Colônia Evolucionária de Formigas: Uma Proposta Inicial Aplicada ao Problema do Caixeiro Viajante
|
|
- Vinícius Silveira Castro
- 7 Há anos
- Visualizações:
Transcrição
1 Colônia Evolucionária de Formigas: Uma Proposta Inicial Aplicada ao Problema do Caixeiro Viajante Fábio dos Santos Ferreira 2,3, Glauber Duarte Monteiro 2,3, Otávio Noura Teixeira 1,2,3 1 Programa de Pós-Graduação em Engenharia Elétrica (PPGEE), Departamento de Engenharia Elétrica e Computação (DEEC), Universidade Federal do Pará (UFPA) Caixa Postal Belém, PA, Brasil 2 Área de Ciências Exatas e Tecnologia (ACET), Centro Universitário do Pará (CESUPA) Av. Gov. José Malcher, Belém, PA, Brasil 3 Movimento Evolucionário e Cooperativo para a Construção do Artificial MEC 2 A Av. 16 de Novembro, Belém, PA, Brasil {ferreira06, glauberbcc, onoura}@gmail.com Abstract. A procedure for optimization based in Ant Colony is a metaheuristic based on a population of agents (ants) which maes use of mechanisms of adjustment, cooperation and parallelism aimed at obtaining a procedure for solving problems of optimization. This article is a modify in Ant Colony Optimization by introducing the concept of evolution. This clearly presented issues related to the themes of theoretical, the proposal of the algorithm itself, and finally, proposals for simulation for validation. Resumo. Um procedimento de otimização baseado em Colônia de Formigas (ACO) é uma meta-heurística baseada em uma população de agentes (formigas) que faz uso de mecanismos de adaptação, cooperação e paralelismo visando à obtenção de um procedimento para resolução de problemas de otimização. Este artigo faz uma modificação no Algoritmo de Otimização por Colônia de Formigas introduzindo o conceito de Evolução. Para isso, são apresentados aspectos relativos aos temas de fundamentação teórica, a proposta do algoritmo em si e, finalmente, propostas de simulação para validação. 1. Introdução Diversas classes de aplicação exigem poder computacional, tornando uma demanda constante à necessidade de redução do tempo de processamento. Buscar soluções para proporcionar maior desempenho e ampliar o conjunto de aplicações que podem ser resolvidas de maneira eficiente, está entre as atividades dos projetistas de soluções de otimização (Rego, Ferreira, Monteiro e Teixeira, 2006). Os algoritmos de otimização pertencem a um conjunto de métodos utilizados em busca de um possível melhor desempenho exigido constantemente. Os métodos de otimização, construídos a partir de modelos matemáticos, procuram obter a solução ótima para um determinado problema. Os problemas solucionados pelos algoritmos de otimização por colônia de formigas são diversos, tais como problemas encontrados em aplicações reais como, por
2 exemplo, roteamento de redes, de veículos, distribuição de linhas telefônicas entre outros. Solucionar o problema do TSP Traveling Salesman Problem (Problema do Caixeiro Viajante) é um modo de teste para busca de uma solução para os problemas citados acima (Rego, Ferreira, Monteiro e Teixeira, 2006). O artigo apresenta um estudo para o problema do caixeiro viajante a partir do Algoritmo de Otimização Baseado em Colônia de Formigas (ACO) com introdução do conceito de Evolução. 2. ACO Ant Colony Optmization (Otimização por Colônia de Formigas) As formigas são insetos sociais que possuem um complexo sistema de organização e divisão de tarefas, tendo como função principal a garantia da sobrevivência do formigueiro. A meta-heurística da colônia de formigas foi inspirada na observação das colônias de formigas reais, particularmente no modo como elas encontram o menor caminho entre a fonte de alimentos e o formigueiro (Silva, 2003). A colônia de formigas resolve um interessante problema de otimização quando da obtenção de alimentos (Silva, 2003). Inicialmente um número de formigas percorre aleatoriamente as proximidades do formigueiro em busca do alimento. Cada formiga, ao percorrer o seu caminho, deposita uma substância chamada feromônio, formando um caminho ou rastro de feromônio. Posteriormente as formigas subseqüentes seguem o caminho com maior concentração de feromônio, ou seja, onde há a maior passagem de formigas. A experiência realizada com formigas reais por Goss, Aron, Deneubourg e Pasteels, Goss et. al. (1989), serviu de inspiração à criação do método de otimização de colônia de formigas. Esta experiência consistia na submissão de uma colônia de formigas Iridomyrmex humilis a uma fonte de alimento através de dois caminhos distintos (Figura 1). Figura 1. Esquema das Experiências adaptado de Goss (1989). O experimento foi planejado de maneira que as formigas, quando percorrerem ambas as direções (da colônia à fonte de alimento e vice-versa), optam sempre por um ou outro caminho (Figura 1.a). Após uma fase de transição, a maioria das formigas acaba escolhendo o mesmo caminho. A probabilidade de selecionar o caminho de menor distância aumenta à medida que a diferença de tamanho entre os caminhos torna-
3 se maior (Rego, Ferreira, Monteiro e Teixeira, 2006). Inicialmente, a probabilidade de escolha é a mesma para ambos, pois não existe feromônio no caminho. Caminhos com distâncias diferentes possuem a taxa de chegada de formigas na fonte de alimentos, vindas pelo menor caminho, maior que a taxa de chegada de formigas vindas pelo maior caminho. Sendo assim, no retorno ao ninho, estas formigas encontrarão maior concentração de feromônio no menor caminho. Estimulando mais formigas a segui-lo, e assim cada vez mais, até que a grande maioria das formigas acabe escolhendo o mesmo. Este processo ocorre da mesma maneira no sentido inverso (Silva, 2003) Heurística Ant System (AS) A heurística Ant System (AS) foi aplicada pela primeira vez sobre o Problema do Caixeiro Viajante que se caracteriza no algoritmo a seguir (Dorigo, 1992). Algoritmo Ant System: 1. para t indo de 1 até um número máximo de iterações faça 2. para indo de 1 até m faça 3. repita até a formiga encontrar um caminho completo 4. selecione a próxima cidade a ser visitada segundo a regra de p t ; 5. decisão probabilística ( ) 6. fim-do-repita 7. calcule a distância L (t) do caminho descoberto pela formiga ; 8. se L (t) < L * então S* S (t); 9. fim-do-para t +1 i, j E, segundo processo de depósito 10. atualize τ ( ), ( ) 11. e evaporação de feromônio específico; 12. fim-do-para 13. retornar S*; Inicialmente, m formigas são distribuídas pelas cidades segundo algum critério pré-estabelecido, e todos os caminhos (i,j) E são inicializados com a mesma quantidade τ (1)> 0 de feromônio. Em seguida, cada formiga (=1,...,m) seleciona as próximas cidades a serem visitadas (linha 5), através da seguinte regra de decisão probabilística: onde: p = l α [ τ ] η α τ η N i β [ ] β [ ] [ ( )] t, se j ; senão, = 0 N i p. (1), ( ) t p : probabilidade da cidade j ser escolhida pela formiga, atualmente situada na cidade i, durante a t-ésima iteração da heurística AS;
4 τ : intensidade do feromônio presente no caminho (i,j) E na t-ésima iteração de AS; α : parâmetro que regula a influência de τ (t); η = 1/d : visibilidade da cidade j com relação a cidade i; d : distância entre a cidade i e j; β: parâmetro que regula a influência de η ; N i : conjunto de cidades ainda não visitadas pela formiga situada na cidade i durante a t-ésima iteração de AS; Este processo de seleção da próxima cidade a ser visitada é repetido até que todas as formigas tenham completado um caminho interligando todas as cidades uma única vez (linha 5). Depois, o processo de depósito e evaporação de feromônio (linha 10) ocorre da seguinte maneira: τ ( t + ) = ( 1 p) τ + τ m 1 (2) sendo τ = τ (2.1) com = 1 Q L τ = (2.2), se a formiga percorreu o caminho ( i, j) E ; caso contrário, τ = 0 t: iteração atual da heurística AS; ρ [ 0,1] : parâmetro que regula a redução de τ E iteração; m: número de formigas; τ : ganho de feromônio no caminho ( i j) E na t-ésima iteração de AS;, onde:, ocorrido na t-ésima,, causado pela formiga, Q : quantidade de feromônio excretado por uma formiga a cada iteração; S (t): caminho completo que interliga todas as cidades uma única vez, descoberto pela formiga na t-ésima iteração de AS; S*: menor caminho completo que interliga todas as cidades uma única vez, descoberta pela heurística; L (t): distância associada ao caminho completo S (t) descoberto pela formiga na t-ésima iteração de AS. L*: distância associado ao menor caminho completo S* descoberto pela heurística; Todos os procedimentos acima citados são repetidos a cada iteração da heurística. Porém, quando o número máximo de iterações previamente estabelecido é
5 alcançado (linha 2), a heurística retorna a melhor solução até então encontrada (linha 13). A melhor solução encontrada é conhecida como ótimo global, sendo esta a solução ótima local de uma determinada formiga até t-ésima iteração da heurística. A determinação do número necessário de iterações para a heurística encontrar um ótimo global capaz segue uma relação, baseada em testes, entre ótimo global e tempo de processamento para ter como resultado um ótimo global estabelecido como média (Almirón, 2000). 3. Colônia Evolucionária de Formigas O algoritmo de colônia de formigas (ACO) é um algoritmo de otimização que leva em consideração a qualidade das escolhas realizadas pelas formigas do ambiente por uma ou outra rota que leva à fonte de recursos (cidade fim para o TSP). Essa decisão se baseia na quantidade de feromônio depositada no ambiente e no quão distante é esta rota candidata. A relevância destas propriedades do algoritmo na decisão da formiga permanece imutável durante toda a execução deste algoritmo caracterizando assim uma natureza genotípica destes parâmetros. Então com isso são realizados os seguintes questionamentos: Seria possível modificar a natureza destes parâmetros de genotípica para a natureza fenotípica? Seria possível com isso aumentar as capacidades das formigas em tempo de execução, ficando assim a cargo do sistema a escolha do melhor conjunto de parâmetros para o determinado problema? Este questionamento serve como base para a esta proposta que pretende responder estas questões Proposta de Algoritmo de Colônia Evolucionária de Formigas A melhor maneira de encontrar a melhor solução para um problema de otimização é abrangendo todo o seu espaço de busca. A maneira realizada pelo algoritmo ACO é através da escolha probabilística das cidades, indicando que a cidade que obtiver maior probabilidade será escolhida pela formiga. Esta técnica garante que o espaço de busca permaneça amplo, mas não é possível afirmar que as cidades que possuam as maiores probabilidade são as melhores escolhas, pois os fatores de influência alfa e beta podem favorecer algum atributo, feromônio ou visibilidade, na escolha da cidade, segundo a equação (1). A probabilidade de uma cidade ser escolhida depende dos parâmetros que regulam a influência do feromônio e visibilidade das cidades, respectivamente, α e β segundo regra de decisão probabilística. Observando o algoritmo ACO é visto que as formigas permanecem com suas características estáticas durante toda a execução da heurística, fazendo com que as formigas sejam iguais em toda a colônia e permaneçam assim até o termino da execução. Caso esses parâmetros fossem modificáveis durante essa execução então seria possível verificar os melhores parâmetros para solucionar o problema.
6 O algoritmo se baseia na idéia de que as formigas do sistema poderão evoluir para uma nova estrutura, assim sua colônia poderá melhorar suprindo melhor as necessidades de seus habitantes. A evolução mencionada aqui será a Auto-Evolução, onde um indivíduo de acordo com o que ocorre no seu ambiente é obrigado a aumentar as suas habilidades para se adaptar melhor ao sistema em que vive. Considerando as características evolutivas baseadas na natureza, esta mudança é de ordem fenotípica, pois as mudanças não ocorrem em seus genes, mas sim no fenótipo, sendo assim essas modificações não são passadas para as próximas gerações. Considerando que no algoritmo ACO não ocorre cruzamento então isto não é preocupante Algoritmo A Auto-Evolução das formigas se daria pela mudança dos valores nos parâmetros α que regula a influência de feromônio e β que regula a influência de visibilidade. Estes parâmetros seriam agora individuais ao invés do sistema (colônia), conforme Dorigo (1992). Os valores iniciais são definidos aleatoriamente. A mudança no algoritmo Ant System (Seção 2.1.) está após a linha 8 (oito). Como segue no algoritmo abaixo: Algoritmo: onde: 8. se L (t) < L * então S* S (t); 9. senão percentual= (L (t) - L * )x100/ L * ; 10. op [ 0,2] 11. se op=0 então calculabeta(); 12. senão se op=1 então calculaalfa(); 13. senão se op=2 então calculabeta(); calculaalfa(); calculabeta: 1. percentual aumentabeta = β ; β = β + aumentabeta; calculaalfa: 1. percentual aumentaalfa = α ; α = α + aumentaalfa; Na linha 9, caso a distância da solução, que a formiga encontrou, não seja menor que a solução atual para o sistema, é calculado o percentual que corresponde ao que foi ultrapassado da solução do sistema. Este percentual serve de base para calcularmos os aumentos em α e β. No passo seguinte, linha 10, é gerado um número aleatório entre 0 e 2 que corresponde: 0 alterar apenas β; 1 alterar apenas α; 2 alterar α e β. A escolha
7 aleatória em alterar apenas uns dos valores ou os dois torna o sistema mais heterogêneo aumentando a relevância do feromônio ou da visibilidade proporcional ao percentual encontrado, possibilitando que menores valores de feromônio e visibilidade sejam considerados, ou seja, o balanceamento entre α β e α β possam influenciar no sistema. O aumento de α ou β são calculados com base no percentual sobre seus valores atuais (calculabeta e calculaalfa no Algoritmo). 4. Considerações Finais Com base na literatura utilizada e testes decorridos sobre o ACO é possível avaliar com base nos algoritmos que o algoritmo de Colônia Evolucionária de Formigas possui meios de aumentar sua performance, já que prevê a melhoria dos parâmetros que influenciam nas decisões probabilísticas das quais o sistema se baseia. O ACO é por definição um sistema imutável onde os parâmetros iniciais permanecem os mesmos. Seguindo os conceitos de evolução, é possível considerar uma variabilidade populacional na colônia de formigas, onde indivíduos se adaptam para solucionar problemas. A simulação sobre os algoritmos ACO e Colônia Evolucionária de Formigas está sendo implementada para prova da proposta deste trabalho. Como proposta futura pretende-se implementar hibridações com outras formas ou algoritmos que possibilitem melhora na performance de otimização por colônia de formigas. 5. Bibliografia Almirón, M. (2000) Ant System. Disertación de Máster en Ingeniería de Sistemas, Universidad Nacional de Asunción, Asunción, Paraguai. Dorigo, M. (1992) Optimization, Learning and Natural Algorithms, Ph.D. Thesis, Politecnico di Milano, Itália. Goss, S., Aron, S., Deneubourg, J. L. and Pasteels, J.M. (1989) Self-organized shortcuts in the Argentine ant. Naturwissenschaften, Vol. 76 Pag Rego, A., Ferreira, F., Monteiro, G. e Teixeira, O. (2006) ACO-GT: Algoritmo de Otimização baseado em Colônia de Formigas e Teoria dos Jogos. Trabalho apresentado na disciplina Projeto Integrado III do Curso de Bacharelado em Ciência da Computação, Centro Universitário do Estado do Pará - CESUPA, Belém, Brasil. Silva, R. M. de A. S. (2003) Otimização Baseada em Colônia de Formigas Aplicada ao Problema de Cobertura de Conjuntos. Capítulo 3 - Otimização Baseada em Colônia de Formigas, Tese de Doutorado em Ciência da Computação, Centro Federal de Informática, Universidade Federal de Pernambuco - UFPB, Recife, Brasil. Teixeira, O. (2005) Proposta de um novo Algoritmo Genético baseado na Teoria dos Jogos. Dissertação de Mestrado em Engenharia Elétrica, Universidade Federal do Pará - UFPA, Belém, Brasil.
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 C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
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 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 maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
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 maisAnt Colony Optimization
Ant Colony Optimization por Fabricio Breve Fabricio Breve fabricio@rc.unesp.br 02/06/2016 Fabricio Breve 1 Ant Colony Optimization Origem na tese de doutorado de Marco Dorigo, em 1992 Ant Systems Algoritmo
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 maisSIACO Algoritmo de Colônia de Formigas com Interação Social
SIACO Algoritmo de Colônia de Formigas com Interação Social Fábio dos Santos Ferreira Grupo de Estudos Temáticos em Computação Centro Universitário do Estado do Pará - CESUPA Belém-PA, Brasil ferreira06@gmail.com
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 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 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
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 maisImplementação de Otimização Colônia de Formigas
Implementação de Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN Introdução Apresentaremos o Pseudo-Código do Ant System. O código pode
Leia mais2 Modelos Baseados no Comportamento de Formigas
2 Modelos Baseados no Comportamento de Formigas Formigas são seres vivos relativamente simples. Entretanto, é interessante reparar que suas colônias costumam apresentar um nível de sofisticação estrutural
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 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 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 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 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 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 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 maisUMA INTRODUÇÃO AOS ALGORITMOS GENETICOS
UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS Uma visão geral dos GAs Um algoritmo genético é uma classe de algoritmo de busca. O algoritmo procura uma solução dentro de um espaço para um problema de otimização.
Leia maisAplicação do Algoritmo ACO-HH para o problema de cobertura de conjuntos
Aplicação do Algoritmo ACO-HH para o problema de cobertura de conjuntos Alexandre Silvestre Ferreira Departamento de Informática. Universidade Federal do Paraná Curitiba, Brasil alexandresf@inf.ufpr.br
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 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 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 maisALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES UTILIZANDO A META- HEURÍSTICA COLÔNIA DE FORMIGAS
ALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES UTILIZANDO A META- HEURÍSTICA COLÔNIA DE FORMIGAS Luís Miguel Magalhães Torres 1, Helton Nascimento Alves 2 1Aluno do Curso de Engenharia Elétrica Industrial IFMA.
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 maisImplementação da metaheurística Colônia de formigas em Java para o problema do Caixeiro Viajante Simétrico.
Implementação da metaheurística Colônia de formigas em Java para o problema do Caixeiro Viajante Simétrico. Davi A. Magalhães 1, Marlos Antônio dos S. Lima 1. 1 Departamento de Informática Universidade
Leia mais3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
Leia maisOTIMIZAÇÃO POR COLÔNIA DE FORMIGAS PARA O ROTEAMENTO EM REDES DE COMPUTADORES.
OTIMIZAÇÃO POR COLÔNIA DE FORMIGAS PARA O ROTEAMENTO EM REDES DE COMPUTADORES. Renato Guilherme Martins Junior (ICV-UNICENTRO), Richard Aderbal Gonçalves (Co-orientador), Carolina Paula de Almeida (Orientadora)
Leia maisAlgoritmo Genético: um experimento comparativo entre a execução paralela com troca de indivíduos de populações e a não paralela.
Algoritmo Genético: um experimento comparativo entre a execução paralela com troca de indivíduos de populações e a não paralela. Marlos A. S. Lima 1, Davi Magalhães 2, F. C. de Lima Júnior 3, Rommel W.
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 maisUm Estudo Empírico de Hiper-Heurísticas
Flávio Soares Corrêa da Silva (Orientador) Instituto de Matemática e Estatística Universidade de São Paulo Julho de 2007 Definição de Hiper-Heurística Para Que Servem Dois Exemplos Definição Uma hiper-heurística
Leia maisARTIFICIAL 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 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 maisGUI Ant-Miner: Uma versão atualizada do minerador de dados baseado em colônias de formigas
GUI Ant-Miner: Uma versão atualizada do minerador de dados baseado em colônias de formigas Fernando Meyer 1, Rafael Stubs Parpinelli 1 1 Departamento de Ciência da Computação Universidade do Estado de
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos {emc06,gsr04}@c3sl.ufpr.br 11 de Junho de 2007 Resumo Neste artigo, apresentamos a metaheurística
Leia maisMetahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Leia maisResolução Para o Problema n-rainhas Utilizando ACO
Resolução Para o Problema n-rainhas Utilizando ACO Carolina Moreira Oliveira Programa de Pós-Graduação em Informática Universidade Federal do Paraná Curitiba, Brasil cmoliveira@inf.ufpr.pr Aurora Trinidad
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 maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia maisALOCAÇÃO DE CAPACITORES USANDO COLÔNIA DE FORMIGAS E O GRADIENTE
ALOCAÇÃO DE CAPACITORES USANDO COLÔNIA DE FORMIGAS E O GRADIENTE Pimentel Filho, M. C. maxchianca@hotmail.com Lacerda, E. G. M. estefane@dca.ufrn.br Medeiros Junior, M. F. firmino@dca.ufrn.br Resumo Este
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 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 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 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 maisAprendizado Evolutivo: Introdução aos Algoritmos Genéticos
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos SCC-230 Inteligência Artificial Thiago A. S. Pardo Solange O. Rezende 1 Computação Evolutiva (CE) Trata de sistemas para a resolução de problemas
Leia maisSOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS
Universidade Federal do Tocantins SOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS Diogo Rigo de Brito Guimarães Alexandre Tadeu Rossini da Silva Objetivo Implementar soluções heurísticas para o Jogo de Damas
Leia 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 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 maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
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 maisUniversidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial. Algoritmo Memético
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Algoritmo Memético aplicação para o problema do caixeiro viajante Kelly Rodrigues Abreu Federico
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 mais4. MÉTODO DO FORMIGUEIRO (ANT COLONY OPTIMIZATION ACO)
4. MÉTODO DO FORMIGUEIRO (ANT COLONY OPTIMIZATION ACO) 4.. Analogia Comportamental: a busca de alimentos em um migueiro 4.2. A Tradução Matemática: o algoritmo básico ( versão discreta) 4.3. A Programação
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 maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisXXIV Encontro Nac. de Eng. de Produção - Florianópolis, SC, Brasil, 03 a 05 de nov de 2004
Otimização da colônia de formigas aplicada ao problema da programação e roteirização de veículos para o transporte de pessoas portadoras de deficiência Cristina Mayumi Baba (EEM) mayumi_vr@yahoo.com.br
Leia maisTécnica de Busca Local para Melhorar a Meta-heurística de Otimização por Colônia de Formigas no Agrupamento de Instâncias em Bases de Dados
Técnica de Busca Local para Melhorar a Meta-heurística de Otimização por Colônia de Formigas no Agrupamento de Instâncias em Bases de Dados Ana Cristina B. Kochem Vendramin 1,2, Diogo Augusto B. Pereira
Leia maisCréditos. Introdução a Sistemas Inteligentes. Agenda Introdução Breve Histórico. Introdução. Introdução aos Algoritmos Evolutivos
Introdução a Sistemas Inteligentes Introdução aos Algoritmos Evolutivos Créditos Este material consiste de adaptações e extensões dos originais gentilmente cedidos: pelo Prof. Dr. Eduardo Raul Hruschka
Leia maisMETAHEURÍSTICA COLÔNIA DE FORMIGAS APLICADA A UM PROBLEMA DE ROTEAMENTO DE VEÍCULOS: CASO DA ITAIPU BINACIONAL
METAHEURÍSTICA COLÔNIA DE FORMIGAS APLICADA A UM PROBLEMA DE ROTEAMENTO DE VEÍCULOS: CASO DA ITAIPU BINACIONAL Samuel Bellido Rodrigues Universidade Federal do Paraná: Programa de Pós-Graduação em Métodos
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 maisOtimização da faixa de frequência no estudo da integridade de estruturas utilizando os métodos de busca aleatória e colônia de formigas
Capítulo 24 Otimização da faixa de frequência no estudo da integridade de estruturas utilizando os métodos de busca aleatória e colônia de formigas João Paulo Moreira Bento 1 Romes Antônio Borges 3 Bruno
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 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 maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia 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 maisALGORITMO DE OTIMIZAÇÃO: UMA ABORDAGEM HÍBRIDA UTILIZANDO O ALGORITMO DAS FORMIGAS E GENÉTICO.
UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO TIAGO BOECHEL ALGORITMO DE OTIMIZAÇÃO: UMA ABORDAGEM HÍBRIDA UTILIZANDO O ALGORITMO DAS FORMIGAS E GENÉTICO. Dissertação
Leia maisOptimização por colónias de formigas (Ant colony optimization)
Optimização por colónias de formigas (Ant colony optimization) 239 Colónia de formigas (ACO) Um processo de pesquisa meta-heurístico baseado no comportamento das formigas à procura de alimento Um número
Leia maisOptimização através de colónias de formigas. Guy Theraulaz
Optimização através de colónias de formigas Guy Theraulaz Insectos, Insectos Sociais e Formigas ~10 18 insectos vivos ~2% de todos os insectos são sociais Os insectos sociais: Todas as formigas Todas as
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE LUCCA ZAMBONI
UNIVERSIDADE PRESBITERIANA MACKENZIE LUCCA ZAMBONI OTIMIZAÇÃO DA TOPOLOGIA DE CIRCUITOS DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA USANDO ALGORITMOS INSPIRADOS NO COMPORTAMENTO DE FORMIGAS São Paulo 2007 Livros
Leia maisALGORITMOS DE OTIMIZAÇÃO BASEADOS EM ENXAMES INTELIGENTES 1. Palavras-chave: Colônia de Formigas, Métodos de Coordenação, Sistemas Multi-agente.
ALGORITMOS DE OTIMIZAÇÃO BASEADOS EM ENXAMES INTELIGENTES 1 Adriano F. Ronszcka 2 Mário Gonçalves Júnior 3 Richardson Ribeiro 4 RESUMO: Este artigo apresenta um método de otimização para coordenar as ações
Leia maisCLASSIFICAÇÃO DE BARRAS DE UM SEP UTILIZANDO ALGORITMO DE FORMIGAS
CLASSIFICAÇÃO DE BARRAS DE UM SEP UTILIZANDO ALGORITMO DE FORMIGAS MICHELLE F. LEITE 1, BENEMAR A. DE SOUZA 1 1. Departamento de Engenharia Elétrica, Universidade Federal de Campina Grande Caixa Postal
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 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 maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
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 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 maisRevista Fasem Ciências
29 OTIMIZAÇÃO DE TRÁFEGO EM REDES IP UTILIZANDO MPLS * Huds Sousa Costa 1 Marcelo Lisboa Rocha 2 RESUMO: Neste trabalho é apresentada uma técnica de otimização para o roteamento de tráfego em redes IP
Leia maisUma Abordagem Paralela Baseada em Colônia de Formigas para o Problema do Caixeiro Viajante
Uma Abordagem Paralela Baseada em Colônia de Formigas para o Problema do Caixeiro Viajante Euzébio de O. A. da Silva, Cristiana Bentes δ, Laura Bahiense γ e Maria Clicia Stelling de Castro Instituto de
Leia maisMétodo GRASP e ACO em Otimização
UNIVERSIDADE ESTADUAL DE CAMPINAS INSTITUTO DE MATEMÁTICA, ESTATÍSTICA E COMPUTAÇÃO CIENTÍFICA Método GRASP e ACO em Otimização Aluno: Pedro Henrique Rivera Santiago - RA: 120022 Orientadora: Prof. Dra.
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 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 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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Edirlei Soares de Lima Algoritmos Genéticos Método de busca local. Boa abordagem para lidar com espaços de busca muito
Leia maisRESTABELECIMENTO DE SISTEMAS ELÉTRICOS DE POTÊNCIA COM A OTIMIZAÇÃO POR COLÔNIA DE FORMIGAS
RESTABELECIMENTO DE SISTEMAS ELÉTRICOS DE POTÊNCIA COM A OTIMIZAÇÃO POR COLÔNIA DE FORMIGAS RESUMO Tiago Silveira Universidade Federal de Alfenas (Unifal-MG) Rua Gabriel Monteiro da Silva, 700, Alfenas
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 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 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 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 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 maisMétodo de Hardy-Cross Capitulo 13- Algoritmo genético engenheiro Plínio Tomaz 24 dezembro de Algoritmo genético 13-1
1 Algoritmo genético 13-1 2 Capítulo 13-Algoritmo genético 13.1 Introdução As tecnologias recentes para dimensionamento de redes de água são: Algoritmo genético Programação Dinâmica Decision Support System
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 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 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 maisExtensão Swarm Intelligence para o Simulador Robocup Rescue
Extensão Swarm Intelligence para o Simulador Robocup Rescue Alessandro Antonino Ostetto Acadêmico Fernando dos Santos - Orientador 1 Roteiro Introdução Objetivos Fundamentação Teórica Especificação Implementação
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 mais