UMA OTIMIZAÇÃO MULTIOBJETIVO PARA A DEFINIÇÃO DE UMA LINHA DE TRANSMISSÃO ELÉTRICA VIA NSGA-II
|
|
- Cíntia de Santarém Almada
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de São João del-rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia UMA OTIMIZAÇÃO MULTIOBJETIVO PARA A DEFINIÇÃO DE UMA LINHA DE TRANSMISSÃO ELÉTRICA VIA NSGA-II André R. da Cruz andrercruz@cpdee.ufmg.br Mestrando em Engenharia Elétrica, UFMG, MG, Brasil Oriane M. Neto oriane@dee.ufmg.br Departamento de Engenharia Elétrica, UFMG, MG, Brasil Ricardo H. C. Takahashi taka@mat.ufmg.br Departamento de Matemática, UFMG, MG, Brasil Resumo. O presente trabalho otimiza concomitantemente as funções determinísticas de custo e confiabilidade para uma linha de transmissão fictícia através do algoritmo genético multiobjetivo NSGA-II (Deb et al. (2000)). As soluções do conjunto Pareto ótimo apresentam um conjunto de conexões, que possuem uma determinada taxa de falha e custo, que devem ser inseridas na rede para que melhore o desempenho em relação a interrupções e os gastos da transmissão de uma rede inicial com nós e ligações pré-determinados. Keywords: Rede elétrica de transmissão, otimização multiobjetivo, algoritmos genéticos.
2 1. INTRODUÇÃO Apesar dos avanços tecnológicos e do aumento dos padrões de confiabilidade que ocorreram nas últimas décadas, a frequência das quedas das linhas de transmissão de energia não diminuíram, embora a dimensão das interconexões e as interdependências entre as mesmas tenham aumentado (Hines and Blumsack (2008)). Técnicas econômicas e eficazes são necessárias para a proteção do sistema através de modificações nos padrões de conexões da rede com o intuito de exigir menos esforço nos modos de operação. A identificação dessas soluções envolve uma análise profunda e sistemática da rede elétrica e da respectiva resposta à falhas. A análise da vulnerabilidade e da robustez em relação às falhas da infraestrutura desses sistemas complexos, altamente distribuídos e interconectados, é considerada um problema difícil, principalmente em casos em que somente métodos probabilísticos tradicionais são aplicados. Dessa maneira, novas metodologias para análise de redes surgiram recentemente para caracterizar a resistência em relação às falhas e para identificar os elementos mais vulneráveis. Essas técnicas podem ser encontradas nos trabalhos de Freeman (1979), Koonce et al. (2008), Hines and Blumsack (2008) e Cadini et al. (2009). O presente trabalho, utiliza uma metodologia para otimizar o custo e a confiabilidade de uma rede fictícia de transmissão de energia elétrica, em que as ligações entre os nós são previamente determinadas. Dessa maneira, a metodologia pode ser aplicada nos casos em que se deseja construir uma nova rede de transmissão ou efetuar uma manutenção sem adicionar conexões que não existiam previamente. O método identifica estratégias de combinação de novas linhas, com diferentes taxas de falha, que serão adicionados para aumentar a confiabilidade do serviço de transmissão ao mesmo tempo em que se minimiza os respectivos custos de implementação. Esse problema possui um custo computacional elevado, uma vez que aumentando a dimensão o número de possíveis soluções cresce com custo combinatório (Cadini et al. (2010)). Por esse fato, os algoritmos determinísticos de otimização não são boas alternativas para problemas a partir de certa dimensão considerada. Portanto, as heurísticas, como por exemplo, as famílias de algoritmos evolucionários, são boas alternativas para se buscar o ótimo ou uma solução satisfatória. No presente trabalho, usou-se o algoritmo genético multiobjetivo NSGA-II, elaborado por Deb et al. (2000), para maximizar a confiabilidade global da rede (Zio (2007)) e minimizar o custo com a instalação das conexões. Essa metodologia foi aplicada em um modelo fictício de rede de transmissão de energia com 16 barramentos locais (vértices) ligados por 21 linhas e transformadores (arestas). A Figura 1 apresenta o grafo que descreve a topologia dessa rede. O presente artigo está organizado da seguinte forma: a seção 2. apresenta as funções objetivos utilizadas no trabalho, ou seja, o modo como se avalia a confiabilidade global da rede e o custo de inserção das conexões; a seção 3. apresenta rapidamente os algoritmos genéticos, em especial o NGSA-II, e os fundamentos da otimização multiobjetivo; a seção 4. apresenta o conjunto Pareto ótimo do problema com as soluções que possuem a identificação dos tipos de cabos que devem ser inseridos na rede para que a confiabilidade e o custo sejam otimizados; por fim, a seção 5. apresenta as conclusões finais e sugestões de trabalhos futuros. 2. CONFIABILIDADE E CUSTO GLOBAL DE UMA REDE DE TRANSMISSÃO Considere a rede apresentada na Figura 1, como o sistema de rede de transmissão. Ela possui 16 barramentos locais ligados por 21 conexões. O grafo G(N, E), em que N = 16 é o número de vértices e E = 21 é o número de arestas, pode ser representado por uma matriz
3 Figura 1: Modelo fictício de rede de transmissão de energia usado no trabalho. de conexões A E 3. Em A E 3 a k-ésima linha corresponde a uma conexão, de modo que a primeira coluna armazena o vértice que liga ao outro da segunda coluna e vice-versa. A terceira coluna armazena o peso da conexão, que no presente caso é a distância geográfica w ij entre os nós i e j. Ao contrário do trabalho de Cadini et al. (2010), que usou uma matriz de adjacência (Latora and Marchiori (2001)) de ordem N, o presente trabalho usou uma representação mais direta e econômica. A matriz transposta de conexões do problema pode ser visualizada na Figura 2. A T = Figura 2: Matriz de conexões que modela a rede de transmissão de energia do problema. Segundo Cadini et al. (2009), para extrair a informação sobre o comportamento de falha da rede, os valores de probabilidade de sucesso p ij, associados às conexões ij, devem ser incluídos na análise do grafo. Assumindo, por simplicidade, que o tempo de falha segue uma distribuição exponencial, temos que a probabilidade da linha (aresta) ij não falhar é: p ij = e λ ijt (1) em que λ ij é a taxa de falha associada a linha ij e T é uma referência de tempo, no qual assume-se no trabalho como sendo 1 ano. Com base na matriz de conexões A = {a ij } e na matriz de probabilidades de sucesso das linhas P = {p ij } (ou a matriz complementar de falhas Q = {q ij }), a matriz D = {d r mn} das distâncias (de probabilidade) dos caminhos mais confiáveis entres os nós m e n (Zio (2007)) pode ser calculado como d r mn = min γ mn ( 1 Π ij γmn p ij ) = min γ mn ( ) 1 Π ij γmn (1 q ij ) em que a minimização é executada a partir do conjunto γ mn de todos os possíveis caminhos que ligam os vértices m a n e o produtório descreve a probabilidade de não acontecer falhas na (2)
4 trajetória sobre as arestas ij que constituem esse caminho. Note que 1 d r ij, sendo o menor valor correspondente a um caminho de confiabilidade perfeita conectando o vértice m a n (p ij = 1 para todas as arestas do caminho ótimo), e o maior valor corresponde a situação de inexistência de caminho conectando m a n. Em analogia com a definição de eficiência de redes, apresentado no trabalho de Latora and Marchiori (2001), a confiabilidade de eficiência E r (G) de um grafo G pode ser definido como (Zio (2007)): E r (G) = 1 N(N 1) m,n=1,n;m n ε r mn (3) em que ε r mn é a medida de confiabilidade do melhor caminho que liga o vértice m ao n e é definido como ε r mn = 1 d r mn (4) ou seja, é o inverso da distância de probabilidade do melhor caminho de confiabilidade que liga m a n. Pode-se calcular facilmente esse valor através do algoritmo de menor caminho (Floyd (1962)). Os tipos de cabeamentos considerados no presente trabalho possuem taxas de interrupções (falhas) anuais dadas pela Equação 5. Esse é o espaço de busca do problema, ou seja, devemos determinar qual é o tipo de cabo para cada conexão que otimizará a confiabilidade e o custo da rede de transmissão de energia da Figura 1. λ 1 = 0, 1564 interrupções/ano (5) λ 2 = 0, 2267 interrupções/ano λ 3 = 0, 3740 interrupções/ano λ 4 = 0, 4338 interrupções/ano λ 5 = 0, 5400 interrupções/ano O custo de investimento relacionado com inserção de uma nova linha de transmissão é, em geral, dependente da qualidade requerida em termos de confiabilidade e do comprimento dos cabos. Assim, o custo é assumido como diretamente proporcional ao comprimento w ij e inversamente proporcional à taxa de falha λ ij do cabeamento utilizado. Logo, a função de custo da rede de transmissão é caracterizado pela Equação 6. C(G) = ij E w ij λ ij (6) A função de custo mostrada no presente trabalho se aproxima mais da realidade do que a que foi mostrado no trabalho de Cadini et al. (2010), uma vez que as informações das distâncias geográficas sobre a localização dos nós são consideradas. Assim, as Equações 3 e 6 são as funções objetivos a serem otimizadas pelo NSGA-II, sendo que a primeira (confiabilidade) deve ser maximizada e a segunda (custo) minimizada. As funções são conflitantes, de modo que para aumentar a confiabilidade é necessário uma rede de custo maior.
5 3. ALGORIMOS GENÉTICOS E OTIMIZAÇÃO MULTIOBJETIVO Segundo o naturalista Charles Darwin (Darwin (1868)), a seleção natural é definida como a preservação de indivíduos mais adaptados ao ambiente. Ou seja, na natureza, indivíduos mais fortes e diversificados possuem maiores chances de competir, sobreviver e se reproduzir. Durante a evolução, indivíduos com características mais fracas geralmente são eliminados. Tais características são controladas por unidades, denominadas genes, que formam um conjunto chamado cromossomo. Após gerações subsequentes, não somente os melhores indivíduos sobrevivem, mas também os melhores genes são transmitidos para os descendentes durante o processo de recombinação ou cruzamento sexual (crossover). Essa analogia entre mecanismos de seleção natural e o processo de aprendizagem leva ao desenvolvimento dos Algoritmos Genéticos (AGs). Os AGs, introduzidos por John Holland em Holland (1962a) e Holland (1962b), são métodos computacionais de otimização baseados no mecanismo genético e na evoluçãao natural. Nesse algoritmo, um conjunto de soluções tentativas (população) envolve regras probabilísticas inspiradas em metáforas biológicas: em cada geração, os indivíduos tendem a ficar melhores ao longo do período em que o processo de evolução continua. Em geral, AGs possuem as seguintes características (Goldberg (1989), Holland (1992)): (i) - AGs trabalham com um conjunto de pontos (população); (ii) - AGs trabalham com um espaço de busca codificado; (iii) - AGs necessitam somente da informação sobre a função objetivo para cada membro da população; e (iv) - AGs executam transições probabilísticas. Em qualquer AG, alguns operadores comuns são: inicialização, avaliação da função de adequabilidade, seleção, mutação e recombinação. Em alguns outros, por exemplo, pode haver busca local, nicho, dizimação, etc., dependendo do objetivo da aplicação. O trabalho de Goldberg (1989) citou quatro razões que fazem os AGs atrativos para aplicações: (i) - AGs podem resolver problemas difíceis em um pequeno tempo de forma confiável; (ii) - a interface para a construção de AGs com o modelo de problemas existentes é, geralmente, simples; (iii) - AGs são extensíveis; e (iv) - AGs são fáceis de se hibridizar. Em problemas de otimização multiobjetivo, não existe uma solução que é a melhor, no sentido de ser o ótimo global com respeito a todos os objetivos. A otimização de um problema com múltiplos funcionais geralmente leva a uma família de soluções não dominadas, chamado de conjunto Pareto ótimo (ou simplesmente conjunto Pareto), em que cada componente de qualquer solução dentro do conjunto de Pareto pode ser aperfeiçoado somente pela degradação de pelo menos um dos outros componentes. Nenhum ponto do conjunto de soluções não dominadas é absolutamente melhor do que outro nesse conjunto (Branke et al. (2008)). Matematicamente, em um problema de otimização com vetor de função objetivo J R m, se y R n denota o vetor variável de decisão do problema e D R n é o conjunto de todas as soluções factíveis y, o conjunto de soluções Pareto ótimo ou não dominadas Y D é caracterizado, em minimização, por: Y = {ȳ D y D : J i (y) J i (ȳ) (1 i m) e J(y) J(ȳ)} (7) No presente trabalho, adotou-se o algoritmo genético multiobjetivo denominado NSGA-II proposto em Deb et al. (2000). A ideia do Nondominated Sorting Genetic Algorithm (NSGA) foi sugerida no trabalho de Goldberg (1989) e implementado em Srinivas and Deb (1994). A principal característica é a ordenação pela não dominância, ou seja, o método de seleção pelo ranking é utilizado para enfatizar bons pontos e um método de nicho é usado para manter uma sub-população estável desses pontos. A eficiência do NSGA é determinada pela avaliação dos múltiplos objetivos reduzido a uma única medida, pela definição dos números ordinais de fronteiras (níveis do Pareto), ordenados de acordo com a não dominância. O NSGA-II
6 foi proposto por Deb et al. (2000), no qual foram introduzidos o fast nondominted sorting procedure, um mecanismo de preservação elitista, e um operador de nicho sem a necessidade de parâmetro para a preservação da diversidade da população (crowding distance comparison operator), o qual é bem mais eficiente computacionalmente. Além disso, o NSGA-II também incorpora um mecanismo de penalidade sem a necessidade de parâmetro. No NSGA-II, particularizado para otimizar os funcionais representados pelas Equações 3 e 6, os indivíduos são vetores do R 21, em que cada índice representa uma conexão da rede apresentado nas Figuras 1 e 2. Os índices dos vetores assumem valores que representam um tipo de cabo entre aqueles apresentados pela Equação 5, que é espaço de busca do algoritmo. As redes são inicializadas com cabos aleatoriamente distribuídos. O cruzamento, que ocorre com uma probabilidade p c = 0, 75, é baseado em trocas de informação gênica a partir de um índice dos vetores de dois pais, selecionados por torneio binário. A mutação, que possui probabilidade p m = 0, 10 de acontecer, possibilita trocar as informações dos índices dos vetores com valores do espaço de busca. São executadas 500 gerações sobre uma população de 80 vetores candidatos, aplicando-se todas as operações do NSGA-II. Ao final das gerações, tem-se o conjunto Pareto com as melhores redes de transmissão não dominadas. 4. RESULTADOS Ao final da execução do NSGA-II, para o problema de otimização das linhas de transmissão da rede apresentado nas Figuras 1 e 2, é encontrado o conjunto Pareto ótimo descrito pela Figura 3. O eixo horizontal representa os valores da função de confiabilidade gerados pela Equação 3 e o eixo vertical apresenta os custos das redes avaliados pela Equação 6. A solução em losango é a chamada solução utópica. As 80 soluções em asterisco são as soluções retornadas pelo NSGA- II. Esse fato mostra a eficiência do otimizador, uma vez que o mesmo transformou todos os candidatos em pontos bem espaçados sobre a fronteira ótima. 1.6 x Custo Confiabilidade Figura 3: Conjunto Pareto ótimo para o problema de otimização da rede de transmissão de energia. O Pareto apresenta soluções de redes não dominadas, do ponto de vista da otimização multiobjetivo, com custos e confiabilidades distintos. Desse modo, o decisor pode escolher dentro do conjunto a rede ideal de acordo com o investimento alocado para tal. Obviamente, as redes mais confiáveis estão no lado direito da Figura 3 e são as mais custosas. Em geral, elas possuem na estrutura os tipos de cabos mais custosos e consequentemente mais confiáveis, principalmente em nós mais importantes do ponto de vista topológico da rede. Do outro lado estão as redes mais baratas, porém mais instáveis. Além da taxa de falha dos cabos, a distância geográfica entre os nós foi um fator importante
7 na determinação das soluções presentes no Pareto e por esse motivo as redes, nesse conjunto, possuem diversas combinações de cabeamentos presentes no espaço de busca. A solução mais custosa x c é apresentada na Figura 4, que possui o tipo de cabo mais confiável com taxa de falha de 0, 1567 interrupções/ano em todas as conexões, exceto nas conexões 1 2, 7 14, 8 15 e 15 16, que possuem cabos com confiabilidade 0, 2267 interrupções/ano. A função de confiabilidade avaliou essa rede em 0, 6330 e a função de custo a avaliou em 1, x T c = ( λ 2 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 2 λ 2 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 1 λ 2 ) Figura 4: Solução mais custosa e mais confiável do Pareto que possui confiabilidade 0, 6330 e custo 1, A solução mais barata x b é apresentada na Figura 5, que possui o tipo de cabo menos confiável com taxa de falha de 0, 5400 interrupções/ano em todas as conexões, exceto na conexão 12 14, que possui o cabo com taxa de falha de 0, 4338 interrupções/ano. A função de confiabilidade avaliou essa rede em 0, 2679 e a função de custo a avaliou em 4, x T b = ( λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 5 λ 4 λ 5 λ 5 ) Figura 5: Solução mais barata e menos confiável do Pareto que possui confiabilidade 0, 2679 e custo 4, Para se ter uma ideia de como os tipos de cabos se distribuíram sobre as soluções é apresentado a Figura 6, que mostra o gráfico da quantidade de cabos por tipo que foram alocados nas conexões das 80 redes presentes no Pareto ótimo Quantidade de cabos usados por todas as soluções λ Figura 6: Quantidade de cabos por tipo distribuídos entre as 80 soluções Pareto ótimo. 5. CONCLUSÕES E TRABALHOS FUTUROS O presente trabalho otimizou as funções determinísticas de custo e confiabilidade para uma rede de transmissão fixa. O método forneceu redes que são ótimas no ponto de vista da otimização multiobjetivo. Cada rede possui um custo e uma confiabilidade associada que deve
8 ser levado em conta no momento de decidir qual linha de transmissão será implementada ou qual tipo de manutenção executada. O trabalho contribui no fato de selecionar as melhores redes de transmissão de acordo com as funções de avaliação fornecidas. O método apresentado é mais rápido do que os métodos estocásticos de simulação para avaliar as redes de transmissão e sem perda de generalidade otimiza a topologia dado que as conexões entre os nós não se alteram. As funções objetivos usadas no presente trabalho se aproximam mais da realidade, ao levar em conta a informação geográfica da rede. Assim, os resultados obtidos são mais coerentes dos que aqueles que foram apresentados no trabalho de Cadini et al. (2010). Para trabalhos futuros, deseja-se: aplicar o método em modelos reais de rede de transmissão e comparar com outros resultados da literatura; otimizar redes de transmissão com outros objetivos que avaliam o custo e confiabilidade para comparar os resultados encontrados; otimizar redes de transmissão com funcionais estocásticos que necessitam de simulação de Monte Carlo e efetuar uma comparação crítica com os resultados obtidos na otimização em que se usou funções objetivos determinísticas; aplicar otimização dinâmica para otimizar a rede de transmissão dado uma série temporal de tendência de crescimento de demanda. Referências Branke, J., Deb, K., Miettinen, K., & Slowiński, R., eds, Multiobjective Optimization: Interactive and Evolutionary Approaches. Springer-Verlag, Berlin, Heidelberg. Cadini, F., Zio, E., & Petrescu, C., Optimal expansion of an existing electrical power transmission network by multi-objective genetic algorithms. Reliability Engineering & System Safety, vol. 95, n. 3, pp Cadini, F., Zio, E., & Petrescu, C.-A., Using centrality measures to rank the importance of the components of a complex network infrastructure. Critical Information Infrastructure Security: Third International Workshop, CRITIS 2008, Rome, Italy, October13-15, Revised Papers, vol. 5508/2009, pp Darwin, C., The variation of animals and plants under domestication. J. Murray, London. Deb, K., Agrawal, S., Pratab, A., & Meyarivan, T., A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: Nsga-ii. In Schoenauer, M., Deb, K., Rudolph, G., Yao, X., Lutton, E., Merelo, J. J., & Schwefel, H.-P., eds, Proceedings of the Parallel Problem Solving from Nature VI Conference, pp , Paris, France. Springer. Lecture Notes in Computer Science No Floyd, R. W., Algorithm 97: Shortest path. Communications of the ACM, vol. 5, n. 6, pp Freeman, L., Centrality in social networks: Conceptual clarification. Social Networks, vol. 1, n. 3, pp
9 Goldberg, D. E., Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA. Hines, P. & Blumsack, S., A centrality measure for electrical networks. In HICSS 08: Proceedings of the Proceedings of the 41st Annual Hawaii International Conference on System Sciences, pp. 185, Washington, DC, USA. IEEE Computer Society. Holland, J. H., 1962a. Concerning efficient adaptive systems. Spartan Press. Holland, J. H., 1962b. Outline for a logical theory of adaptive systems. J. ACM, vol. 9, n. 3, pp Holland, J. H., Adaptation in natural and artificial systems. MIT Press, Cambridge, MA, USA. Koonce, A., Apostolakis, G., & Cook, B., Bulk power risk analysis: Ranking infrastructure elements according to their risk significance. International Journal of Electrical Power & Energy Systems, vol. 30, n. 3, pp Latora, V. & Marchiori, M., Efficient behavior of small-world networks. Phys. Rev. Lett., vol. 87, n. 19, pp Srinivas, N. & Deb, K., Multiobjective optimization using nondominated sorting in genetic algorithms. Evolutionary Computation, vol. 2, pp Zio, E., From complexity science to reliability efficiency: a new way of looking at complex network systems and critical infrastructures. International Journal of Critical Infrastructures, vol. 3, n. 3, pp DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho.
Inteligência 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 maisOtimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
Leia 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 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 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 maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisAlgoritmos Genéticos
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Algoritmos Genéticos David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Algoritmos Genéticos 2 Objetivos Introduzir os principais
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisIntrodução 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 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 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 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 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 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 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 maisUma Abordagem Multiobjetivo para o Problema de Controle NSGA-II
Uma Abordagem Multiobjetivo para o Problema de Controle Biológico através da Programação Dinâmica Não-Linear via NSGA-II André R. da Cruz 1, Rodrigo T. N. Cardoso 2, Ricardo H. C. Takahashi 3 1 Graduando
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 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 maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão 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 Introdução Sumário 1 Introdução
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia 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 maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
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 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 maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial 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 Introdução
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 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 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 maisSistemas Inteligentes if684. Germano Vasconcelos Página da Disciplina:
Sistemas Inteligentes if684 Germano Vasconcelos gcv@cin.ufpe.br Página da Disciplina: www.cin.ufpe.br/~îf684/ec 1 1 Algoritmos Genéticos 2 Algoritmos Genéticos n Técnicas de busca e otimização n Metáfora
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 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 maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisAplicação de Algoritmo Genético Multiobjetivo em Otimização de. Portfólios.
Aplicação de Algoritmo Genético Multiobjetivo em Otimização de Portfólios Simone Aparecida Miloca Centro de Ciências Exatas, Universidade Estadual de Cascavel Rua Universitária, 1619 - Cascavel, PR smiloca@gmail.com
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 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 maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia 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 maisPalestra COPPE Elétrica. Dezembro de 2010
Palestra COPPE Elétrica Dezembro de 2010 Aplicações de Computação Evolutiva e Otimização Multi-objetivo em Sistemas Elétricos de Potência Oriane Magela Neto Depto. De Engenharia Elétrica da UFMG Sistemas
Leia maisAutores: Lucas D. Boff 1 Marcelo F. Castoldi 1 Murilo da Silva 1 Silvio. A. Souza 1 Cintia B. S. Silva 2
Melhoria da Confiabilidade do Fornecimento de Energia Elétrica em Sistemas de Distribuição Utilizando Alocação de Chaves e Algoritmo Evolutivo Multi-Objetivo Autores: 1 2 Lucas D. Boff 1 Marcelo F. Castoldi
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisALGORITMO GENÉTICO MULTIOBJETIVO: SISTEMA ADAPTATIVO COM ELITISMO
ALGORITMO GENÉTICO MULTIOBJETIVO: SISTEMA ADAPTATIVO COM ELITISMO Alípio Monteiro Barbosa, Lucas de Carvalho Ribeiro 2, João Matheus de Oliveira Arantes 3 Programa de Pós-Graduação em Engenharia Elétrica,
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 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 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 maisComputação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
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 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 maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
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 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 mais4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
Leia maisInteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Leia maisINTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma
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 maisPONDERADA DE GRAFOS. Spencer Barbosa da Silva 1, Anderson Ribeiro Duarte 1
Revista da Estatística da UFOP, Vol I, 011 - X Semana da Matemática e II Semana da Estatística, 010 ISSN 37-8111 PENALIZAÇÃO POR NÃO-CONECTIVIDADE PONDERADA DE GRAFOS Spencer Barbosa da Silva 1, Anderson
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 maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisOTIMIZAÇÕES MONO-OBJETIVO E MULTIOBJETIVO APLICADAS AO PROJETO DE CONTROLADORES ROBUSTOS EM SISTEMAS DE ENERGIA USANDO ALGORITMOS GENÉTICOS Bruno B. Souza, Oriane M. Neto, Ricardo H. C. Takahashi, Eduardo
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisEstrutura comum dos AEs Seleção
Estrutura comum dos AEs Seleção Todos os AEs mantém uma população de tamanho m por: Utilizando uma população como fonte de pais para produzir n descendentes Reduzindo o tamanho da população expandida de
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 maisComputação Evolutiva Algoritmos Genéticos & PSO
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Computação Evolutiva Algoritmos Genéticos & PSO David Menotti www.inf.ufpr.br/menotti/am-182 Hoje Computação Evolucionária
Leia maisGA Conceitos Básicos. Capítulo 3 Prof. Ricardo Linden
GA Conceitos Básicos Capítulo 3 Prof. Ricardo Linden Algoritmos Evolucionários Algoritmos evolucionários usam modelos computacionais dos processos naturais de evolução como uma ferramenta para resolver
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Leia maisO USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR RESUMO INTRODUÇÃO
O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR Douglas Peioto de Carvalho,Miquéias Augusto Ferreira Nantes (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
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 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 maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Leia 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 maisPlanejamento Hidrotérmico Utilizando Algoritmos Genéticos
1 Planejamento Hidrotérmico Utilizando Algoritmos Genéticos Thayse Cristina Trajano da Silva Pontifícia Universidade Católica Puc-Rio Engenharia Elétrica Rio de Janeiro RJ Brasil Resumo O planejamento
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 maisCEP Universidade Federal de Minas Gerais Gerais, Av. Antônio Carlos 6.627, Belo Horizonte
26 a 28 de maio de 2010 Universidade Federal de São João del-rei MG Associação Brasileira de Métodos Computacionais em Engenharia Otimização Multiobjetivo da Operação de uma Usina Hidroelétrica Luís A.
Leia mais3 Otimização. Encontrar: (3.1) tal que: (3.2) (3.3) (3.4)
3 Otimização Neste capítulo são descritos conceitos básicos de um problema de otimização, sua classificação com relação ao comportamento das funções objetivos e das respectivas restrições impostas. Em
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 maisExtracção de Conhecimento
Programa Doutoral em Engenharia Informática Mestrado Integrado em Engenharia Informática LIACC/FEUP Universidade do Porto www.fe.up.pt/ ec rcamacho@fe.up.pt Outubro 2007 Algoritmos Genéticos alguns destes
Leia maisAlgoritmos Evolutivos para Otimização
Algoritmos Evolutivos para Otimização A área de aplicação que tem recebido mais atenção é a otimização. Uma das razões é que existem uma variedade de problemas de otimização e a maioria deles sem solução
Leia mais3 Métodos de Otimização
3 Métodos de Otimização Problemas de otimização são relacionados a minimização ou maximização de função de uma ou mais variáveis num determinado domínio, possivelmente com a existência de um conjunto de
Leia 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 maisSistemas Neurais Híbridos: Redes Neurais Artificias e Algoritmos Genéticos. Leonardo Nascimento Ferreira
Sistemas Neurais Híbridos: Redes Neurais Artificias e Algoritmos Genéticos Leonardo Nascimento Ferreira Conteúdo Algoritmo Genético Representação Seleção Reprodução Redes Neurais Evolucionárias Vantagens
Leia maisAplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX
Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo
Leia maisComputação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
Leia maisOTIMIZAÇÃO MULTIOBJETIVO
OTIMIZAÇÃO MULTIOBJETIVO Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Materiais de referência: PANTUZA Jr., G. Métodos de otimização multiobjetivo e de simulação
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 maisAluno do Curso de Graduação em Ciência da computação da UNIJUÍ, bolsista PROBIC/FAPERGS, 3
ESTUDO E EXPLORAÇÃO DE ALGORITMOS GENÉTICOS: UMA SOLUÇÃO PARA PROBLEMAS DE OTIMIZAÇÃO NO CONTEXTO DE INTEGRAÇÃO DE APLICAÇÕES 1 STUDY AND EXPLORATION OF GENETIC ALGORITMS: A SOLUTION TO OPTIMIZATION PROBLEMS
Leia maisÁrea de Distribuição e Comercialização Identificação do Trabalho: BR-81 Maceió, Brasil, Agosto de 2005
COMISSÃO DE INTEGRAÇÃO ENERGÉTICA REGIONAL COMITÊ NACIONAL BRASILEIRO V CIERTEC - SEMINÁRIO INTERNACIONAL SOBRE GESTÃO DE PERDAS, EFICIENTIZAÇÃO ENERGÉTICA E PROTEÇÃO DA RECEITA NO SETOR ELÉTRICO Área
Leia maisElaboração de Grades Horárias Utilizando Algoritmos Genéticos
Elaboração de Grades Horárias Utilizando Algoritmos Genéticos Lucas Bucior, Fabio Asturian Zanin, Marcos A. Lucas Departamento de Engenharias e Ciência da Computação Universidade Regional Integrada do
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 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 maisAlgoritmos Genéticos. 1 Semestre de Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Algoritmos Genéticos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 2 Introdução Darwin Naturalistas: cada espécie havia sido criada separadamente
Leia maisOtimização multicritério da configuração de sistemas utilizando análise RAM
Otimização multicritério da configuração de sistemas utilizando análise RAM Paula Cyrineu Araujo e Marcelo Ramos Martins LabRisco - Laboratório de Análise, Avaliação e Gerenciamento de Riscos Escola Politécnica
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 maisOTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
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 maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia mais3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos
27 3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos Essencialmente, Algoritmos Genéticos são métodos de busca e otimização que tem sua inspiração nos conceitos da teoria de seleção natural das espécies
Leia maisImplementação De Um Algoritmo Genético Codificado Para A Solução do Problema do Caixeiro Viajante
Implementação De Um Algoritmo Genético Codificado Para A Solução do Problema do Caixeiro Viajante 1 Resumo Neste trabalho será realizada a codificação do algoritmo genético para a solução do problema do
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 mais3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
Leia mais