Têmpera Simulada Aplicada ao Problema de Designação Quadrática
|
|
- Antônia Mafalda Affonso Fortunato
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Federal do Rio Grande do Sul - Instituto de Informática Têmpera Simulada Aplicada ao Problema de Designação Quadrática Fábio A. Camargo Corrêa faccorrea@inf.ufrgs.br Porto Alegre, 03 de Dezembro de 2007
2 Índice 1. Introdução Definição do Problema Têmpera Simulada O Processo Físico Aplicação ao Problema Resultados alfa x T alfa x L L x T Onde foi que eu errei Conclusões Bibliografia...7
3 1. Introdução No campo da computação, é freqüente o número de vezes onde nos deparamos com problemas pertencentes a classe dos problemas NP. Ao longo do curso de ciência da computação, até então não tinha sido apresentada nenhuma forma de atacar estes problemas, e quando nos deparávamos com eles, não tínhamos muito que fazer além de constatar que não haveria algoritmo eficiente para resolvê-los. Nesta disciplina, foram apresentadas várias alternativas de tratar estes problemas. Em que pese que as soluções obtidas, quando aplicados estes métodos, não tenham garantia de optimalidade, muitas vezes o resultado obtido é satisfatório. Este trabalho tem como objetivo aplicar a meta-heurísica da têmpera simulada (simulated annealing) ao problema de designação quadrática e analisar seu desempenho. O foco será analisar a influência dos parâmetros desta heurística, que veremos posteriormente, na qualidade da solução obtida. 2. Definição do problema O problema de designação quadrática consiste em encontrar uma bijeção f entre os vértices de dois grafos A e B com n vértices, de tal forma que minimize o custo total, dado por: n Aij B f i f j i, j=0 Uma interpretação para este problema é que cada vértice de A é uma localidade, e o valor da aresta entre uma localidade i e j é a distância entre estas duas. Cada vértice de B é um recurso, que deve ser alocado em alguma localidade. Para cada par x e y de recursos, existe um valor de fluxo associado. Por exemplo, suponha que x seja um cinema e y seja um lugar onde vende-se pipoca. É natural que o fluxo entre estes dois seja grande e, portanto, é razoável alocar x e y em locais de tal forma que ambos não fiquem muito distantes. Este locais são os vértices i e j do grafo A. 3. Têmpera Simulada A Têmpera Simulada é uma processo físico de resfriamento gradual de determinado sólido, de forma que este possa atingir um estado de baixa energia. Em 1983, Kirkpatrick e seu colaboradores sugeriram que a simulação deste processo poderia ser utilizada para buscar soluções factíveis, com o objetivo de econtrar uma solução ótima. A estratégia é uma variante da técnica de busca local, onde são introduzidos os conceitos do processo físico. 3.1 O processo físico O processo físico da têmpera (ou recozimento) consiste em duas etapas: elevar a temperatura de um determinado sólido ao valor no qual este se funde. Feito isso, é efetuado o resfriamento do material até que este se solidifique. Este resfriamento deve ser feito de forma lenta e gradual, pois é necessário dar um tempo para os átomos do material, de forma que estes se organizem em uma estrutura cuja configuração é de energia mínima para determinada temperatura. Após este tempo, a temperatura é reduzida novamente e deve-se aguardar mais um tempo para que o material encontre, para esta temperatura, uma configuração de energia mínima. Caso a temperatura seja diminuída de forma muito rápida, o material vai conter várias imperfeições, pois não foi dado tempo suficiente para que os átomos encontrassem essa configuração de energia mínima. Para exemplificar o quão gradual deve ser este processo, lentes de telescópios científicos 1
4 chegam a ser resfriadas ao longo de cinco anos. A lente do telescópio Hubble levou dois anos para atigir a configuração de energia mínima, isto é, sem imperfeições. 3.2 Aplicação ao problema As analogias do processo físico com o problema a ser resolvido pela meta-heurística são as seguntes: a) Uma configuração do material é uma solução; b) A configuração de energia mínima é a solução ótima; c) O nível de energia é a função objetivo; d) A temperatura é um parâmetro de controle; e) O tempo que o material vai permacener em uma dada temperatura é um número de iterações L; Nesta meta-heurística, são possíveis movimentos que aumentem o valor da função objetivo. Tal comportamento inspira-se no processo físico, ende existe uma probabilidade de que o material atinja uma configuração cuja energia é aumentada. Sendo E(S) o nível de energia do material em um estado S; T a temperatura e k uma constante, esta probabilidade é dada pela fórmula: E P E =e kt, sendo E=E E ' Para o problema de designação quadrática, uma solução é um vetor com n elementos, onde i = x representa o mapeamento do vértice i de A no vértice x de B. Uma solução vizinha de é o mesmo vetor, permutando-se duas posições r e s. Para este problema, E é a diferença entre a função objetivo obtida com as configurações e '. Posto isto, o E é como segue:, r, s =A[r ][r ]. B [ s ][ s ] B[ r ][ r ] A[r ][s ]. B[ s ][ r ] B [ r ][ s ] A[s ][r ]. B[ r ][ s ] B [ s ][ r ] A[s ][ s ]. B[ r ][ r ] B[ s ][ s ] n A[k ][r ]. B [ k ][ s ] B [ k ][ r ] k=1 ;k r, s A[k ][s ]. B[ k ][ r ] B [ k ][ s ] A[r ][k ]. B[ s ][ k ] B [ r ][ k ] A[s ][k ]. B[ r ][ k ] B [ s ][ k ] Determinando o que são as soluções vizinhas, que é a parte mais difícil do algoritmo, o pseudo-código para a têmpera simulada é: 2
5 4.Resultados Em contraste com a simplicidade da implementação do algoritmo, verifica-se que é necessário determinar cada parâmetro. A falta de um conhecimento mais profundo sobre o processo físico atrapalha nesta escolha. Posto isso, a implementação teve um maior enfoque em analisar os efeitos de cada parâmetro na qualidade da solução. Sendo assim, os parâmetros testados obedeceram os seguintes limites, com incrementos definidos a seguir: L T a) α é a taxa decrescimento da temperatura, com incremento 0.05 caso α < 0.95, incremento 0.1 caso contrário; b) L é o número de iterações em que será consultada a vizinhança de uma solução em uma determinada temperatura, com incremento 250 a cada passo; c) T0 é a temperatura inicial, com incremento a cada passo; Os resultados foram obtidos baseados nas instâncias pré-determinadas na definição deste trabalho, extraídas do site QAPLib [3]. Os parâmetros na tabela se referem a primeira combinação de parâmetros em que achou a solução especificada, podendo ter sido encontrada a mesma solução com outros parâmetros, como é o caso da instância els19, que encontrou a solução ótima para uma vasta combinação de parâmetros. Instância Solução Obtida Solução QPABLib % optimalidade α L T0 had , had , chr15b esc16h , chr22a bur26c , bur26f , kra30b , kra (???) , , els19 esc32a sko90 395,45(??) O desempenho da meta-heurística mostrou-se interessante, posto que achou soluções razoáveis para a maioria dos casos. Agora, serão selecionadas as duas melhores e as duas piores soluções, analisando a relação que existe entre os parâmetros e a solução obtida. Algo que se pode 3
6 verificar somente olhando esta tabela é que, de fato, a taxa de redução da temperatura é um dos parâmetros mais relevantes, já que para a maioria dos casos o melhor valor encontrado foi sob uma taxa de redução acima de Optou-se por mostrar os gráficos em duas dimensões, sendo cada um dos eixos referentes a um parâmetro. Os gráficos foram gerados com a ferramenta MATLAB, utilizando os arquivos de log gerado para as soluções. Nos gráficos, as área escuras representam proximidade da solução ótima. 4.1 alfa x T0 A interação entre estes dois parâmetros parece não afetar muito a qualidade da solução, posto que ao longo do eixo que representa alfa, a variação é praticamente imperceptível. Note que estes gráficos são tri-dimensionais, logo uma pequena variação do resultado em relação ao alfa pode ter sido perdida por conta da intperpolação dos pontos. Mas os gráficos são consistentes, já que a melhor solução encontrada está justamente com a temperatura inicial determinado pela região mais escura do gráfico Els19 Chr22a Chr15b Esc32a 4
7 4.2 Alfa x L A interação entre alfa e L também parece não afetar a solução. Estes gráficos indicam que, selecionando um L adequado, é provável que encontremos uma solução boa. O único caso, destes gráficos apresentados, que verificou-se uma forte ligação entre L e alfa foi a instância chr22a, já que a solução ótima só poderia ser encontrada em uma região delimitada no canto superior direito, do gráfico, isto é, o L entre 250 e 500 e com alfa valendo acima de Els9 Chr22a Chr15b Esc32a 5
8 4.3 L x T0 Estes dois parâmetros tem um comportamento que, verificou-se, depende dos valores que a função objetivo assume. Quanto mais próximo são os valores da função objetivo e da temperatura inicial, menor é a chance de se encontrar a solução ótima, que está representado nos gráficos como sendo a distribuição de regiões claras e escuras. Para a instância Els19, cuja função objetivo assume valores bastante elevados, as soluções ótimas se distribuem ao longo de praticamente todo valor de L e T0, onde o T0 é maior que Tal falha de raciocínio é detalhada a seguir, e sua correção não fez parte da implementação por ter sido detectada após o prazo estipulado da apresentação. Em que pese que para a instância chr15b, os valores ótimos (região escura) não sejam tão abundantes quanto a outra instância, a solução ótima foi encontrada com um alfa valendo Se a temperatura reduzisse de forma mais rápida, não chegaríamos a um resultado tão bom. Para os casos de teste onde os valores assumidos para a função objetivo são bem pequenos, são abuntantes as regiões claras no gráfico, isto é, existem poucas combinações adequadas para se encontrar uma solução boa. Els9 Chr22a Chr15b Esc32a 6
9 4.4 Onde foi que eu errei Analisando os resultados obtidos, claramente havia alguma coisa errada na minha implementação. O padrão para as melhores soluções encontradas era que o valor da função objetivo assumia valores muito altos (comparados a temperatura inicial), enquanto as piores soluções ocorria o contrário. Ora, não deve ser correto a qualidade da heurística estar subjugada a estrutura da instância do problema. A falha proveio do fato de T0 não ter sido dimensionado de forma correta. Recapitulando, a probabilidade da função objetivo ter seu valor aumentado é: P E =e E kt E, maior será a probabilidade de se realizar um kt movimento aleatório. Para as instâncias cujo valor de E é muito baixo, impostos os limites determinados para a temperatura inicial, a heurística se assemelha-se a um randon walk, posto que a cada passo se efetua uma transição sem saber se esta irá aumentar ou diminuir o valor da função objetivo. A correção necessária seria estimar os valores máximo e mínimo de E e somente então, determinar um valor adequado para T0. Isto significa que, quanto menor for 5. Conclusões A têmpera simulada é uma heurística que alcança resultados bastante satisfatórios. Além de ser de fácil implementação, há garantia de convergência, dado tempo suficiente para encontrar-se uma configuração de energia mínima. As desvantagens são : a) O número de parâmetros envolvidos; b) A velocidade da redução da temperatura implica visitar um número exponencial de vizinhos c) Um processo lento de redução da temperatura leva a tempos de processamento elevados Quando trata-se de heurísticas, conhecimento prático é valoso, já que através dele eu pudecompreender a falha da minha implementação sem conhecimento profundo sobre o processo físico. 6. Bibliografia [1] KIRKPATRICJ, S.; GELATT, C. D.; VECCHI M.P. Optimization by Simulated Annealing, Science v.220, n.4598, 1983 [2] STÜTZLE, T.; DORIGO; M.; Local Search and Metaheuristics for the Quadratic Assignment Problem [3] BURKARD R.E. ; KARISCH S.E. ; RENDLL F., QAPLib Home Page 7
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia 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 maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia 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 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 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 maisXXXIV SBPO. SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
UMA AMPLIAÇÃO PARA A VIZINHANÇA DO ALGORITMO REDINV-SA APLICADO AO PROBLEMA QUADRÁTICO DE ALOCAÇÃO Leopoldo Marchiori Rodrigues 1 Universidade Federal do Espírito Santo - CT - Departamento de Informática
Leia maisExemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
Leia maisBCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia 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 mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia mais2. MÉTODO DE RECOZIMENTO SIMULADO
1 2. MÉTODO DE RECOZIMENTO SIMULADO (SIMULATED ANNEALING) 2.1. Analogia Física: o recozimento de metais (annealing) 2.2. A Tradução Matemática: o algoritmo básico 2.3. A Programação de Recozimento 2.4.
Leia mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia 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 maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias
Leia 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 maisRecozimento Simulado (Simulated Annealing)
Capítulo 5 Recozimento Simulado (Simulated Annealing) Francisco José da Cunha Pires Soeiro José Carlos Becceneri AntônioJosédaSilvaNeto 51 Motivação e Histórico do Método O Recozimento Simulado (Simulated
Leia maisBusca com informação e exploração. Inteligência Artificial
Busca com informação e exploração (Capítulo 4 - Russell) Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura Busca pela melhor escolha Busca gulosa pela melhor escolha Busca
Leia maisAgentes de Procura Procura Estocástica. Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA.
Agentes de Procura Procura Estocástica Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA. AGENTES DE PROCURA ESTOCÁSTICA 1 Procura Aleatória O
Leia maisANÁLISE DE ALGORITMOS (INF 1721)
PUC-Rio Departamento de Informática Prof. Marcus Vinicius S. Poggi de Aragão (3WA) Horário: 2as. e 4as. 9-11hs (3WA) 3 de dezembro de 2016 Período: 2016.2 ANÁLISE DE ALGORITMOS (INF 1721) 3 a Lista de
Leia maisProjeto e Análise de Algoritmos
Projeto e Algoritmos Pontifícia Universidade Católica de Minas Gerais harison@pucpcaldas.br 26 de Maio de 2017 Sumário A complexidade no desempenho de Quando utilizamos uma máquina boa, ela tende a ter
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 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 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 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 maisInteligência Artificial
Inteligência Artificial Prof. Rafael Stubs Parpinelli DCC / UDESC-Joinville rafael.parpinelli@udesc.br www.joinville.udesc.br/portal/professores/parpinelli www2.joinville.udesc.br/~coca/ Busca Heurística
Leia 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 maisBusca Local. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Busca Local Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmos de busca local e problemas de otimização Em muitos problemas de otimização o caminho até a solução
Leia maisProjeto e Análise de Algoritmos NP Completude. Prof. Humberto Brandão
Projeto e Análise de Algoritmos NP Completude Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas versão da aula: 0.4 Introdução Problemas intratáveis ou difíceis são comuns
Leia maisComputação Evolutiva Parte 1
Computação Evolutiva Parte 1 Fabricio Breve - fbreve@gmail.com 23/08/2007 Fabricio Breve 1 Introdução Computação Evolutiva Campo de pesquisa que utiliza idéias da biologia evolutiva para desenvolver técnicas
Leia 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 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 maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisBUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4
BUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4 1 Roteiro Algoritmos de Busca Local Subida de encosta (Hill-climbing) Têmpera Simulada (Simulated Anealing)
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 maisTeoria dos Grafos Aula 14
Teoria dos Grafos Aula 14 Aula passada MST Aula de hoje Construção de algoritmos Paradigma guloso Escalonando tarefas no tempo (interval scheduling) Projetando Algoritmos Dado um problema P, como projetar
Leia maisBusca com informação e exploração. Capítulo 4 Russell & Norvig Seção 4.2 e 4.3
Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 1 Revisão da aula passada: Busca A * Idéia: evitar expandir caminhos que já são caros Função de avaliação f(n) = g(n) + h(n)
Leia maisImplementações do Simulated Annealing para o problema do Caixeiro Viajante Simétrico
Implementações do Simulated Annealing para o problema do Caixeiro Viajante Simétrico Universidade Federal do Paraná Tópicos em Inteligência Artificial Drª Aurora Pozo Elaboração do Relatório: Ademir Roberto
Leia maisPlanejamento de Rede de Distribuição de Energia Elétrica com Restrições Geográficas
Anais do CNMAC v. ISSN 984-80X Planejamento de Rede de Distribuição de Energia Elétrica com Restrições Geográficas Geraldo V. Ribeiro, Leonardo da C. Brito e Paulo César M. Machado Escola de Engenharia
Leia mais$QWyQLR-RVp%DWHO$QMR 0DULD5RViOLD'LQLV5RGULJXHV 'HSDUWDPHQWRGH0DWHPiWLFD'HSDUWDPHQWRGH0DWHPiWLFD 8QLYHUVLGDGHGH$YHLUR 8QLYHUVLGDGHGH&RLPEUD
V Congresso Anual Sociedade Portuguesa de Estatística Curia, 11 a 14 de Junho de 1997 $XWyPDWRV(VWRFiVWLFRVFRPR0RGHORGHXP 0pWRGRGH2SWLPL]DomR&RPELQDWyULD $QWyQLR-RVp%DWHO$QMR 0DULD5RViOLD'LQLV5RGULJXHV
Leia maisHEURÍSTICAS PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO E RESTRITO DE TECIDO
5, 6 e 7 de Agosto de 2010 ISSN 1984-9354 HEURÍSTICAS PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO E RESTRITO DE TECIDO Antônio Carlos Torres Teixeira (Universidade Candido Mendes) acarlostt@uol.com.br
Leia maisComplexidade de Algoritmos. Edson Prestes
Edson Prestes O limite superior de complexidade de um problema refere-se ao melhor algoritmo que o resolve. nlog 2 n é um limite superior para o problema de classificação. O limite inferior de um problema
Leia maisGrafos Hamiltonianos e o Problema do Caixeiro Viajante. Prof. Ademir Constantino Departamento de Informática Universidade Estadual de Maringá
Grafos Hamiltonianos e o Problema do Caixeiro Viajante Prof. Ademir Constantino Departamento de Informática Universidade Estadual de Maringá Grafo Hamiltoniano Definição: Um circuito hamiltoniano em um
Leia maisOptimização Não-linear
Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisPCC173 - Otimização em Redes
PCC173 - Otimização em Redes Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 31 de maio de 2017 Marco Antonio M. Carvalho
Leia maisUm Modelo Híbrido Estocástico para Tratamento do Problema de Roteamento de Veículos com Janela de Tempo
Um Modelo Híbrido Estocástico para Tratamento do Problema de Roteamento de Veículos com Janela de Tempo Dissertação de mestrado (CIn-UFPE) Humberto César Brandão de Oliveira Orientador: Germano Crispim
Leia maisPEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Leia maisConferencia 10 Métodos Locais
Conferencia 10 Métodos Locais Objetivo Caracterizar os métodos de busca local Bibliografía Patrick Henry Winston, Inteligencia Artificial, 3ra edición, 1992. AI. A Modern Approach Russell Norvig 3rd ed.
Leia maisOptimização Não-linear
Problemas de optimização não-linear Optimização Não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=x +log(x )*sin(x x ), com x -x! < 0 Não existem métodos universais para este tipo de
Leia maisAplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
Leia maisNotas. Notas. encontrem a solução ótima em tempo polinomial para qualquer instância do problema que estamos trabalhando 2 / 19.
Projeto e Análise de Algoritmos Algoritmos Aproximados Haroldo Gambini Santos Universidade Federal de Ouro Preto - UFOP 2 de maio de 2013 1 / 19 Situação Ideal Desejamos algoritmos que: encontrem a solução
Leia maisANÁLISE DE ALGORITMOS (INF 1721)
PUC-Rio Departamento de Informática Prof. Marcus Vinicius S. Poggi de Aragão (3WA) Horário: 2as. e 4as. 9-11hs (3WA) 24 de novembro de 2015 Período: 2015.2 ANÁLISE DE ALGORITMOS (INF 1721) 3 a Lista de
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisHeurística VNS para o problema do corte de rotulação mínima
Heurística VNS para o problema do corte de rotulação mínima Augusto Cesar Bordini Braga Instituto de Computação Universidade Federal Fluminense (UFF) Niterói RJ - Brasil gutocnet@ic.uff.br Resumo: O problema
Leia maisMetaheurística Guia para Alocação Ótima de Sistemas de Medição Centralizados em Smart Grid
Metaheurística Guia para Alocação Ótima de Sistemas de Medição Centralizados em Smart Grid Eduardo Augusto Martins Escola Politécnica Unisinos São Leopoldo RS Brasil Email: eamartins@unisinos.br José Vicente
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 maisUso de Algoritmos de Optimização no problema de representação de grafos
Uso de Algoritmos de Optimização no problema de representação de grafos André Jorge Carvalho Chaves Instituto Tecnológico de Aeronáutica Praça Marechal Eduardo Gomes, 50 - Vila das Acácias CEP 12.228-900
Leia maisTópicos em Métodos Heurísticos META-HEURÍSTICAS
Tópicos em Métodos Heurísticos META-HEURÍSTICAS MÉTODOS HEURÍSTICOS QUE PERMITEM A CONTINUIDADE DAS EXPLORAÇÕES ALÉM DA OTIMALIDADE LOCAL, EM PARTICULAR, SUPERPONDO-SE A HEURÍSTICAS DE BUSCA LOCAL I) SIMULATED
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 maisUTILIZAÇÃO DO ALGORITMO SIMULATED ANNEALING EM PROBLEMAS DE OTIMIZAÇÃO
Revista da Estatística da UFOP, Vol I, 2011 - X Semana da Matemática e II Semana da Estatística, 2010 ISSN 2237-8111 UTILIZAÇÃO DO ALGORITMO SIMULATED ANNEALING EM PROBLEMAS DE OTIMIZAÇÃO Victor Ferreira
Leia maisInteligência Artificial
Inteligência Artificial Fabrício Olivetti de França 07 de Junho de 2018 1 Heurísticas e Meta-Heurísticas 2 Heurística Heurística, derivada do grego encontrar ou descobrir, são técnicas para encontrar a
Leia mais3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
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 maisEstudo de Coloração Aplicado ao Problema de Alocação de Horário de Professores
Estudo de Coloração Aplicado ao Problema de Alocação de Horário de Professores Fernanda Navarro 1, Frederico Coelho (Orientador) 1 1 Departamento de Ciência da Computação Universidade Presidente Antônio
Leia maisUma Aplicação de Simulated Annealing para o Problema de Alocação de Salas. An Application of Simmulated Annealing to the Class Allocation Problem
Uma Aplicação de Simulated Annealing para o Problema de Alocação de Salas Amanda Sávio Nascimento e Silva 1 Rudini Menezes Sampaio 2 Guilherme Bastos Alvarenga 3 UFLA Universidade Federal de Lavras DCC
Leia maisAnálise Sintática de Frases utilizando Gramáticas Livres de Contexto Probabilísticas
Universidade de São Paulo Mestrado em Ciência da Computação Instituto de Matemática e Estatística Disciplina MAC5725 Lingüística Computacional Análise Sintática de Frases utilizando Gramáticas Livres de
Leia maisInteligência Artificial
Inteligência Artificial Primeiro Teste 28 de Outubro de 2013 18:00-19:30 Este teste é composto por 10 páginas contendo 6 grupos de perguntas. Para perguntas com resposta de escolha mu ltipla, respostas
Leia maisNuno Miguel Duarte Sequeira André VARIABLE NEIGHBOURHOOD SEARCH
Nuno Miguel Duarte Sequeira André VARIABLE NEIGHBOURHOOD SEARCH Optimization and decision support techniques PDEEC 2007 Introdução A meta-heurística VNS (Variable Neighbourhood Search) é bastante recente
Leia maisInformática I. Aula 21. Aula 21-07/11/06 1
Informática I Aula 21 http://www.ic.uff.br/~bianca/informatica1/ Aula 21-07/11/06 1 Aula de hoje Explicação sobre o trabalho 3 Jogo de prospecção de petróleo por robôs. http://www.inf.puc-rio.br/~mascarenhas/robots/
Leia maisTécnicas de Projeto de Algoritmos
UNIVERSIDADE NOVE DE JULHO - UNINOVE Pesquisa e Ordenação Técnicas de Projeto de Algoritmos Material disponível para download em: www.profvaniacristina.com Profa. Vânia Cristina de Souza Pereira 03 _ Material
Leia maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 01
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 01 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisProblemas Intratáveis ou computação eficiente X computação ineficiente
Problemas Intratáveis ou computação eficiente X computação ineficiente Problemas Tratáveis Os problemas que podem ser resolvidos em tempo polinomial em um computador típico são exatamente os mesmos problemas
Leia maisEstatística Computacional Ótimização estocástica com o algoritmo simulated annealing
Universidade Federal do Ceará Departamento de Estatística e Matemática Aplicada - DEMA Bacharelado em Estatística Estatística Computacional Ótimização estocástica com o algoritmo simulated annealing FORTALEZA
Leia maisEstratégias informadas de Busca. February 19, 2018
Estratégias informadas de Busca February 19, 2018 Busca de Soluções: Métodos Informados ˆ Utilizam conhecimento específico do problema para encontrar a solução ˆ algoritmo geral de busca somente permite
Leia maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia maisEspecificação do TP3
Especificação do TP3 Data de Entrega: 21/05/2008 1 Descrição do Problema O problema a ser resolvido neste trabalho é conhecido na literatura como o problema de isomorfismo de sub-grafos Uma definição formal
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisCapítulo 4 Secção 1. Livro
Procura Local Capítulo 4 Secção 1 Livro Procura local Algorítmos de procura local Hill-climbing Simulated annealing Local beam Genetic algorithms Resumo Procura Sistemática No capítulo 3, analisamos estratégias
Leia maisEstudo da localização de maternidades em Sergipe através de simulação Monte Carlo
Estudo da localização de maternidades em Sergipe através de simulação Monte Carlo João Batista dos Santos-Filho 1, Tatiana Santos de Araujo Batista 2, José Carlos Rodrigues Oliveira 3,Maria Letícia da
Leia maisMETA-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DO ROTEAMENTO DE VEÍCULOS CAPACITADOS COM RESTRIÇÕES DE CARREGAMENTO BIDIMENSIONAL
META-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DO ROTEAMENTO DE VEÍCULOS CAPACITADOS COM RESTRIÇÕES DE CARREGAMENTO BIDIMENSIONAL Andre Renato Sales Amaral (UFES) andre.r.s.amaral@gmail.com Roger
Leia maisBusca com informação e exploração. Inteligência Artificial. Revisão da aula passada: Heurística Admissível. Revisão da aula passada: Busca A *
Inteligência Artificial Aula 6 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 Revisão da aula passada: Busca A * Idéia:
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisRevisão sobre Busca 1
Revisão sobre Busca 1 Um problema de busca em IA pode ser definido em termos de... Algumas definições básicas (1/2) Um espaço de estados possíveis, incluindo: um estado inicial Em (Recife) Estar (pobre)
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisUm Algoritmo Simulated Annealing Eficiente para o Problema de Roteamento de Veículos com Janela de Tempo
Um Algoritmo Simulated Annealing Eficiente para o Problema de Roteamento de Veículos com Janela de Tempo Aloísio de Castro Gomes Júnior (UFOP) algomesjr2004@yahoo.com.br Marcone Jamilson Freitas Souza
Leia maisInteligência Artificial
Inteligência Artificial Fabrício Olivetti de França 07 de Junho de 2018 1 Busca Informada 2 Recapitulando Definição de um problema: Conjunto de estados Conjunto de ações Função de transição Função de custo
Leia maisTeoria da Computação Aula 9 Noções de Complexidade
Teoria da Computação Aula 9 Noções de Complexidade Prof. Esp. Pedro Luís Antonelli Anhanguera Educacional Análise de um Algoritmo em particular Qual é o custo de usar um dado algoritmo para resolver um
Leia maisTeoria da Complexidade Computacional
Teoria da Complexidade Computacional 25 de novembro de 2011 Enquanto a teoria de análise de algoritmos estuda a análise de complexidade de algoritmos, a teoria da complexidade estuda a classificação de
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 maisOccupancy grid based graph-slam using the distance transform, SURF features and SGD
Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim Agenda Introdução Arquitetura Resultados Trabalho futuro
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia maisComputação Evolutiva. Aula 4 Usando AEs Prof. Tiago A. E. Ferreira
Computação Evolutiva Aula 4 Usando AEs Prof. Tiago A. E. Ferreira Roteiro Exemplos: Problema das 8 rainhas Comportamentos Típicos dos AE CE no contexto da Otimização Global Relembrando Na Aula Passada,
Leia maisAlgoritmos de busca local e problemas de otimização
Algoritmos de busca local e problemas de otimização Os algoritmos de busca estudados até agora foram projetados para explorar sistematicamente espaços de busca. Sistemático: mantém um ou mais caminhos
Leia mais