Uma Abordagem de Alinhamento Múltiplo de Sequências Utilizando Evolução Diferencial
|
|
- Mauro Dias Martins
- 7 Há anos
- Visualizações:
Transcrição
1 Uma Abordagem de Alinhamento Múltiplo de Sequências Utilizando Evolução Diferencial Antônio L. V. da Silva Júnior 1, Rodrigo G. de Souza 1, Ricardo Yara 1, and Wellington P. dos Santos 1 1 Departamento de Engenharia Biomédica, Universidade Federal de Pernambuco, Brasil wellington.santos@ufpe.br Abstract Multiple sequence alignment (MSA) is one of the most important tasks in bioinformatics. The MSA is a fundamental technique for study of function, structure and evolution of biomolecules. From the use of MSA methods are possible the creation of statistical models for classification of protein families, phylogenetic analysis and the prediction of secondary structures of proteins. Considered as a problem of type NP-hard, the complexity of MSA becomes infeasible the use of exact methods to search for optimal solutions. Because of this it is important to use methods of optimization based heuristic to solve the problem of MSA. In this paper, we propose an approach to multiple sequence alignment by optimizing an objective function using Differential Evolution. Although the idea of using Evolutionary Algorithms is not new, the approach presented differs from the use of Differential Evolution and definition of alignment as a dispersion of gaps along the sequences, without considering the biological events such as insertion or emergence of bases, deletion or mutation of bases. The proposed solution has proven to be able to make significant improvements in alignments when compared to state-of-the art Clustal method. Keywords multiple sequence alignment, bioinformatics, evolutionary computing, differential evolution. I. INTRODUÇÃO O alinhamento múltiplo de sequências (Multiple Sequence Alignment, MSA) é um dos mais fundamentais e mais desafiadores problemas em biologia computacional. O MSA é uma técnica utilizada para o estudo da função, estrutura e evolução de biomoléculas. Algumas das aplicações do MSA estão na análise filogenética [1], na criação de modelos estatísticos para classificação de famílias de proteínas [2], na predição de estruturas secundárias de proteínas [3] e em ferramentas de extração de similaridade entre sequências [4]. Considerado como um problema do tipo NP-difícil [5], [6], a complexidade do MSA torna inviável o uso de métodos exatos para busca de soluções ótimas. Portanto, são usualmente utilizadas as seguintes estratégias: Alinhamentos Progressivos [7], destacando-se o Clustal [8] [10], MUSCLE [11], [12] e T-COFFE [13]; e os Algoritimos Iterativos onde se destaca a utilização de meta-heurísticas, como as dos Algoritmos Evolucionários (AE) [14], sendo SAGA [15], COFFE [16] e PWMAligner [17] os mais conhecidos. Inspirados nos principios da evolução natural de Darwin e na genética, os AEs são direcionados a encontrar ótimos globais, evitando a parada prematura em ótimos locais. Existem várias formas de AEs, dentre as que se aplicam a este trabalho podemos citar: Algoritmos Genéticos (Genetic Algorithmns, GA) [18] e os algoritmos de Evolução Diferencial (Differential Evolution, DE) [19], [20]. A utilização de AEs na solução de problemas de MSA tem-se apresentado com relativa frequência no estado da arte: Xhang e Wong [21], em 1997, apresentaram uma solução baseada no alinhamento exato de colunas, alcançando bons resultados. Contudo, a solução limita-se ao tratamento de sequências com alto grau de similaridade. Thomsen, Fogel e Krink [9], em 2002, apresentaram uma solução que utilizava como entrada alinhamentos já executados pelo Clustal V [10], com o objetivo de melhorar resultados já alcançados. Zhang e Huang [22], em 2004, propulseram um GA tendo uma estratégia de inicialização da população e um esquema de operador de cruzamento baseados em um ponto. Meshoul et al. [23] e Abdesselem et al. [24] propuseram, respectivamente em 2005 e 2006, algoritmos que mesclam conceitos de computação quântica e algoritmos evolucionários com o objetivo de obter melhores resultados. Ainda em 2006, Hu [25] apresentou uma solução utilizando uma forma híbrida de DE (Chaosdifferential evolution, CDE), a fim de evitar a convergência prematura do processo de busca. Gondro e Kinghorn [26], em 2007, propuseram um GA tendo dois operadores para crossover, um para combinações horizontais e outro para combinações verticas, e quatro operadores de mutação, todos operando sobre lacunas do alinhamento, garantindo resultados superiores ao do ClustalW [8]. A desvantagem deste esquema é o número de gerações: cerca de Lee et al. [27], em 2008, propuseram o algoritmo GA-ACO, um GA que fazia uso do algoritmo de colônia de formigas [28] para otimizar o espaço de busca. Botta e Negro [17], em 2010, apresentaram uma solução onde uma matriz com pesos posicionais (Positional Wight Matrix, PWM) representava um indivíduo da população, contendo nela a probabilidade de uma determinada posição da sequência ser associada a uma coluna do alinhamento. Percebe-se a predominância do uso de GAs aplicados ao problema de MSA. Porém, estudos comparativos de DE, aplicados a outros problemas de otimização que não MSA, indicam que, apesar da simplicidade de sua implementação, a DE pode atingir bons resultados a um desempenho muito melhor se comparada com outras técnicas como PSO, G3 com PCX e até mesmo GA [29] [31]. A DE se destaca também em sua facilidade de uso, possuindo poucos parâmetros de controle. Este trabalho tem como objetivo apresentar um método de MSA baseado em algoritmos de evolução diferencial. O problema de MSA é encarado como um problema de otimização, sendo proposto neste trabalho uma função objetivo baseada na medida da qualidade do alinhamento obtida a partir da dispersão de lacunas (gaps) ao longo das sequências, sem considerar inserção, exclusão e mutação de bases, como é
2 comumente utilizado em outros métodos de alinhamento. Os resultados são comparados com o método de alinhamento progressivo Clustal [32]. O trabalho está organizado da forma que segue: Na seção II os conceitos e materiais utilizados são apresentados. Na seção III os resultados experimentais são apresentados. Discussões e conclusões formam a seção IV e finalmente temos a seção V com os trabalhos futuros. II. A. Evolução Diferencial MATERIAIS E MÉTODOS A Evolução Diferencial (Differential Evolution, DE) como outros algoritmos evolucionários, é iniciado com uma populações de vetores x i,g, (i = 1, 2..., NP ) que são aleatoriamente gerados. Os vetores possuem dimensão N P que não muda durante o processo de otimização. Para gerar uma nova população de vetores, o procedimento é o seguinte: 1) Mutação: Para cada vetor da população atual x i,g (vetor alvo), sendo i = 1, 2, 3, 4, 5..., NP, um vetor mutante é gerado de acordo com a regra: DE\rand\1\bin : v i,g+1 = x r1,g + F (x r2,g x r3,g) (1) onde os índices aleatórios r 1, r 2, r 3 {1, 2,..., NP }, inteiros, mutualmente diferentes e F é um fator constante [0, 2] que controla a amplificação da variação diferencial (x r2,g x r3,g). A estratégia de mutação apresentada na Equação 1 é conhecida como DE\rand\1\bin. Outras estratégias (Equações 2, 3, 4 e 5) de mutação são utilizadas neste trabalho: DE\best\1\bin: DE\rand-to-best\1\bin: v i,g+1 = x best,g + F (x r1,g x r2,g) (2) v i,g+1 = v i,g + F (x best,g v i,g) + F (x r1,g x r2,g) (3) DE\best\2\bin: v i,g+1 = x best,g + F (x r1,g x r2,g) + F (x r3,g x r4,g) (4) DE\rand\2\bin: v i,g+1 = x r1,g + F (x r2,g x r3,g) + F (x r4,g x r3,g), (5) onde x best,g é o vetor indivíduo que possui o melhor valor de aptidão da população na geração G. 2) Cruzamento: A DE faz uso do operador de cruzamento (Crossover) para prover diversidade populacional. No processo de cruzamento, um vetor ensaio definido como: u i,g+1 = (u 1i,G+1, u 2i,G+1,..., u Di,G+1 ) (6) é formado pela regra: { vji,g+1 se rand u ij,g+1 = j (0, 1) CR, caso contrário. x ji,g Na Equação 7, CR [0, 1] é uma constante predefinida e rand j (0, 1) corresponde j-éssima geração de um número aleatório com distribuição normal [0, 1]. (7) 3) Seleção de sobreviventes: Os vetores que irão fazer parte da geração G + 1 são definidos no processo de seleção de sobreviventes. O vetor ensaio u i,g+1 é comparado com o vetor alvo x i,g. O vetor que possuir melhor score será incluído na geração seguinte. 4) Parâmetros: Os parâmetros utilizados na execução de cada estratégia de DE estão na Tabela I. Table I. PARÂMETROS DAS ESTRATÉGIAS DE EVOLUÇÃO DIFERENCIAL Parâmetro Descrição Valor Utilizado CR Taxa de cruzamento 1 F Amplificação da diferença 1 NP Tamanho da População 1500 QntInteracoes N o de Iterações 1500 B. Função objetivo A função objetivo definida na Equação 8 busca atender mais de um aspecto do problema de MSA. A ideia da função objetivo proposta é premiar aspectos desejáveis e penalizar os não-desejáveis. Para realizar isso a função objetivo é definida como uma combinação linear de outras quatro funções. f(w i ) = ω sp f sp (w i )+ ω penal f penal (w i )+ ω corresp f cossesp (w i )+ ω consec f consec (w i ) Na função objetivo, ω sp, ω penal, ω corresp e ω consec são os multiplicadores reais das funções componentes, cujos os valores utilizados estão na Tabela II. Table II. MULTIPLICADORES DAS FUNÇÕES COMPONENTES Parâmetro Valor Utilizado ω sp 1,0 ω penal 1,0 ω corresp 2,0 ω consec 1,0 O primeiro termo da função objetivo é definido pela Equação 9. A matriz W n,s corresponde ao alinhamento resultante, sendo n o índice da sequência alinhada e s o índice da coluna do alinhanto. Em f sp (w i ) é realizado o somatório para cada coluna do alinhamento de todas as correspondências entre bases de uma mesma coluna, onde, o peso de cada correspondência seja determinado através de uma matriz de similaridades M (i j). f sp (w i ) = S s=1 n=1 (8) N IUB (W 1,s, W n,s ) (9) A matriz de similaridade utilizada foi a matriz IUB, que corresponde à matriz padrão usada pelo Clustal em alinhamento de sequências de DNA. Na matriz IUB, cada elemento m i,j é um valor real representativo da similaridade entre a i-ésima e a j-ésima base. Todos os elementos da diagonal principal, sendo os representativo das correspondências (matches), são preenchidos com 1.9, enquanto que os
3 elementos restantes, conhecidos como não-correspondentes (mismatches) são preenchidos com zeros. O segundo aspecto considerado na função objetivo é definido na Equação 10, que leva em conta o distribuição das lacunas ao longo das sequências. { 0, s C1 gap penal (w i, n, s) = penal gapext, s C 2 penal gapopen, s C 3, (10) C 1 = {(s = 1) (s < p F B (w i, n)) (s < p LB (w i, n))} (11) C 2 = {(s > 1) (gap penal (w i, n, s 1) < 0)} (12) C 3 = {(s > 1) (gap penal (w i, n, s 1) 0)} (13) Semelhante a outros métodos de alinhamento, a função objetivo deste trabalho trata a necessidade de desencorajar o mau posicionamento de lacunas através da aplicação de uma função de penalidade. Assim, caso à esquerda da lacuna exista uma base então tal lacuna dá início a uma abertura de espaço (chamado de gap open). Caso contrário, ou seja, se na posição à esquerda existe outra lacuna então trata-se de uma extensão da lacuna. Neste trabalho, lacunas do tipo extensão são penalizadas em 0.2 e lacunas do tipo abertura são penalizadas com 10. O terceiro aspecto considerado na função objetivo é o número de correspondências existentes na mesma coluna. Definido na Equação 14, f cossesp (w i ) tem o objetivo de premiar alinhamentos onde o total de correspondências identificadas crescem a cada coluna do alinhamento. N penal gapopen f cossesp (w i ) = N S s=1 numcorresp (w (14) i, s) Onde numcorresp (w i,s ) representa o número de correspondências identificadas na s-ésima coluna da i-ésima linhda do alinhamento, sendo 0 columngaps (w i,s ) (N 1). O quarto aspecto considerado pela função objetivo, definido na Equação 15, trata da necessidade de privilegiar alinhamentos nos quais colunas de alta similaridade ocorram consecutivamente. Isto permite identificar regiões de alta similaridade. S f consec (w i ) = Consec (s), (15) s=1 com 0, s=1 Consec(s)(w i)= Consec(s 1) (N numcorresp(w i,s)) 2, s 1 (16) C. Sequências utilizadas Para formar a base de dados utilizada nos experimentos, foram construídos no total 50 conjuntos de 4 sequências retiradas do genoma do fungo Pyrenophora tritici-repentis da base pública do EMBL-EB. Foram utilizadas as sequências AAXI até AAXI Para cada sequências AAXI010000* foram capturadas as primeiras 960 bases e em seguida distribuídas em linhas de comprimento igual a 60 bases. Na construção de cada um dos 50 conjuntos de sequências, quatro desses genomas foram escolhidos uniformemente ao acaso e de cada um, foi extraída a n-ésima linha onde n corresponde a um número aleatório [1,16] com distribuição uniforme. Estas quatro linhas irão compor um conjunto de quatro sequências que serão exclusivas para um ensaio. D. Clustal Os 50 conjuntos de 4 sequências foram alinhado através método de Clustal através da ferramenta Clustal W2 disponível no website do EMBL-EBI. Para todos alinhamentos foram utilizados os parâmetros padrões da ferramenta, conforme a Tabela III. Table III. PARÂMETROS DO CLUSTAL Parâmetro Descrição Valor Utilizado dnamatrix DNA/RNA scoring matrix IUB gapopen gap creation penalty -10 noendgaps no end gap separation penalty no gapext gap extension penalty -0.2 gapdist gap separation penalty 5 iteration iteration strategy none numiter maximum number of iterations 1 Estes alinhamentos são posteriormente avaliados pela mesma função objetivo que é aplicada a todos os alinhamentos encontrados pelas estratégias de DE para fins de comparação. III. RESULTADOS Ao longo dos 50 ensaios para cada estratégia de DE, os percentuais de pontuações que superaram os alinhamentos realizados pelo Clustal, estão na Tabela IV. Table IV. PERCENTUAIS DE SUPERAÇÃO DAS ESTRATÉGIAS DE DE Estratégia de DE % de ensaios com maior pontuação best\1\bin 80% best\2\bin 74% rand\1\bin 76% rand\2\bin 76% rand-to-best\1\bin 80% Na Figura 1 temos o gráfico box-plot comparativo das pontuações obtidas com os alinhamentos realizados com as estratégias de DE e com o Clustal. Os limites extremos correspondem aos valores de máximo e mínimo, enquanto que a marca central é o valor médio, abaixo e acima do valor médio temos os percentis 25 e 75. Admitindo um intervalo de confiança de 0,05, todos os resultado do teste de hipóteses de Wilcoxon executados foram iguais e favoráveis às estratégias de DE. IV. DISCUSSÃO E CONCLUSÕES Foi visto uma abordagem de otimização de uma função objetivo proposta para o problema de MSA, utilizando a metaheurística Evolução Diferencial. Foram utilizadas 5 estratégias de Evolução Diferencial: DE\best\1\bin, DE\best\2\bin, DE\rand\1\bin, DE\rand\2\bin e DE\rant-to-best\1\bin. As pontuações obtidas para cada estratégia foram comparadas com as pontuações obtidas com os alinhamentos realizados pelo método de Alinhamento Progressivo Clustal.
4 Figure 1. Gráfico box-plot delimitado pelos pontos de máximo e de mínimo, percentil 75 e 25 Para a maioria dos ensaios realizados em cada estratégia de Evolução Diferencial testada, a meta-heurística da Evolução Diferencial mostrou-se eficaz para o problema de alinhamento múltiplo de sequências, quando comparamos os seus resultados com os obtidos pelo método de Alinhamento Progressivo Clustal. No geral, a abordagem com Evolução Diferencial conseguiu obter melhores resultados em até 80% dos ensaios. As menores porcentagem de superação ficaram com as estratégias DE\rand\1\bin e DE\rand\2\bin que superaram o Clustal em 76% dos ensaios. As maiores pontuações ficaram com as estratégias DE\rand-to-best\1\bin e DE\best\1\bin que superaram o Clustal em 80% dos ensaios. TRABALHOS FUTUROS Como forma de ampliar a investigação na obtenção de melhores alinhamentos, vem sendo estudada a utilização de alinhamentos já obtidos por métodos progressivos como dados de entrada no processo evolucionário, para constatar se os alinhamentos obtidos ao término do processo irão possuir uma melhor pontuação. REFERENCES [1] D. Gusfield, Algorithms on Strings, Trees and Sequences: Computer Science and Computational Biology. Cambridge University Press, [Online]. Available: [2] M. J. SIPPL, Biological sequence analysis. probabilistic models of proteins and nucleic acids, edited by r. durbin, s. eddy, a. krogh, and g. mitchinson cambridge: Cambridge university press. 356 pp.. PRS, vol. 8, pp , [3] D. T. Jones, Protein secondary structure prediction based on position-specific scoring matrices, Journal of Molecular Biology, vol. 292, no. 2, pp , [Online]. Available: [4] S. Altschul, T. Madden, A. Schäffer, J. Zhang, Z. Zhang, W. Miller, and D. Lipman, Gapped blast and psi-blast: a new generation of protein database search programs, Nucleic acids research, vol. 25, no. 17, p , September [Online]. Available: [5] H. Carrillo and D. Lipman, The multiple sequence alignment problem in biology, SIAM J. Appl. Math., vol. 48, no. 5, pp , Oct [Online]. Available: [6] C. Notredame, Recent progress in multiple sequence alignment: a survey, Pharmacogenomics, vol. 3, no. 1, p , [7] D.-F. Feng and R. Doolittle, Progressive sequence alignment as a prerequisitetto correct phylogenetic trees, Journal of Molecular Evolution, vol. 25, no. 4, pp , [Online]. Available: [8] J. D. Thompson, D. G. Higgins, and T. J. Gibson, Clustal w: improving the sensitivity of progressive multiple sequence alignment through sequence weighting, position-specific gap penalties and weight matrix choice, Nucleic Acids Research, vol. 22, no. 22, pp , [Online]. Available: [9] R. Thomsen, G. Fogel, and T. Krink, A clustal alignment improver using evolutionary algorithms, in Evolutionary Computation, CEC 02. Proceedings of the 2002 Congress on, vol. 1, May 2002, pp [10] D. G. Higgins, A. J. Bleasby, and R. Fuchs, Clustal v: improved software for multiple sequence alignment, Computer applications in the biosciences : CABIOS, vol. 8, no. 2, pp , [Online]. Available: [11] R. C. Edgar, Muscle: a multiple sequence alignment method with reduced time and space complexity, BMC bioinformatics, vol. 5, no. 1, p. 113, [12], Muscle: multiple sequence alignment with high accuracy and high throughput, Nucleic acids research, vol. 32, no. 5, pp , [13] C. Notredame, D. G. Higgins, and J. Heringa, T-coffee: A novel method for fast and accurate multiple sequence alignment, Journal of molecular biology, vol. 302, no. 1, pp , [14] T. Dortmund, Evolutionary Algorithms in Theory and Practice : Evolution Strategies, Evolutionary Programming, Genetic Algorithms: Evolution Strategies, Evolutionary Programming, Genetic Algorithms. Oxford University Press, USA, [Online]. Available: [15] C. Notredame and D. G. Higgins, Saga: sequence alignment by genetic algorithm, Nucleic acids research, vol. 24, no. 8, pp , [16] C. Notredame, L. Holm, and D. G. Higgins, Coffee: an objective function for multiple sequence alignments. Bioinformatics, vol. 14, no. 5, pp , [17] F. Masulli, L. Peterson, and R. Tagliaferri, Computational Intelligence Methods for Bioinformatics and Biostatistics: 6th International Meeting, CIBB 2009, Genoa, Italy, October 15-17, 2009, Revised Selected Papers, ser. LNCS sublibrary: Bioinformatics. Springer, [Online]. Available: [18] D. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, ser. Artificial Intelligence. Addison-Wesley, [Online]. Available: [19] R. Storn and K. Price, Differential evolution: A simple and efficient heuristic for global optimization over continuous spaces, J. of Global Optimization, vol. 11, no. 4, pp , Dec [Online]. Available: [20] K. Price, R. Storn, and J. Lampinen, Differential Evolution: A Practical Approach to Global Optimization, ser. Natural Computing Series. U.S. Government Printing Office, [Online]. Available: [21] C. Zhang and A. K. Wong, A genetic algorithm for multiple molecular sequence alignment, Computer applications in the biosciences : CABIOS, vol. 13, no. 6, pp , [Online]. Available: [22] G.-Z. Zhang and D.-S. Huang, Aligning multiple protein sequence by an improved genetic algorithm, in Neural Networks, Proceedings IEEE International Joint Conference on, vol. 2, July 2004, pp vol.2. [23] S. Meshoul, A. Layeb, and M. Batouche, A quantum evolutionary algorithm for effective multiple sequence alignment, in Progress in Artificial Intelligence, ser. Lecture Notes in Computer Science, C. Bento,
5 A. Cardoso, and G. Dias, Eds. Springer Berlin Heidelberg, 2005, vol. 3808, pp [24] A. Layeb, S. Meshoul, and M. Batouche, Multiple sequence alignment by quantum genetic algorithm, in Parallel and Distributed Processing Symposium, IPDPS th International, April 2006, pp. 8 pp.. [25] G.-W. Hu, Chaos-differential evolution for multiple sequence alignment, in Intelligent Information Technology Application, IITA Third International Symposium on, vol. 2, Nov 2009, pp [26] C. Gondro and B. Kinghorn, A simple genetic algorithm for multiple sequence alignment, Genet. Mol. Res, vol. 6, no. 4, pp , [27] Z.-J. Lee, S.-F. Su, C.-C. Chuang, and K.-H. Liu, Genetic algorithm with ant colony optimization (ga-aco) for multiple sequence alignment, Applied Soft Computing, vol. 8, no. 1, pp , [Online]. Available: [28] M. Dorigo, G. Di Caro, and L. M. Gambardella, Ant algorithms for discrete optimization, Artificial life, vol. 5, no. 2, pp , [29] J. Vesterstrom and R. Thomsen, A comparative study of differential evolution, particle swarm optimization, and evolutionary algorithms on numerical benchmark problems, in Evolutionary Computation, CEC2004. Congress on, vol. 2, June 2004, pp Vol.2. [30] X.-l. Dong, S.-q. Liu, T. Tao, S.-p. Li, and K.-l. Xin, A comparative study of differential evolution and genetic algorithms for optimizing the design of water distribution systems, Journal of Zhejiang University SCIENCE A, vol. 13, no. 9, pp , [Online]. Available: [31] J. Rönkkönen, S. Kukkonen, and J. Lampinen, A comparison of differential evolution and generalized generation gap model, JACIII, vol. 9, no. 5, pp , [32] D. Higgins and P. Sharp, Clustal: a package for performing multiple sequence alignment on a microcomputer, Gene, vol. 73, no. 1, p , December [Online]. Available:
UMA ABORDAGEM DE ALINHAMENTO MÚLTIPLO DE SEQUÊNCIAS UTILIZANDO EVOLUÇÃO DIFERENCIAL
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE TECNOLOGIA E GEOCIÊNCIAS ESCOLA DE ENGENHARIA DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA BIOMÉDICA UMA ABORDAGEM DE ALINHAMENTO MÚLTIPLO DE SEQUÊNCIAS
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 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 maisAlinhamento múltiplo de sequências utilizando otimização dialética
Alinhamento múltiplo de sequências utilizando otimização dialética Rodrigo G. de Souza 1, Antônio V. da Silva Júnior 1, Ricardo Yara 1, and Wellington P. dos Santos 1 1 Departamento de Engenharia Biomédica,
Leia maisTópicos Especiais em Inteligência Artificial COS746. Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro
Tópicos Especiais em Inteligência Artificial COS746 Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro Agradecimento Copiado dos slides de Mark Craven/C. David Page para BMI/CS 576,
Leia maisUma abordagem para alinhamento múltiplo de sequências de DNA usando Algoritmos Genéticos e número variável de lacunas
Uma abordagem para alinhamento múltiplo de sequências de DNA usando Algoritmos Genéticos e número variável de lacunas Rodrigo G. de Souza, Ricardo Yara, Wellington P. dos Santos Departamento de Engenharia
Leia maisTITULO: Implementação do alinhamento de proteínas em GPU utilizando OpenCL PROPOSTA DE TRABALHO DE GRADUAÇÃO
1 U NIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2 0 1 6. 1 TITULO: Implementação do alinhamento de proteínas em GPU utilizando OpenCL PROPOSTA DE TRABALHO
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisAlgoritmos Genéticos 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 maisalinhamento global-alinhamento múltiplo de seqüências
alinhamento global-alinhamento múltiplo de seqüências Alinhamento múltiplos de seqüências Qual a importância de se realizar alinhamentos múltiplos em oposição a alinhamentos em pares? Alinhamento múltiplos
Leia maisUMA IMPLEMENTAÇÃO PARALELA DO ALGORITMO DE EVOLUÇÃO DIFERENCIAL AUTOADAPTATIVO
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM UMA IMPLEMENTAÇÃO PARALELA DO ALGORITMO DE EVOLUÇÃO DIFERENCIAL AUTOADAPTATIVO
Leia maisPrincipais algoritmos de alinhamento de sequências genéticas. Alexandre dos Santos Cristino
Principais algoritmos de alinhamento de sequências genéticas Alexandre dos Santos Cristino http://www.ime.usp.br/~alexsc e-mail: alexsc@ime.usp.br Definição de alinhamento de sequências Comparação de duas
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 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 maisComputação Evolutiva no treinamento de Redes Neurais
Computação Evolutiva no treinamento de Redes Neurais Euclides Carlos Pinto Neto David Fernandes Neves Oliveira Macilio da Silva Ferreira PSI5886 - Prof. Emilio Del Moral Hernandez 1 Agenda Objetivo Otimização
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 maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisAlinhamentos de Múltiplas Seqüências. Rogério T. Brito Orientador: José A. R. Soares
1 Alinhamentos de Múltiplas Seqüências Rogério T. Brito Orientador: José A. R. Soares 2 Motivação Problema em Biologia: saber qual é o grau de parentesco entre um conjunto de espécies (construção de árvores
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 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 maisTÍTULO: ANÁLISE DA SEMELHANÇA ESTRUTURAL ENTRE PROTEÍNAS ATRAVÉS DE MÉTODOS MATEMÁTICOS
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: ANÁLISE DA SEMELHANÇA ESTRUTURAL ENTRE PROTEÍNAS ATRAVÉS DE MÉTODOS MATEMÁTICOS CATEGORIA: CONCLUÍDO
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 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 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 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 maisPlanejamento da Expansão de Sistemas de Transmissão de Energia Elétrica.
Planejamento da Expansão de Sistemas de Transmissão de Energia Elétrica. 1 Planejamento da Expansão de Sistemas de Transmissão de Energia Elétrica. Welton Verly 1 & Edimar José de Oliveira 2 1 Aluno do
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 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 maisAluno: Chidambaram Chidambaram Prof. Heitor Silvério Lopes
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E INFORMÁTICA INDUSTRIAL Disciplina - Tópicos Especiais em Computação Paralela Capítulo 8 - Parallel Particle
Leia 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 maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia maisA matemática e o genoma. Resumo
I Coloquio Regional da Região Centro-Oeste, 3 a 6 de novembro de 2009 Universidade Federal de Mato Grosso do Sul Mini-curso A matemática e o genoma Nalvo F. Almeida Jr. Resumo Os avanços da biotecnologia
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia maisComunicação Científica I
Faculdade de Engenharia da Universidade do Porto Programa Doutoral em Engenharia Biomédica 2008/2009 Disciplina: Comunicação Científica I Relatório sobre as actividades de investigação, trabalhos e comunicações
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisFrom Sound Synthesis to Music Generation Using Biological Principals
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO From Sound Synthesis to Music Generation Using Biological Principals José Miguel Lima de Abreu RELATÓRIO DE PROGRESSO Mestrado Integrado em Engenharia Eletrotécnica
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 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 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 maisAnálise de Sensibilidade dos Parâmetros do Bat Algorithm e Comparação de Desempenho
Análise de Sensibilidade dos Parâmetros do Bat Algorithm e Comparação de Desempenho Jelson A. Cordeiro 1, Rafael Stubs Parpinelli 1 e Heitor Silvério Lopes 1 1 Laboratório de Bioinformática Universidade
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 maisAnálise de Sensibilidade dos Parâmetros do Bat Algorithm e Comparação de Desempenho
Análise de Sensibilidade dos Parâmetros do Bat Algorithm e Comparação de Desempenho Jelson A. Cordeiro 1, Rafael Stubs Parpinelli 1 e Heitor Silvério Lopes 1 1 Laboratório de Bioinformática Universidade
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisModelação Molecular no Desenho de Fármacos 2018/2019
Modelação Molecular no Desenho de Fármacos 2018/2019 Docente Paulo Martel Gabinete: FCT, Edifício C8, 3.12 Email: pmartel@ualg.pt Homepage: http://w3.ualg.pt/~pmartel Funcionamento da Cadeira Aulas teóricas
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 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 maisMétodos de alinhamento de sequências biológicas. Marcelo Falsarella Carazzolle
Métodos de alinhamento de sequências biológicas Marcelo Falsarella Carazzolle Resumo - Introdução - Alinhamentos ótimos - Global - Local (Smith-Waterman) - Semi global - Matrizes de alinhamento (BLOSUM)
Leia maisOtimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Leia maisAlgoritmo hibrido MOEAD/PSO + EDA para solução de problemas com muitos objetivos
Algoritmo hibrido MOEAD/PSO + EDA para solução de problemas com muitos objetivos Jésus J. S. Santos 1 and Clayton Almeida 1 Breno C. de Oliveira 1 Universidade Federal de Minas Gerais, Av. Antônio Carlos,
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 maisProtein Homology detection by HMM-comparation.
UNIVERSIDADE FEDERAL DE PERNAMBUCO Cin Centro de Informática Pós-Graduação em Ciência da Computação Protein Homology detection by HMM-comparation. Johannes Soding Vol. 21 no. 7 2005, BIOINFORMATICS Recife,
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 maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
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 maisJoão Paulo de Freitas Araujo. Algoritmos para acelerar a computação de Árvores de corte de Gomory e Hu. Dissertação de Mestrado
João Paulo de Freitas Araujo Algoritmos para acelerar a computação de Árvores de corte de Gomory e Hu Dissertação de Mestrado Dissertação apresentada ao Programa de Pós- Graduação em Engenharia de Produção
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 maisEnglish version at the end of this document
English version at the end of this document Ano Letivo 2016-17 Unidade Curricular FUNDAMENTOS DE BIOINFORMÁTICA Cursos CIÊNCIAS BIOMÉDICAS (1.º ciclo) Unidade Orgânica Reitoria - Centro de Novos Projectos
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 mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
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 maisESCLEROSE LATERAL AMIOTRÓFICA ANÁLISES IN SILICO DAS MUTAÇÕES A4V E A4F DA PROTEÍNA SOD1
ESCLEROSE LATERAL AMIOTRÓFICA ANÁLISES IN SILICO DAS MUTAÇÕES A4V E A4F DA PROTEÍNA SOD1 Aloma Nogueira Rebello da Silva Bióloga (UNIRIO) Programa de Pós-Graduação em Biologia Molecular e Celular aloma.nogueira@gmail.com
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 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 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 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 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 maisTÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA 1. Técnicas Inteligentes Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ A expressão Técnicas Inteligentes é utilizada neste
Leia maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda e-mail: valentin@sel.eesc.sc.usp.br
Leia maisMODELOS PROBABILÍSTICOS
Disciplina de BIOLOGIA COMPUTACIONAL Mestrado em ENGENHARIA BIOMÉDICA 4º Ano, 1º Semestre 2007/08 MODELOS PROBABILÍSTICOS Relatório 4 Ana Calhau Ângela Pisco Nuno Santos 54605 55748 55746 Palavras-Chave:
Leia maisAlgoritmo Genético Aplicado em Identificação de Sistemas de Múltiplas Entradas e Múltiplas Saídas
Algoritmo Genético Aplicado em Identificação de Sistemas de Múltiplas Entradas e Múltiplas Saídas Mariane Gavioli Bergamini 1 ; Gideon Villar Leandro 1 1 UFPR Universidade Federal do Paraná RESUMO A computação
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 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 maisHEURÍSTICAS BIOINSPIRADAS DE OTIMIZAÇÃO COMBINATÓRIA
HEURÍSTICAS BIOINSPIRADAS DE OTIMIZAÇÃO COMBINATÓRIA Rodrigo Clemente Thom de Souza 1 RESUMO O objetivo da otimização combinatória é encontrar a melhor configuração de um projeto, com mais eficiência e
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
Leia maisPSO Particle Swarm Optimization ou Otimização por enxame de partículas Introdução Inspiração Funcionamento Parametrização
Manoela Kohler PSO Particle Swarm Optimization ou Otimização por enxame de partículas Introdução Inspiração Funcionamento Parametrização Variantes de PSO Aplicações PSO+: algoritmo baseado em enxame de
Leia maisOtimização Discreta por Nuvem de Partículas aplicada ao Problema do Caixeiro Viajante
Otimização Discreta por Nuvem de Partículas aplicada ao Problema do Caixeiro Viajante Dario José Aloise (UFRN) dario@dimap.ufrn.br Marilyn Cristine Serafim de Oliveira (UFRN) marilyn@ppgsc.ufrn.br Thales
Leia maisResolução de Problemas via Busca
Resolução de Problemas via Busca Aula #4.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã A 80 C 219 99 B 97 D 101 E 2 A 80 C 219 99 B 97 D 101 E Busca local com algoritmo
Leia maisMODELOS ESTATÍSTICOS DE FUNÇÃO DENSIDADE DE PROBABILIDADE PARA CRIAÇÃO DE SÉRIES TEMPORAIS
MODELOS ESTATÍSTICOS DE FUNÇÃO DENSIDADE DE PROBABILIDADE PARA CRIAÇÃO DE SÉRIES TEMPORAIS Renato S. Gomide, Ramon F. E. Campos, Marcus F. Vieira Programa de Pós-Gradução em Engenharia Elétrica e da Computação
Leia maisProposta de um algoritmo inspirado em Evolução Diferencial aplicado ao Problema Multidimensional da Mochila
Proposta de um algoritmo inspirado em Evolução Diferencial aplicado ao Problema Multidimensional da Mochila Jonas Krause 1, Rafael S. Parpinelli 1,2, Heitor S. Lopes 1 1 Laboratório de Bioinformática Universidade
Leia maisESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS Marcelo Henrique dos Santos Universidade de Uberaba, Engenharia
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 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 maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisUMA ABORDAGEM EVOLUTIVA BASEADA EM MODELOS CAÓTICOS DE BUSCA ASSOCIADO AO ALGORITMO DE EVOLUÇÃO DIFERENCIAL
17º Simpósio do Programa de Pós-graduação em Engenharia Mecânica Universidade Federal de Uberlândia Faculdade de Engenharia Mecânica UMA ABORDAGEM EVOLUTIVA BASEADA EM MODELOS CAÓTICOS DE BUSCA ASSOCIADO
Leia maisMétodo q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
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 maisOtimização. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia maisAlgoritmo Evolutivo para o Problema de Corte de Estoque Unidimensional com Redução do Número de Padrões de Corte
Algoritmo Evolutivo para o Problema de Corte de Estoque Unidimensional com Redução do Número de Padrões de Corte Henrique A. Kobersztajn 1, Kelly C. Poldi 2, Instituto de Ciência e Tecnologia, Unifesp
Leia maisTEMPLATE PARA TCC IFFAR - SVS
MINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA FARROUPILHA - CAMPUS SÃO VICENTE DO SUL TEMPLATE PARA TCC IFFAR - SVS TRABALHO
Leia maisInteligência de Enxame
Inteligência de Enxame! Inteligência de enxames é a denominação aplicada a tentativa de desenvolvimento de algoritmos para a solução distribuída de problemas inspirando-se no comportamento coletivo de
Leia maisUM MODELO EVOLUTIVO PARA O PROCESSO DE GERAÇÃO E SELEÇÃO DE ALTERNATIVAS EM DESIGN
Belo Horizonte MG 04 a 07 de outubro de 2016 UM MODELO EVOLUTIVO PARA O PROCESSO DE GERAÇÃO E SELEÇÃO DE ALTERNATIVAS EM DESIGN Fábio Gonçalves Teixeira fabiogt@ufrgs.br Programa de Pós-Graduação em Design
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisAlinhamento de Sequências e Genômica Comparativa
Encontro França-Brasil de Bioinformática Universidade Estadual de Santa Cruz (UESC) Ilhéus-BA - Brasil Alinhamento de Sequências e Genômica Comparativa Maria Emília M. T. Walter Departamento de Ciência
Leia mais