Leia maisPEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
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 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 maisAlgoritmo Aproximado. Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3
Algoritmo Aproximado Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3 Heurísticas para Problemas N P- Completo Heurística: algoritmo que pode produzir um bom resultado (ou até a solução ótima),
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
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 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 maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano.
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 5 Zeros reais de funções Parte 2 Voltando ao eemplo da aula anterior, vemos que o ponto médio da primeira iteração 1 = 2,5
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 13 Prof. Dr. Sylvio Barbon Junior Sumário - Problemas NP-Completo Algoritmos Não-deterministas; Classes NP-Completo e NP-Dificil; Teorema
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 maisOs Ensembles Caps. 4, 5, 7 do Salinas
Os Ensembles Caps. 4, 5, 7 do Salinas ensemble = conjunto, coleção de sistemas em condições idênticas ao sistema que queremos estudar FFI319 - Física Estatística 20 27 de Setembro p. 1 Microcanônico Micro-estados
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 maisProjeto e Análise de Algoritmos
Projeto e Análise de Algoritmos Aula 01 Complexidade de Algoritmos Edirlei Soares de Lima O que é um algoritmo? Um conjunto de instruções executáveis para resolver um problema (são
Leia maisQuestão 3 q-exponencial e q-logaritmo I
Lista Mecânica Estatística Não Extensiva 202/0 CBPF Disciplina: Mecânica Estatística Não Extensiva CBPF (PES002) Período: 202/0 Professor: Constantino Tsallis Monitores: Leonardo J. L. Cirto (304B) & Max
Leia maisComputação Evolutiva Parte 1
Computação Evolutiva Parte 1 Fabricio Breve - fbreve@gmail.com 23/08/2007 Fabricio Breve 1 Introdução Computação Evolutiva Campo de pesquisa que utiliza idéias da biologia evolutiva para desenvolver técnicas
Leia maisUMA ABORDAGEM DIDÁTICA DO SIMULATED ANNEALING USANDO O MODELO MARKOVIANO APLICADA AO PROBLEMA DO CAIXEIRO VIAJANTE
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN UMA ABORDAGEM DIDÁTICA DO SIMULATED ANNEALING USANDO O MODELO MARKOVIANO APLICADA AO PROBLEMA DO CAIXEIRO VIAJANTE Iloneide
Leia mais, logo, para se obter uma boa precisão seria necessário aumentar, e muito, o número de
2. Simulação de Monte Carlo A Simulação de Monte Carlo (SMC) é um método numérico que utiliza um gerador de números aleatórios para simular possíveis valores da variável de interesse e assim obter a estimativa
Leia maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
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 maisInteligência Artificial
Inteligência Artificial Prof. Rafael Stubs Parpinelli DCC / UDESC-Joinville rafael.parpinelli@udesc.br www.joinville.udesc.br/portal/professores/parpinelli www2.joinville.udesc.br/~coca/ Busca Heurística
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisCálculo Numérico BCC760 Raízes de equações algébricas e transcendentes
Cálculo Numérico BCC760 Raízes de equações algébricas e transcendentes Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ Introdução Dada uma função y = f(x), o objetivo deste
Leia maisCálculo Numérico Ponto Fixo
Cálculo Numérico Ponto Fixo Método do Ponto Fixo (MPF) Dada uma função f(x) contínua no intervalo [a,b] onde existe uma raiz única, f(x) = 0, é possível transformar tal equação em uma equação equivalente
Leia maisDedução da termodinâmica no conjunto microcanónico MEFT, IST. Areyoureallysurethatafloorcan talsobeaceiling? M. C. Escher
Física estatística Dedução da termodinâmica no conjunto microcanónico MEFT, IST Areyoureallysurethatafloorcan talsobeaceiling? M. C. Escher Dedução da termodinâmica Definimos a entropia no conjunto microcanónico
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Árvores de Decisão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Árvores de Decisão David Menotti www.inf.ufpr.br/menotti/ci171-182 Árvores de Decisão Agenda Introdução Representação Quando Usar
Leia maisResolução de problemas por meio de busca. Capítulo 3 Inteligência Artificial Sistemas de Informação
Resolução de problemas por meio de busca Capítulo 3 Inteligência Artificial Sistemas de Informação Conteúdo Um exemplo Resolução de problemas por meio de busca Exemplos de problemas Em busca de soluções
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 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 maisCTC-17 Inteligência Artificial Problemas de Busca. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Problemas de Busca Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Agentes que buscam soluções para problemas: Exemplo Tipos de
Leia maisSeminário de Robótica Bruno de Abreu Silva
Seminário de Robótica Bruno de Abreu Silva 1 Introdução Conceitos gerais Métodos de planejamento de rotas 2 Dadas as configurações inicial e final de um robô, descobrir uma sequência de movimentos a ser
Leia maisProva Didática Grafos: Árvores Geradoras e Caminhos Mínimos, Análise de Complexidade
Prova Didática Grafos: Árvores Geradoras e Caminhos Mínimos, Análise de Complexidade Gustavo E.A.P.A. Batista 25 de janeiro de 2005 1 Contextualização 2 Caminhos Mínimos Caminhos Mínimos de uma Origem
Leia maisInversão. Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, Hélio Lopes Departamento de InformáAca PUC- Rio 4/25/13
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Inversão Teorema: Sejam F : IR [0, 1] a função
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisCAMINHOS, CIRCUITOS, CAMINHOS MÍNIMOS E CONEXIDADE
CAPíTULO 2 CAMINHOS, CIRCUITOS, CAMINHOS MÍNIMOS E CONEXIDADE Neste captulo tratamos de tr^es classes especiais de grafos. Na primeira sec~ao apresentamos a classe dos caminhos e noc~oes que permeiam essa
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 maisBusca com informação e exploração. Inteligência Artificial. Busca pela melhor escolha. Romênia com custos em km 9/13/2010
Inteligência Artificial Aula 3 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.1 2 Busca com informação (ou heurística) Utiliza
Leia maisResolução Numérica de Equações (Parte II)
Cálculo Numérico Módulo III Resolução Numérica de Equações (Parte II) Prof: Reinaldo Haas Cálculo Numérico Bissecção Métodos Iterativos para a Obtenção de Zeros Reais de Funções Bissecção Newton-Raphson
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 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 maisInteligência Artificial - IA
Busca sem informação Estratégias para determinar a ordem de expansão dos nós: 1. Busca em extensão 2. Busca de custo uniforme 3. Busca em profundidade 4. Busca com aprofundamento iterativo Direção da expansão:
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 mais4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisSolução aproximada de equações de uma variável
Cálculo Numérico de uma variável Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Parte I Localização de zeros e Método da bissecção Motivação: Queda de um
Leia maisAula 7. Aula de hoje. Aula passada
Aula 7 Aula passada Método de Monte Carlo Estimando somatórios Calculando erro Estimando Erro de Integração de Monte Carlo Monte Carlo Ray Tracing Aula de hoje Gerando amostras de v.a. discretas Gerando
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 maisC alculo Num erico Ra ızes de Equa c oes Ana Paula Ana Paula C alculo Num erico
Raízes de Equações Sumário 1 Introdução 2 3 Revisão Introdução Introdução Introdução Introdução Serão estudados aqui métodos numéricos para a resolução do problema de determinar as raízes de uma equação
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 12 Prof. Dr. Sylvio Barbon Junior Sumário - Árvore Geradora Mínima - Teorema pare reconhecer arestas seguras; - Algoritmo de Prim; - Algoritmo
Leia maisEstruturas de Dados II. Caixeiro Viajante
Estruturas de Dados II Prof. a Mariella Berger Caixeiro Viajante 1. Objetivo O objetivo deste trabalho é implementar diferentes soluções para o problema clássico do Caixeiro Viajante. 2. Introdução O Problema
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia maisAgentes de Procura Procura Estocástica. Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA.
Agentes de Procura Procura Estocástica Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA. AGENTES DE PROCURA ESTOCÁSTICA 1 Procura Aleatória O
Leia maisEduardo Camponogara. DAS-9003: Introdução a Algoritmos
Caminhos Mínimos Com Uma Fonte 1/74 Caminhos Mínimos Com Uma Fonte Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-9003: a Algoritmos Caminhos Mínimos
Leia maisMÓDULO 2 - OTIMIZAÇÃO DE REDES
MÓUL - TIMIZÇÃ RS s problemas de otimização de redes podem ocorrer em várias áreas, mas geralmente são encontrados nas áreas de transportes e comunicações. Um problema típico de transporte consiste em
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 maisMódulo 2 OTIMIZAÇÃO DE REDES
Módulo 2 OTIMIZAÇÃO DE REDES Grafos e Redes Está contida na área de Pesquisa Operacional. Pode ser considerada como uma teoria baseada na interligação de pontos e linhas, utilizada principalmente na solução
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia mais