Algoritmos Genéticos: a otimização aplicando a teoria da evolução
|
|
- Anna Lopes Gorjão
- 6 Há anos
- Visualizações:
Transcrição
1 Algortmos Genétcos: a otmzação aplcando a teora da evolução Sezmára F. Perera Saramago Faculdade de Matemátca Unversdade Federal de Uberlânda saramago@ufu.br Resumo. Este artgo apresenta um texto ntrodutóro sobre algortmos genétcos. O objetvo é dar a fundamentação teórca necessára para ue um estudante de graduação possa compreender o método e utlzá-lo como uma ferramenta efcaz de otmzação. Os prncpas operadores são ntroduzdos através do desenvolvmento de um exemplo matemátco, permtndo ue, de uma forma smples e ddátca, o estudante possa acompanhar o desenvolvmento dos mesmos. Palavras-Chave. otmzação, métodos evolutvos, algortmo genétco. 1. Introdução A otmzação é aplcada em stuações em ue se deseja maxmzar ou mnmzar uma função numérca de váras varáves, num contexto em ue podem exstr restrções. Tanto as funções acma menconadas como as restrções dependem dos valores assumdos pelas varáves de projeto ao longo do procedmento de otmzação, geralmente são funções não-lneares e acpladas ente s. Pode-se utlzar otmzação em váras áreas, como por exemplo no projeto de sstemas ou componentes, planejamento e análse de operações, problemas de otmzação de estruturas, otmzação de forma, controle de sstemas dnâmcos. A grande vantagem é determnar a melhor confguração de projeto sem ter ue testar todas as possbldades envolvdas. A otmzação tem como vantagens dmnur o tempo dedcado ao projeto, possbltar o tratamento smultâneo de uma grande uantdade de varáves e restrções de dfícl vsualzação gráfca e/ou tabular, possbltar a obtenção de algo melhor, obtenção de soluções não tradconas, menor custo. Como lmtações tem-se o aumento do tempo computaconal uando aumenta-se o número de varáves de projeto, pode-se surgr funções descontínuas ue apresentam lenta convergênca, funções com presença de mutos mínmos locas onde o mínmo global raramente é obtdo. As técncas clásscas de otmzação são conhecdas à bem mas de um século, sendo utlzadas na físca e na geometra, servndo-se de ferramentas assocadas às euações dferencas ao Cálculo Varaconal. A sofstcação dos recursos computaconas, desenvolvdos nos últmos anos, tem motvado um grande avanço nas técncas de otmzação. Alado ao fato de ue os problemas tornam-se cada vez mas complexos. Técncas clásscas de otmzação são confáves e possuem aplcações nos mas dferentes campos de engenhara e de outras cêncas. Porém, estas técncas podem apresentar algumas dfculdades numércas e problemas de robustez relaconados com: a falta de contnudade das funções a serem otmzadas ou de suas restrções, funções não convexas, multmodaldade, exstênca de ruídos nas funções, necessdade de se trabalhar com valores dscretos para as varáves, exstênca de mínmos ou máxmos locas, etc. Assm, os estudos de métodos heurístcos, com busca randômca controlada por crtéros probablístcos, reaparecem como uma forte tendênca nos últmos anos, prncpalmente devdo ao avanço dos recursos computaconas, pos um fator lmtante destes métodos é a necessdade de um número elevado de avalações da função objetvo (Schwefel e Taylor, 1994). Os algortmos genétcos são mecansmos de busca baseados nos processos de seleção natural da luta pela vda e da genétca de populações. Trata-se de um método pseudo-aleatóro, portanto pode-se dzer ue é um método, um procedmento de exploração ntelgente, no espaço de parâmetros codfcados (Braga, 1998). O surgmento dos algortmos genétcos deu-se por volta de 1950 uando város bólogos usavam técncas computaconas para a smulação de sstemas bológcos. Entre 1960 e 1970, na Unversdade de Mchgan, sob a dreção de John Holland (1975), ncou-se o estudo de algortmos genétcos como os conhecdos atualmente. Davd Goldberg (1989) apresentou a solução de complexos problemas de engenhara usando algortmos genétcos, o ue ajudou o método a se tornar popular entre os pesusadores. 2. Problema Geral de Otmzação O problema geral de otmzação consste em mnmzar uma função objetvo, sujeta, ou não, a restrções de gualdade, desgualdade e restrções lateras. A função objetvo e as funções de restrções podem ser funções lneares ou não lneares em relação às varáves de projeto, mplíctas ou explíctas, calculadas por técncas analítcas ou numércas. Seja o problema geral de otmzação dado por:
2 Mnmzar : T F (), = [,, 1 2, n ] ε Rn (1) Sujeto a: g () 0, j=1,2,...,j j h () = 0, k=1,2,...,k k ( L) ( U ),= 1,2,..., n onde, F() representa a função objetvo, g j e h k as restrções de desgualdade e de gualdade, (L) (U) e as restrções lateras. Todas estas funções assumem valores em R n e são, na maora dos casos, nãolneares. Os métodos para a solução de problemas de otmzação podem ser dvddos em dos grandes grupos, os métodos baseados no cálculo (Determnstc Optmzaton) e os métodos aleatóros (Random Strateges). Quanto à presença de lmtantes ao problema, tem-se a otmzação rrestrta e a otmzação restrta. No grupo dos métodos aleatóros encontra-se os métodos de ordem zero (métodos tradconas), Algortmos Genétcos, Smulated Annealng, Evolução Dferencal, Tabu Search,etc Revsão sobre Técncas Seüencas A maora dos algortmos seüencas de otmzação reuer um conjunto ncal de varáves de projeto 0 (Vanderplaats,1984). A partr daí, o projeto é atualzado teratvamente: (2) 1 + = α S (3) onde representa o número da teração, S o vetor dreção de busca no espaço de projeto, α * é o escalar ue defne o passo ue se deseja dar na dreção de S. Os algortmos de otmzação não-lnear, baseados no cálculo, necesstam da determnação da dreção de busca S e do parâmetro escalar α *. Raramente pode-se garantr a exstênca e uncdade de um projeto ótmo, sto ocorre devdo a exstênca de váras soluções, mal condconamento numérco ou lenta convergênca. A estratéga prátca utlzada é ncalzar o processo de otmzação à partr de dferentes confgurações de 0, caso se encontre o mesmo valor para F mín, tem-se alguma garanta de mínmo global. Consderando problemas sem restrção, para ue F(x) seja mínmo, uma condção necessára, mas não sufcente, é ue F(x)=0. Para F(x), função de uma varável, no ponto de mínmo a 2ª dervada deve ser postva. Para o caso de uma função de váras varáves, a matrz Hessana H deve ser postva defnda, o ue mplca dzer ue todos os autovalores de H devem ser postvos Métodos de Prmera Ordem (Método da Descda Máxma) Fgura 1. Representação do Método da Descda Máxma
3 A dreção de busca é dada pelo gradente F(). Usando F() lmta-se a dreção de busca, evtando a busca em todo espaço de projeto (Saramago e Steffen, 1996). O gradente deve ser recalculado a cada nova dreção, conforme representado na Fg. 1. Sua mportânca é permtr estabelecer o ponto ncal para métodos mas sofstcados. Toma-se como dreção de busca auela oposta ao gradente: S = F( ), onde +1 = + α * S * A cada passo, determna-se α ue ao mínmo nesta dreção, busca undmensonal. Nestes métodos, a convergênca é boa no níco, mas muto lenta ao se aproxmar do mínmo 3. Métodos de Ordem Zero São métodos smples, de fácl mplementação, confáves e capazes de trabalhar com valores dscretos. Reuerem apenas o cálculo de F(), não dependem do gradente e da contnudade da função. Necesstam de um grande número de avalações da função objetvo, o ue aumenta o custo computaconal. A déa básca é seleconar um grande número de vetores de projeto e calcular F() correspondente a cada um. O vetor correspondente ao menor valor de F() será adotado como o valor ótmo *. O vetor é seleconado de forma randômca no espaço de projeto. Para lmtar a busca, utlza-se as restrções lateras. Um número randômco r é gerado, r ε [ 0, 1], e as varáves de projeto da -ésma teração atualzadas: (4) = l + r( u l ) (5) O processo do método de Ordem Zero está apresentado no fluxograma da Fg. 2. Neste caso, o crtéro de parada adotado é o número máxmo de terações. Porém, outros crtéros podem ser ncorporados ao programa. Fgura 2. Esuema do Método de Ordem Zero
4 4. Algorítmos Genétcos Os algorítmos genétcos usam um vocabuláro emprestado da genétca natural. Fala-se sobre ndvíduos (genótpos) de uma população. Estes ndvíduos também são chamados de cromossomos (Mchalewcz, 1998). Fgura 3. Esuematzação de um cromossomo. Cromossomos são compostos de undades ou elementos, cada elemento euvale a um gene, dspostos em uma seüênca lnear, conforme exemplfcado na Fg. 3. Sendo n o número de varáves (genes) e a cada gene tem o comprmento m. Assm, uma função de duas varáves f(x, y), n = 2, será representada através de um cromossomo com 2 genes. Seja m = 7, o número de alelos de cada gene. Neste caso, tem-se: Cromossomo: (6) x y Algorítmos genétcos são algorítmos teratvos, e a cada teração a população é modfcada, usando as melhores característcas dos elementos da geração anteror e submetendo-as a três tpos báscos de operadores, para produzr melhores resultados. São eles: Reprodução: é um processo no ual cada cadea é copada levando em conta os valores da função de adaptação f. Cruzamento: é um processo no ual a combnação em partes de cada um de dos cromossomos gera um novo descendente. Mutação: é a modfcação aleatóra ocasonal (de baxa probabldade) do valor de um alelo da cadea. O prmero passo para a aplcação de algortmos genétcos a um problema ualuer é encontrar alguma representação cromossômca convenente, cujo gene represente o espaço de busca do problema, com vetores bnáros de zeros e um (0,1), os uas são gerados aleatoramente. O comprmento m do gene depende da precsão reuerda para o problema. Temos na Fg. 4 um fluxograma do algortmo genétco (Haupt, 1998). Com fnaldade de lustrar a aplcação dos operadores, vamos consderar o problema de mnmzação de uma função dada por: g (x, y) = x sen (4x) + 1,1 y. sen (2y) (7) no ntervalo, 8 < x < 10, 8 < y < 10, ue defne a regão vável do problema. A maora dos códgos computaconas para algorítmos genétcos costuma maxmzar a função, portanto, a função objetva em estudo será reescrta como: max g(x, y) = - [x sen (4x) + 1,1 y sen (2y)]. (8) Para este exemplo, será adotada a precsão de duas casas decmas. Como o espaço de busca, ou seja, o domíno da função tem ampltude I = 10 8 = 2 e consderando uma precsão de duas casas
5 decmas, este ntervalo deve ser dvddo em Ix10 m subntervalos guas, neste caso, 2 x 10 2 = 200 pontos. Portanto a seüênca bnára (cada gene) deverá ter pelo menos 8 bts, pos 128 = 2 7 < 200 < 2 8 = 256. Seja a segunte população ncal, obtda aleatoramente: C C C C C C Tem-se assm, a população ncal de cromossomos defnda, onde cada gene é um vetor bnáro de m bts, sendo m função da precsão exgda (10-2 ) e da ampltude do ntervalo defndo pelas restrções lateras (I = 2). A segur, todos esses ndvíduos serão modfcados, submetendo-os aos operadores genétcos. Fgura 4. Fluxograma do algortmo genétco contínuo. 4.1 Reprodução Reprodução é um processo ue será atrbuído às cadeas ue possuem o maor valor objetvo e, portanto uma probabldade mas elevada de contrbur à geração segunte, crando pelo menos um descendente. Quanto maor o valor da função objetvo, maores são as chances do ndvíduo sobrevver no ambente e reproduzr-se passando parte de seu materal genétco a gerações posterores (Braga, 1998). Usando a probabldade, expressa pela E.(9), tem-se ue se o ndvíduo for de baxa adeuabldade, tem alta probabldade de desaparecer da população, caso contráro, os ndvíduos terão grandes chances de permanecer na população.
6 f ( x ) P =, sendo F( x ) F( x ) = f ( x ) (9) Para se calcular o valor da função de adaptação f, deve-se converter a seüênca bnára (base 2) para base 10, ou seja, deve-se decodfcar um cromossomo, conforme E. (10). C = [b 7 b 8... b 2 b 1 b 0 a 7 a 6... a 2 a 1 a 0 ] m 1 m 1 x = b 2 = 2 e y a (10) = 0 = 0 Feto sso, deve-se calcular o valor de x e y reas, dentro da regão vável, através da segunte euação: x = a y = a sendo: + decmal + decmal ( ) ( ) b a 2 2 m 1 b a 2 2 m 1 (11) a e b - domíno das varáves x e y. m - comprmento total do gene. decmal ( ) 2 = x decmal ( ) 2 = y Como a população ncal já está defnda, o próxmo passo será o cálculo da função objetvo (adaptação). A título de lustração, será mostrado o cálculo da função objetvo do prmero cromossomo da população crada para o Exemplo (7) em estudo. Seja C 1 = Passando para a base 10, utlzando as Es. (10) e (11) tem-se: 8 1 x = b 2 = = 133 = 0 7 y = a 2 = = 39 = 0 Os valores reas x e y,dentro da regão vável, são dados por: x = ( ) 1 x = 9,04 y = ( ) 1 y = 8,31
7 e o valor da função de adaptação é: g(x, y) = -[ x sen (4 x) + 1,1 y sen (2 y)] g(x, y) = -[9,04 sen(4. 9,04) + 1,1. 8,31 sen(2. 8,31)] g(x, y) = + 16, 26 De forma análoga, obteve-se os resultados mostrados na Tab. 1, para cada cromossomo da população ncal. Tabela 1. Cromossomos da população ncal. Cromossomos x y g(x, y) ,04 8,31 16, ,11 8,07-3, ,14 8,01 11, ,55 8,32 2, ,98 9,35 10, ,77 8,58-0,22 g(x,y) 36,92 Como ctado anterormente, a função de adaptação g(x, y) é o árbtro fnal ue decde sobre a vda ou a morte de cada cromossomo. O mecansmo para seleção das melhores cadeas, ou seja, as mas adaptadas, são defndas pelo uso das probabldades proporconas, dadas pela E. (9), resultando os seguntes valores: 16, 26 p 1 = = 0, 44 36, 92 3, 21 p2 = = 0, 09 36, , p 3 = = 0, 30 36, 92 2, 76 p 4 = = 0, 07 36, 92 10, 32 p 5 = = 0, 28 36, 92 0, 22 p6 = = 0, 00 36, 92 sendo p 1 + p 2 + p 3 + p 4 + p 5 + p 6 = 1,00 Consderando ue as probabldades acumulatvas cada cromossomo são dadas por: = p j j= 1 (12) obtém-se aos seguntes valores acumulatvos: 1 = p 1 = 0, 44 2 = p 1 + p 2 = 0, 44 0, 09 = 0, 35 3 = p 1 + p 2 + p 3 = 0, 44 0, 09 +0, 30 = 0, 65 4 = p 1 + p 2 + p 3 + p 4 = 0, 44 0, 09 +0, , 07 = 0, 72 5 = p 1 + p 2 + p 3 + p 4 + p 5 = 0, 44 0, 09 +0, , , 28 = 1, 00 6 = p 1 + p 2 + p 3 + p 4 + p 5 + p 6 = 0, 44 0, 09 +0, , , , 00 = 1, 00
8 A segur deve-se seleconar as cadeas ue rão contrbur para a geração segunte. Esta seleção consdera um conjunto de números r, escolhdos randomcamente entre [0,1], em uantdade gual ao número de cadeas. A análse é feta através das seguntes opções: Se r < 1, então se selecona o 1º cromossomo C 1. Se r > 1, então se passa para o subseüente e faz a análse novamente. Vale ressaltar ue alguns cromossomos poderão ser seleconados mas de uma vez, ou seja, os melhores serão copados mas vezes, enuanto ue outros rão morrer. Seja o exemplo em estudo. Consdere ue foram gerados os seguntes números randômcos: r 1 = 0,64; r 2 = 0,08; r 3 = 0,47 r 4 = 0,88; r 5 = 0,93; r 6 = 0,70 A seleção dos cromossomos é dada por: r 1 = 0,64 > 1 = 0, 44 r 1 = 0, 64 > 2 = 0, 35 r 1 = 0, 64 < 3 = 0, 65 selecona-se 3 C 3 r 2 = 0,08 < 1 = 0,44 selecona-se 1 C 1 r 3 = 0,47 > 1 = 0,44 r 3 = 0,47 > 2 = 0,35 r 3 = 0,47 < 3 = 0,65 selecona-se 3 C 3 r 4 = 0,88 > 1 = 0,44 r 4 = 0,88 > 2 = 0,35 r 4 = 0,88 > 3 = 0,65 r 4 = 0,88 > 4 = 0,72 r 4 = 0,88 < 5 = 1,00 selecona-se 5 C 5 r 5 = 0,93 > 1 = 0,44 r 5 = 0,93 > 2 = 0,35 r 5 = 0,93 > 3 = 0,65 r 5 = 0,93 > 4 = 0,72 r 5 = 0,93 < 5 = 1,00 selecona-se 5 C 5 r 6 = 0,70 > 1 = 0,44 r 6 = 0,70 > 2 = 0,35 r 6 = 0,70 > 3 = 0,65 r 6 = 0,70 < 4 = 0,72 selecona-se 4 C 4 Depos de seleconados, os cromossomos dão orgem a uma nova população representada como: C gerados de C 3 ; g(x, y) = 11,01. C gerados de C 1 ; g(x, y) = 16,26. C gerados de C 3 ; g(x, y) = 11,01. C gerados de C 5 ; g(x, y) = 10,32. C gerados de C 5 ; g(x, y) = 10,32. C gerados de C 4 ; g(x, y) = 2, Cruzamento Fgura 5. Representação do Operador Cruzamento Tem-se váras formas para se obter o cruzamento, neste trabalho será utlzada a segunte técnca para se fazer o cruzamento: Seja o ponto k ue defne a posção de cruzamento na cadea de bts de cada cromossomo escolhdo aleatoramente. A uantdade de cromossomos a ser submetda ao processo de cruzamento é defnda através da probabldade de cruzamento p c, especfcada pelo usuáro. Cada cadea é partda neste ponto k
9 e todas as nformações do cromossomo A, a partr do ponto escolhdo, são copadas para o cromossomo B e vce-versa, conforme esuematzada na Fg. 5. O processo de escolha de uem será cruzado deve ser feto em pares, sorteando números randômcos (r ). Quando não for possível formar os pares um novo sorteo deverá ser feto até obter os pares necessáros para o cruzamento. Por exemplo, se r 1 for menor ue a probabldade p c, então o cromossomo C 1 será seleconado. Na maora das lteraturas especalzadas, a probabldade de cruzamento é de p c = 25%, a ual será adotada neste trabalho. Após de ter feto sso, temos ue gerar um novo número randômco para determnar a posção k, onde duas novas cadeas são formadas pela troca de todos os caracteres compreenddos entre as posções k + 1 e o comprmento total do cromossomo (n x m). Esta posção k é determnada pela segunte fórmula: k = 1 + rand [(n x m 1) 1] (13) Dando contnudade ao Exemplo (7) em estudo, submetem-se as populações (C ) ao cruzamento. Sejam os seguntes números randômcos, r : r 1-0,50 C 1 > p c r 2-0,17 C 2 < p c r 3-0,40 C 3 > p c r 4-0,15 C 4 < p c r 5-0,20 C 5 < p c r 6-0,23 C 6 < p c sendo seleconados para o cruzamento, os cromossomos C 2 e C 4 ; C 5 e C 6. Agora, é só gerar um número randômco para determnar k, a posção de cruzamento usando a E.(13). Seja rand = 0,7; segue-se ue: k = 1 + 0,7 [(2x8 1) 1] = 1 + 0,7 (15 1) k = 1 + 0,7. 14 k = 10,8 Como k é um número ntero, então k = 11. Daí, C C Trocando os caracteres, tem-se: C C e C C Trocando os caracteres, tem-se: C C Assm, após a aplcação do operador cruzamento, a população é dada por: C ; g(x,y) = 11,01. C ; g(x, y) = 16, 72. C ; g(x, y) = 11, 01. C ; g(x, y) = 11, 02. C ; g(x, y) = 10, 67. C ; g(x, y) = 3, Mutação A mutação é uma modfcação aleatóra do valor de um alelo da cadea. Caso o alelo escolhdo seja zero passa a ser um e vce-versa, conforme esuematzado na Fg. 6. Segundo Haupt (1998), uma técnca de se fazer à mutação é gerar pares (a, b) randômcos onde a representa a lnha e b representa a coluna da mudança do bt. Nesta forma de aplcar o operador mutação exclu-se da seleção o melhor cromossomo. No exemplo em estudo, sejam os pares (1, 10) e (5, 3), logo tem-se (o cromossomo C 2 não será objeto de mutação por apresentar o maor valor para a função objetva):
10 (1, 10) C 1 e posção (5, 3) C 5 e posção Neste artgoo, será utlzada outra metodologa onde se selecona randomcamente uma posção em um cromossomo, obedecendo a probabldade de mutação p m, e muda o valor deste bt. Fgura 6. Representação do Operador Mutação. O processo de mutação é controlado por um parâmetro fxo p m, probabldade de mutação, ue é geralmente recomendado como de 1%.Este operador tem um papel mportante e necessáro, porue a reprodução e o cruzamento podem perder materal genétco potencalmente útl. O operador de mutação protege os algorítmos genétcos contra perdas rreparáves. Tomada soladamente, a mutação se consttura na exploração aleatóra do espaço das cadeas. Utlzada com cudado, juntamente com os outros dos operadores, protege-se o procedmento da perda prematura de nformações mportantes (Braga,1998). Aplcando o operador mutação ao Exemplo (7) em estudo, torna-se necessáro gerar (n x m x N) números randômcos r entre [0,1], onde N é o número total de ndvduos da população. Se r for menor ue a probabldade p m = 0,01 será feta a mutação no bt correspondente. Consdere ue foram gerados 96 (2 x 8 x 6) números r entre 0 e 1 e ue três tveram probabldades menores ue p m, como mostrdo a segur: r 13 = 0,009 < p m = 0,01 r 39 = 0,0025 < p m = 0,01 r 83 = 0,0004 < p m = 0,01 Consderando a população atual, C C C C C C torna-se possível seleconar a posção onde deve-se ocorrer a mutação, conforme Tab. 2. Tabela 2. Seleção da posção para aplcação do operador mutação. Posção Cromossomo Probabldade (p m ) 13 C 1 0, C 3 0, C 6 " 0,0004 Submetendo os bts 13, 39 e 83 ao processo de mutação têm-se: C C C C C C
11 Após a aplcação dos três operadores, tem-se encerrado o cclo da 1ª geração. Assm, torna-se nteressante observar os valores das funções de adaptação para se ter uma déa de como está ocorrendo a evolução dos cromossomos da população ncal. Estes dados podem ser acompanhados na Tab. 3. Tabela 3. Cromossomos da população após a 1ª geração. Cromossomos x y g(x, y) C ,14 8,04 11,52 C ,04 8,35 16,72 C ,15 8,00 10,68 C ,97 9,31 11,06 C ,97 9,33 10,63 C ,80 8,35-2,09 g(x,y) 58,52 Observando as Tabs. 2. e 4, nota-se ue a população ncal melhorou no sentdo de camnhar na dreção da maxmzação da função objetva, após aplcar os três operadores. Observa-se ue o valor de g(x,y) passou de 36,92 para 58,52. Nesta prmera teração, o ponto ótmo obtdo corresponde a: x= 9,04 y= 8,35 e f(x,y)= - 16,72. Obvamente, executando outras terações espera-se uma adaptação muto melhor da população. 5. Conclusões Cada teração do algortmo genétco, denomnada geração, é composta pela execução dos três operadores descrtos anterormente. Após algumas gerações sobrevvem os ndvduos melhores adaptados, ou seja, são escolhdos os pontos do espaço de trabalho ue correspondem ao maor valor da função objetvo. Desta forma, obtém-se a maxmzação, ou mnmzação, de uma função de váras varáves, sem a exgênca de contnudade da mesma ou de conhecmento de suas dervadas. Devdo ao seu caráter puramente aleatóro, esta metodologa possu a característca de não fcar presa em mínmos locs, sendo esta sua grande vantagem em relação aos métodos seuencas de otmzação. Sua desvantagem é, obvamente, o tempo computaconal. Váras modfcações já foram acrescentadas ao método, tornando-o mas efcente e rápdo. Por uestões ddátcas, este artgo apresentou apenas a formulação clássca de cada operador, vsando dar um conhecmento básco ao letor. Na bblografa extem város lvros e artgos sobre o assunto, onde o tema é desenvolvdo com maor profunddade. 6. Bblografa Bazaraa,M.S., Shetal, H.D. e Shetty,C.M., 1993, Nonlnear Programmng: Theory and Algorthms, John Wley & Sons, second edton, New York. Braga, C.G., 1998, O Uso de Algortmos Genétcos para Aplcação em Problemas de Otmzação de Sstemas Mecâncos, Dssertação de Mestrado, Unversdade Federal de Uberlânda, Uberlânda, MG. Corana, A., Marches,M., Martn, C. e Rdella,S., 1987, Mnmzng multmodal functons of contnuous varables wth the smulated annealng algorthm, ACM Transactons on Mathematcal Software, 13, n. 3, Goldberg,D.E., 1989, Genetc Algorthms n Search, Optmzaton and Machne Learnng, New York, Addson- Wesley. Grace,A., 1992, Optmzaton Toolbox- For Use wth Matlab, The Math Works Inc., Natck. Haupt, R.L. e Haupt, S.E., 1998, Pratcal Genetc Algorthm, John Wley G. Sons Inc; New York, pp Holland, J.H., 1975, Adaptaton n Natural and Artfcal Systems, Ann Arbor, The Unversty of Mchgan Press, Unted States of Amerca. Lopes,L.C.G., Santos, E.A.A. e Karlec,V., 1999, Determnação de raízes de euações não lneares utlzando algortmos genétcos, Computaconal Methods n Engneerng (Cd room), pp , CILAMCE, São Paulo. Masters,T., 1993, Practcal Neural Network Recpes In C++, Academc Press, pp Metropols,N., Rosenbluth,A. W., Rosenbluth, M.N. e Teller, A.H., 1953, Euatons of state calculatons by fast computng machnes, Journal of Chemcal Physcs, 21, Mchalewcz, Z., 1998, Evolutonary Computaton for NonLnear Programmng Problems, ftp.uncc.edu, drectory coe/evol.
12 Reklats,G.V., Ravndran, A. e K.M. Ragsdell, 1983, Engneerng Optmzaton - Methods and Applcatons, John Wley and Sons, Unted States of Amerca. Saramago, S.F.P. e Steffen Jr., V., 1996, Aspectos fundamentas ao usar técncas de otmzação no projeto de sstemas mecâncos, Proc. IV Congr. de Eng. Mecânca- NNE, V.1, pp , Recfe, Brasl, Junho. Schwefel, H.P. e Taylor, L., 1994, Evoluton and Optmum Seekng, John Wley & Sons Inc, Unted States of Amerca, pp Vanderplaats,G., 1984, Numercal Optmzaton Technues for Engneerng Desgn, McGraw-Hll, Unted States of Amerca, Dretos Autoras Os autores são os úncos responsáves pelo conteúdo do materal mpresso ncluído no seu trabalho. Genetc algorthms: the optmzaton applyng the evoluton theory Sezmára F. Perera Saramago Faculdade de Matemátca Unversdade Federal de Uberlânda saramago@ufu.br Abstract. Ths artcle presents an ntroductory text on genetc algorthms. The objectve s to gve the necessary theoretcal concepts so that a graduaton student can understand the method and to use t as an effectve tool of optmzaton. The man operators are ntroduced by usng a mathematcal example, allowng that, n a smple and ddactc way, the student can accompany the development of the same ones. Keywords. optmzaton, evolutonary methods, genetc algorthm.
Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisMedida de Quatro Pontas Autor: Mauricio Massazumi Oka Versão 1.0 (janeiro 2000)
Medda de Quatro Pontas Autor: Maurco Massazum Oka Versão.0 (janero 000) Introdução A técnca de medda de quatro pontas é largamente usada para a medda de resstvdades e resstêncas de folha. O método em s
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisMODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES
MODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES MEZA, Rafael Argüello, estudante de graduação, CEFET-PR, 2005 Centro Federal de Educação Tecnológca do Paraná
Leia maisESTRATÉGIAS DE EVOLUÇÃO DIFERENCIAL APLICADAS A PROBLEMAS DE OTIMIZAÇÃO RESTRITOS
5º POSMEC - Smpóso do Programa de Pós-Graduação em Engenhara Mecânca Unversdade ederal de Uberlânda aculdade de Engenhara Mecânca ESTRATÉGIAS DE EOLUÇÃO DIERENCIAL APLICADAS A PROBLEMAS DE OTIMIZAÇÃO RESTRITOS
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA OTIMIZAÇÃO DE TRELIÇAS COM RESTRIÇÕES DE FALHA COMBINANDO TÉCNICAS DE PROGRAMAÇÃO DE ALGORITMOS
Leia maisDIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL
DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL Moacr Krpka, Prof. Dr. Zacaras M. Chamberlan Prava, Prof. Dr. Maga Marques Das, Acadêmca, Bolssta UPF Gulherme Fleth de
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisXII Simpósio Brasileiro de Automação Inteligente (SBAI) Natal RN, 25 a 28 de outubro de 2015
XII Smpóso Braslero de Automação Intelgente (SBAI) Natal RN, 25 a 28 de outubro de 2015 ANÁLISE DE UMA METAHEURÍSTICA BASEADA NO ALGORITMO DE COLÔNIA DE FORMIGAS PARA RESOLUÇÃO DE PROBLEMAS DE FLUXO DE
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisPLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS
PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisCOMPARAÇÃO ENTRE METODOLOGIA DE OTIMIZAÇÃO GLOBAL E O MÉTODO DE GRADIENTES PARA AJUSTE DE HISTÓRICO ASSISTIDO
COMPARAÇÃO ENTRE METODOLOGIA DE OTIMIZAÇÃO GLOBAL E O MÉTODO DE GRADIENTES PARA AJUSTE DE HISTÓRICO ASSISTIDO Célo Mascho e Dens José Schozer, Unversdade Estadual de Campnas, Faculdade de Engenhara Mecânca
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.
Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
Leia maisTrajetória ótima de uma estrutura paralela para diferentes combinações dos ângulos de entrada
Trajetóra ótma de uma estrutura paralela para dferentes combnações dos ângulos de entrada Sezmára F. P. Saramago, Rafael G. Rosa Unversdade Federal de Uberlânda - Campus Santa Mônca, Av. João Naves de
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES
4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisINTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs
INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia mais2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho
rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele
Leia maisRedespacho da Geração para Melhoria da Segurança Dinâmica de Sistemas Elétricos de Potência Usando Inteligência Computacional
1 Redespacho da Geração para Melhora da Segurança Dnâmca de Sstemas Elétrcos de Potênca Usando Intelgênca Computaconal A. L. B. Corrêa, B. C. Bernardes, W. D. Olvera, J. P. A. Vera Member, IEEE, I. Ohana,
Leia maisALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO
ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisRobótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016
Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:
Leia mais4 Análise termoeconômica
4 Análse termoeconômca Os capítulos precedentes abordaram questões emnentemente térmcas da aplcação de nanofludos em sstemas ndretos de refrgeração. Ao tratar das magntudes relatvas e da natureza das componentes
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisSumário do Seminário. Otimização Multi-Objetivo na resolução de Problemas de Engenharia Complexos
Sumáro do Semnáro Otmzação Mult-Objetvo na resolução de Problemas de Engenhara Complexos ANTÓNIO GASPAR LOPES DA CUNHA Lção elaborado nos termos da alínea c) do artgo 5º do Decreto-Le nº239/2007 para a
Leia maisEFEITO DA IDADE E MATERIAL GENÉTICO NA FORMA DE ÁRVORES DE Eucalyptus
EFEITO DA IDADE E MATERIAL GENÉTICO NA FORMA DE ÁRVORES DE Eucalyptus Dana Marques de Olvera ; Ellezer Almeda Mello ; Carolne Stephany Inocênco ; Adrano Rbero Mendonça Bolssta PBIC/UEG, graduandos do Curso
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisNOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO
I Congresso Baano de Engenhara Santára e Ambental - I COBESA NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO Marcos Vnícus Almeda Narcso (1)
Leia mais4 Análise de confiabilidade de estruturas
4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisUma comparação entre algoritmos de projeção para restauração de imagens do satélite CBERS-1
Uma comparação entre algortmos de projeção para restauração de magens do satélte CBERS- João P. Papa Nelson D. A. Mascarenhas Lela M.G. Fonseca 2 Unversdade Federal de São Carlos - UFSCAR Caxa Postal 676-3565-905
Leia mais3 O Problema de Fluxo de Potência Ótimo
3 O Problema de Fluxo de Potênca Ótmo 3.. Introdução Como fo vsto no capítulo anteror, para realzar uma repartção de custos ou benefícos, é necessáro determnar a função de custo do servço que será utlzado
Leia maisAVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT
AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO Rodrgo Mkosz Gonçalves John Alejandro Ferro Sanhueza Elmo Leonardo Xaver Tanajura Dulana Leandro Unversdade Federal do Paraná - UFPR
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisCapítulo 16: Equilíbrio Geral e Eficiência Econômica
Capítulo 6: Equlíbro Geral e Efcênca Econômca Pndck & Rubnfeld, Capítulo 6, Equlíbro Geral::EXERCÍCIOS. Em uma análse de trocas entre duas pessoas, suponha que ambas possuam dêntcas preferêncas. A curva
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisBUSCA TABU: UMA APLICAÇÃO AO PROBLEMA DE SEQÜÊNCIAÇÃO DE ORDENS DE PRODUÇÃO
BUSCA TABU: UMA APLICAÇÃO AO PROBLEMA DE SEQÜÊCIAÇÃO DE ORDES DE PRODUÇÃO Renato de Olvera Moraes Departamento de Cêncas Exatas e Aplcadas da Unversdade Federal de Ouro Preto Rua 37, nº 115 Barro Loanda.
Leia maisFUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES
FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda
Leia mais024/ ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO GENÉTICO
ISSN 275-6295 Ro de Janero- Brasl, 05 e 06 de agosto de 2009. SPOLM 2009 024/2009 - ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO
Leia maisCAPITULO II - FORMULAÇAO MATEMATICA
CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho
Leia maisCQ110 : Princípios de FQ
CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisPROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS. N. R. Candido, V.B. G.
PROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS N. R. Canddo, V.B. G. Campos RESUMO Apresenta-se neste trabalho um procedmento de auxílo à decsão
Leia maisXII SIMPÓSIO INTERNACIONAL DE CIÊNCIAS INTEGRADAS DA UNAERP CAMPUS GUARUJÁ. Sustentabilidade - Mudança dos Padrões de Consumo
XII SIMPÓSIO INTERNACIONAL DE CIÊNCIAS INTEGRADAS DA UNAERP CAMPUS GUARUJÁ Sustentabldade - Mudança dos Padrões de Consumo Formulação de Ração de Mínmo Custo Um Sstema de Otmzação para Nutrção Anmal Marco
Leia maisAplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade
Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas
Leia maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades
Leia maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisMODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE
MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisGuia 11 Escalonamento de Mensagens
Até esta altura, temos abordado prncpalmente questões relaconadas com escalonamento de tarefas a serem executadas num únco processador. No entanto, é necessáro consderar o caso de sstemas tempo-real dstrbuídos,
Leia mais3 Método Proposto para Estimação de Parâmetros Sísmicos em três Dimensões
3 Método Proposto para Estmação de Parâmetros Sísmcos em três Dmensões Neste capítulo é descrto com detalhe como fo consderado o modelo sísmco de camadas e como foram desenvolvdas as equações, para múltplas
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisUMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO Alexandre Venturn Faccn Pacheco (UFES) alexandreventurn@gmal.com
Leia maisMÉTODO DOS POLINÔMIOS CANÔNICOS DE MISTURAS PARA OTIMIZAÇÃO MULTI-OBJETIVO
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO José Henrque de Fretas Gomes MÉTODO DOS POLINÔMIOS CANÔNICOS DE MISTURAS PARA OTIMIZAÇÃO MULTI-OBJETIVO Prmera tese submetda
Leia maisProf. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Leia mais