Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
|
|
- Rosângela Chaves Garrido
- 6 Há anos
- Visualizações:
Transcrição
1 Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do Uberlândia (UFU) Uberlândia MG Brasil adilmar@mestrado.ufu.br Nível: Mestrado Resumo. Este artigo apresenta um algoritmo genético baseado na teoria da evolução para resolver o problema de escalonamento de tarefas em máquinas paralelas idênticas. O problema consiste em determinar a ordem de processamento das tarefas nas máquinas, minimizando o tempo máximo de finalização do processamento (makespan). O objetivo do algoritmo genético é determinar uma aproximação do conjunto de soluções eficientes. As técnicas de crossover, mutação e torneio foram utilizados com diferentes índices com o objetivo de avaliar o algoritmo. Palavras-Chave. Escalonamento de Tarefas, Algoritmo Genético, Inteligência Computacional. 1. Introdução e Motivação O problema de escalonamento de tarefas consiste em determinar a ordem de processamento das tarefas nas máquinas, minimizando o tempo máximo de finalização do processamento (makespan). É um problema de otimização combinatória bem conhecido pertencente à classe de problemas intratáveis (NP completo). Este Artigo tem como o objetivo o desenvolvimento de um algoritmo e a realização de testes a fim de verificar seu desempenho e assertividade em situações diversas com o objetivo de chegar a uma melhor configuração para o algoritmo genético proposto e compará-lo a resultados de outros trabalhos com essa mesma proposta. 2. Fundamentação Teórica Algoritmos genéticos usam modelos computacionais dos processos naturais de evolução como uma ferramenta para resolver problemas. Apesar de haver uma grande variedade de modelos computacionais propostos (CAMPELLO e MACULAN 1994), todos eles têm em comum o conceito de simulação da evolução das espécies através de seleção, mutação e reprodução, processos estes que dependem do desempenho dos indivíduos desta espécie dentro do ambiente. Os algoritmos evolucionários funcionam mantendo uma população de estruturas que evoluem de forma semelhante à evolução das espécies. A estas estruturas são aplicados os chamados operadores genéticos, como recombinação e mutação, entre outros (LINDEN 2012). Cada indivíduo recebe uma aptidão ou avaliação que é uma quantificação da sua qualidade como solução do problema em questão. Baseado nesta avaliação é que serão aplicados os operadores genéticos de forma a simular a sobrevivência do mais apto assim como na natureza (LUKE 2011).
2 Os operadores genéticos consistem em aproximações computacionais de fenômenos vistos na natureza, como a reprodução sexuada, a mutação genética, entre outros (WOODWARD e SWAN 2011). Algoritmos genéticos podem ser definidos como uma técnica de busca baseada nos processos biológicos e de evolução natural encontrados na natureza. Nos algoritmos genéticos populações de indivíduos são criadas e submetidas aos operadores genéticos conhecidos por seleção, crossover e mutação. Estes operadores avaliam a qualidade de cada indivíduo como critério para encontrar a solução do problema. É gerado um processo de evolução natural destes indivíduos, que eventualmente gerará um indivíduo que caracterizará uma boa solução (talvez até a melhor possível) para o problema (LUKE 2011). Assim como na seleção natural que não para de procurar outros indivíduos ainda melhores, mesmo que estes se destaquem no grupo, os algoritmos genéticos não ficarão estagnados simplesmente por terem encontrado um melhor indivíduo. A reprodução e a mutação são aplicadas em indivíduos selecionados dentro da população (LINDEN 2012). A seleção deve ser feita de modo que os indivíduos mais aptos sejam selecionados mais frequentemente do que aqueles menos aptos, de forma que as boas características daqueles passem a predominar dentro da população da solução. Um agendamento, ou escalonamento (Scheduling), pode ser entendido como uma forma de escalonar um conjunto de operações (processos) as quais envolvem planejamento, pois obedecem a múltiplas restrições. Para resolvê-lo é necessário obter as informações sobre as tarefas a serem executadas no sistema como a quantidade de processos, processadores dentre outros uma forma de representar essas informações de escalonamento entre dois processadores de estrutura paralela é o chamado Gauss 18 que pode ser observado na figura 1, que é um grafo direcionado composto de 18 tarefas. Figura 1. Grafo Gauss 18 Onde os círculos (nós) representam as tarefas, ao lado esquerdo de cada círculo pode se observar o tempo total de execução da tarefa. Os links entre esses nós representam a precedência. Não somente o grafo de Gauss foi utilizado neste artigo mas outros semelhantes para medir seu desempenho.
3 3. Contribuição do Trabalho O presente trabalho tem como objetivo validar é comparar os resultados obtidos com trabalhos semelhantes e além disso propor possíveis soluções utilizando algoritmos genéticos, para o problema de escalonamento de processos, um problema aplicado a diversas situações da vida real, como o escalonamento de processos da CPU, e na indústria em geral com a finalidade de reduzir custos, minimizar gastos dentre outros. 4. Estado atual do Trabalho Para a construção desse algoritmo a população inicial e gerada de forma aleatória para garantir que todos estes indivíduos sejam válidos, onde um indivíduo não válido se caracteriza pelo fato de estar alocado antes de outra da qual é uma dependente no mesmo processador. Muitas das vezes os indivíduos gerados podem não ser válidos, necessitando assim de uma função de correção para melhores resultados, a qual foi implementada com a finalidade de manter a aleatoriedade e diversidade da população. O método de avaliação de indivíduos em algoritmos genéticos tem como objetivo verificar o seu percentual positivo de cada indivíduo da população. Para o problema de escalonamento, o algoritmo contabiliza as unidades de tempo necessárias para que todas as tarefas sejam realizadas, seguindo a alocação de precedência de cada uma delas. Então, o melhor indivíduo será aquele que levar menos tempo de execução dentre os demais na população. Após essa avaliação da população corrente, passa-se para a etapa de seleção, para este algoritmo foi implementado o método de seleção denominado torneio simples para determinar quais indivíduos passaram seus materiais genéticos para as próximas gerações. Nesta etapa sorteia-se dois indivíduos de forma aleatória é feita então a verificação de quais dos dois possui melhor aptidão, neste caso o menor tempo, formando assim pares de indivíduos pais que darão origem a novas gerações para a população. Uma dupla vencedora de cada torneio dará origem a dois filhos através do crossover, onde se escolhe um ponto no qual é feito a troca de material genético entre esses indivíduos. Após o crossover alguns destes filhos são submetidos a mutação assim como pode ocorrer na natureza, para isso se utilizou da permutação simples que evita que tarefas repetidas façam parte do cromossomo. É sorteado dois pontos e feita a troca dessas tarefas sem interferir nos processadores, a figura 2 ilustra esse processo. Figura 2. Processo de Mutação Na etapa final, os melhores indivíduos de cada iteração são selecionados para formarem uma nova população para nova interação, e novamente para o processo de seleção, crossover e mutação. Cada uma dessas iterações é chamada de geração tendo como critério de parada quando se alcança o número máximo (Nger) especificado na implementação. A figura 3 demostra todo o processamento decorrente do algoritmo genético, desde sua execução até a sua convergência final ilustrando todas as etapas citadas acima. Os AG possuem
4 natureza probabilística, sendo necessário diversas execuções do mesmo para garantir maior confiabilidade dos resultados. Figura 3. Ciclo de um AG 5. Análise de Resultados Foi implementado em Scala um ambiente baseado no algoritmo genético como descrito anteriormente para encontrar uma melhor configuração para o grafo Gauss 18, estes testes realizados levaram em consideração as seguintes combinações das configurações Tpop = Tamanho da população, Nger = Número de gerações e Tour = Tamanho do método de seleção do torneio, para todas as combinações foi utilizado taxa de mutação de 30% e 60% de crossover, e dois processadores em paralelo. As combinações foram executadas 20 vezes cada uma delas, totalizando assim 540 execuções para se encontrar uma melhor combinação, para este trabalho foi levado em consideração o tempo de execução também para cada combinação. Uma das dificuldades de reproduzir os trabalhos relacionados foi primeiramente no sorteio de indivíduos, onde nos primeiros realizados que descartaram os indivíduos considerados não aptos, foi perceptível o aumento no tempo de execução do algoritmo uma vez que ele deveria sortear um novo individuo toda vez que encontrasse um não válido. Para resolver este impasse, fizemos o sorteio cíclico, que varre a estrutura e a reoganiza de modo que ela se torne compatível. A função de avaliação durante os primeiros testes foi realizada de forma incorreta o que acabou provocando uma convergência prematura ou seja quando um conjunto de bons indivíduos e mantido ao longo das gerações seguintes. Sanada essas dificuldades com as devidas correções no algoritmo, reproduziu-se os testes realizados no artigo obtendo assim para o grafo Gauss 18 a seguinte melhor configuração de número 10 com Tpop = 100, Nger= 200 e Tour = 2 pois estamos levando em consideração o tempo de execução, estes resultados podem ser observados na tabela 1. Após a geração da tabela de resultados fizemos uma comparação com os artigos e foi verificado o mesmo resultado na combinação nos demais campos houve variações mas são aceitavéis pelo fato das particularidades do AG e por sua natureza estatística. Ambas combinações foram executadas 20 vezes, somando um total de 540 execuções de 27 combinações para o grafo Gauss 18. Pela tabela 1 pode-se observar que a combinação 22 poderia ser uma boa opção, mas ela requer o dobro de população e muito mais tempo de execução, o que não nos levou à escolhermos como a melhor combinação para este algoritmo proposto.
5 Combinação Tpop Nger Tour Convergência Média , , , , , , , , , , , , , , , , , , , , , , , , , , ,99 Tabela 1. Resultados AG: Gauss 18 As combinações foram executadas em um computador com processador Quad Core 3.33 GHZ e 4 GB de memória RAM. Na figura 4 temos os resultados de convergência agrupados por tamanho da população, número de gerações e torneio para o Gauss 18, somando-se as convergências obtidas para cada grupo. Para avaliar o AG, esse mesmo teste foi refeito, porém com variações nas taxas de crossover e de mutação. Os testes demostraram que com baixas populações ocorrem poucas convergências ou nenhuma, e novamente a combinação 10 a mesma proposta para o Gauss 18 foi escolhida como a melhor. Os melhores resultados obtidos para essas variações realizadas nas taxas de mutações e crossover estão apresentados na tabela 2 separados pelas combinações. Combinação Taxa-mutação Taxa-crossover Convergência-melhor Média 1 10% 20% 6 48, % 40% 7 50, % 80% 9 55,29 Tabela 2. Resultados AG: Gauss 18
6 Os resultados demostram que muitas das vezes é necessário executar o algoritmo genético com diversas combinações para se alcançar uma melhor configuração ou a que atende melhor suas necessidades. Outra observação é que o tempo de execução do AG cresce de forma linear geralmente, conforme as alterações em populações e convergências. Dentre os testes realizados, uma boa opção observada seria aumentar em 50 o tamanho da população mantendo as mesmas configurações para convergência e torneio, obtendo assim, uma taxa de convergência de 15 em 47 unidades de tempo. Figura 4. Resultados agrapados para o Gauss Testes para o grafo P11A O mesmo algoritmo foi executado para um grafo de 11 tarefas que chamamos de P11A cujas os (V) vertices e arestas (E) dos grafos estão representados na tabela 3, os resultados do mesmo foi comparado com o artigo, onde obtivemos 19 de convergência para o mesmo e média de 39,50 ambos bem próximo com os obtidos nos artigos o qual obteve 20 para convergência e 40,00 de média. Grafo V E G11 (0,8),(1,4),(2,4), (0,1,8),(0,2,12),(1,3,12),(1,4,12) (3,4),(4,4),(5,4), (2,5,8),(2,6,12),(3,7,8),(4,7,8), (6,6),(7,3),(8,3), (4,8,8),(5,8,8),(5,9,8),(6,9,8), (9,3),(10,3) (7,10,12),(8,10,8),(9,10,12) Tabela 3. Grafo de 11 tarefas utilizado A tabela 4 demonstra estes resultados claramente, o algoritmo foi executado 20 vezes para cada combinação, com taxas de mutação de 30% e 60% de crossover assim como aplicado para o grafo Gauss 18 apresentado anteriormente.
7 Combinação Tpop Nger Tour Convergência Média , , , , , , , , , , , , , , , , , , , , , , , , , , ,99 Tabela 4. Resultados AG: Grafo P11A 7. Trabalhos Relacionados Existem diversos trabalhos com a mesma temática proposta neste trabalho, pelo fato do problema ser NP completo a busca por algoritmos mais eficientes é grande além das técnicas aqui proposta de algoritmos genéticos esses trabalhos apresentam também, autômatos celulares, algoritmos aproximados, algoritmos gulosos dentre outras técnicas. O desenvolvimento deste trabalho utilizou como base dois trabalhos sobre o mesmo assunto, são eles (HELDER & JAQUELINA & PAULO & GINA) e (JAQUELINE & HELDER & GINA ). O primeiro faz uma comparação entre algoritmos genéticos e outros algoritmos enquanto o segundo usado para comparação de resultados principalmente, tem como objetivo encontrar e propor uma melhor configuração para o AG proposto. Os resultados foram diretamente comparados com o trabalho citado com objetivo de obter os resultados mais próximos possíveis, apesar dos trabalhos serem mais abrangentes fazendo comparações com outras técnicas para a solução de escalonamento de tarefas, o artigo proposto tem as mesmas finalidades e bons resultados.
8 8. Referências Campello, R. E. and Maculan, N. (1994). Universitária. Algorítmo e Heurísticas, EDUFF - Editora Linden, R. (2012). Algoritmos Genéticos (2a edição), BRASPORT. Luke, S. (2011). Essentials of Metaheuristics. Department of Computer Science, George Mason University, Lulu. Woodward, J. R. and Swan, J. (2011). Automatically designing selection heuristics. Proceedings of the 13th annual conference companion on Genetic and evolutionary computation. Dublin, Ireland, ACM: PAPINI, J. A. J.; LINHARES, H. R. G. Escalonamento de Tarefas em Multiprocessadores Baseados em Algoritmos Genéticos. [S.l.].
GA 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 maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia 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 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 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 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 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 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 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 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 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 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 maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia 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 maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
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 maisPROPOSAL OF AN EVOLUTIONARY COMPUTATION BASED SYSTEM FOR HANDLING THE SPACE ALLOCATION PROBLEM: THE CASE OF UNIVERSIDADE FEDERAL DE UBERLÂNDIA
PROPOSTA DE UM SISTEMA BASEADO EM COMPUTAÇÃO EVOLUTIVA PARA O TRATAMENTO DO PROBLEMA DE ALOCAÇÃO DE ESPAÇO FÍSICO: O CASO DA UNIVERSIDADE FEDERAL DE UBERLÂNDIA Guilherme Palhares Theodoro, Igor Santos
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 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 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 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
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 maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Introdução Um Algoritmo Genético (AG), conceitualmente, segue passos inspirados no processo biológico de evolução natural segundo a teoria de Darwin Algoritmos Genéticos seguem a idéia
Leia mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Edirlei Soares de Lima Algoritmos Genéticos Método de busca local. Boa abordagem para lidar com espaços de busca muito
Leia 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 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 maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
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 maisAlgoritmo Genético: um experimento comparativo entre a execução paralela com troca de indivíduos de populações e a não paralela.
Algoritmo Genético: um experimento comparativo entre a execução paralela com troca de indivíduos de populações e a não paralela. Marlos A. S. Lima 1, Davi Magalhães 2, F. C. de Lima Júnior 3, Rommel W.
Leia maisMarcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
Leia 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 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 maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia 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 maisAnálise de Desempenho de Estratégias de Particionamento de Grafos
Análise de Desempenho de Estratégias de Particionamento de Grafos Diogo T. Murata, Rodrigo M. Martins, Vanderson M. do Rosario, Anderson F. da Silva 1 Departamento de Informática - Universidade Estadual
Leia maisAplicação de algoritmos genéticos. Problema da Mochila (knapsack problem)
Aplicação de algoritmos genéticos Problema da Mochila (knapsack problem) Algoritmos genéticos Passos inspirados no processo biológico de evolução Ideia de sobrevivência dos mais adaptados Soluções cada
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 maisA IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES
A IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES Euzébio da Costa Silva 1, Victor Pereira Ribeiro 2, Susana Brunoro Costa de Oliveira 3 1 29520-000, euzebioprogramacao@gmail.com 2 29520-000, victor3ifes@gmail.com
Leia maisTeoria dos Grafos Aula 14
Teoria dos Grafos Aula 14 Aula passada MST Aula de hoje Construção de algoritmos Paradigma guloso Escalonando tarefas no tempo (interval scheduling) Projetando Algoritmos Dado um problema P, como projetar
Leia mais1 Introdução 1.1 Motivação
13 1 Introdução 1.1 Motivação O planejamento de tarefas é um trabalho de resultados economicamente importantes mas de uma dificuldade computacional muito grande. Os problemas de planejamento podem ser
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 maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 04 Módulos de População e Funções de Avaliação Max Pereira Tamanho da População O desempenho do algoritmo genético é extremamente
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 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 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 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 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 mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisAnálise empírica de algoritmos de ordenação
Análise empírica de algoritmos de ordenação Mario E. Matiusso Jr. (11028407) Bacharelado em Ciências da Computação Universidade Federal do ABC (UFABC) Santo André, SP Brasil mario3001[a]ig.com.br Resumo:
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 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 mais6 ESCALONAMENTO DE CPU
6 ESCALONAMENTO DE CPU O escalonamento de CPU é ponto chave da multiprogramação. Ela permite que haja mais de um processo em execução ao mesmo tempo. Em ambientes com um único processador, o escalonador
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
Leia maisProblema de Satisfação de Restrições. Problema de Satisfação de Restrições. Grafo de restrições. Exemplo: 4 Rainhas como um PSR
Problema de Satisfação de Restrições Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas
Leia maisProblema de Satisfação de Restrições
Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas para PSRs Problema de Satisfação
Leia maisVERIFICAÇÃO DO DECAIMENTO DE INFORMAÇÃO EM REDES NEURAIS RECORRENTES APLICADAS AO PROBLEMA DO MUNDO DE WUMPUS 1
VERIFICAÇÃO DO DECAIMENTO DE INFORMAÇÃO EM REDES NEURAIS RECORRENTES APLICADAS AO PROBLEMA DO MUNDO DE WUMPUS 1 Henrique Augusto Richter 2, Eldair Fabrício Dornelles 3, Márcia Da Silva 4, Rogério Samuel
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
Leia mais5 Projeto de Novos Polímeros Condutores
5 Projeto de Novos Polímeros Condutores Polímeros condutores constituem uma nova classe de materiais eletrônicos com propriedades incomuns, baseadas em novos fenômenos físicos, tendo aplicações com largo
Leia maisCOMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO E A FUNÇÃO SOLVER
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ARTES, CIÊNCIAS E HUMANIDADES SISTEMAS DE INFORMAÇÃO COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO
Leia maisSSC546 -Avaliação de Desempenho de Sistemas
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 -Avaliação de Desempenho de Sistemas Parte 1 -Aula 2 Sarita Mazzini Bruschi Material
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 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 maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia 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 maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro
Leia maisOtimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Leia maisAplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
Leia 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 maisUma Abordagem para o Escalonamento Estático de Tarefas em Multiprocessadores Baseada em Autômatos Celulares
Uma Abordagem para o Escalonamento Estático de Tarefas em Multiprocessadores Baseada em Autômatos Celulares Autor: Murillo G. Carneiro 1, Orientadora: Gina M. B. Oliveira 1 1 Programa de Pós-Graduação
Leia maisCaixeiro Viajante. Estruturas de Dados II. Prof. a Mariella Berger. 1. Objetivo
Estruturas de Dados II Prof. a Mariella Berger Caixeiro Viajante 1. Objetivo O objetivo deste trabalho é implementar diferentes soluções para o problema clássico do Caixeiro Viajante. 2. Introdução O Problema
Leia mais6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
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 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 maisUniversidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial. Algoritmo Memético
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Algoritmo Memético aplicação para o problema do caixeiro viajante Kelly Rodrigues Abreu Federico
Leia mais3 Montagem de Fragmentos
22 3 Montagem de Fragmentos A montagem de fragmentos é o passo seguinte ao sequenciamento do genoma. É a etapa onde os dados gerados são processados e obtém-se como resposta o mapeamento do genoma. A montagem
Leia maisDesempenho de computação paralela
Desempenho de computação paralela o paralelismo existente na aplicação decomposição do problema em subproblemas menores a alocação destes subproblemas aos processadores o modo de acesso aos dados: a existência
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia 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 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 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 mais3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
Leia 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 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 maisALGORITMOS GENÉTICOS EM EQUAÇÕES NÃO LINEARES PARA ESTIMATIVA DA TAXA MÁXIMA DE CRESCIMENTO DO FRUTO DA LICHIA
ALGORITMOS GENÉTICOS EM EQUAÇÕES NÃO LINEARES PARA ESTIMATIVA DA TAXA MÁXIMA DE CRESCIMENTO DO FRUTO DA LICHIA Lucas Eduardo de Oliveira APARECIDO 1 ; Nilva Alice GASPAR 2 ; Tiago Gonçalves BOTELHO³ RESUMO
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 maisOtávio Moura do Nascimento Leandro de Moraes
Otávio Moura do Nascimento Leandro de Moraes Job Shop m tarefas, divididas em n operações, devem ser executadas em k máquinas diferentes Cada máquina pode executar somente uma operação de cada vez As operações
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Prof. Augusto Baffa Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido.
Leia maisProblema do vendedor: uma abordagem via algoritmos genéticos
Problema do vendedor: uma abordagem via algoritmos genéticos Dandara de Almeida Machado 1, Juliana Verga Shirabayashi 1 1 Universidade Federal do Paraná (UFPR) Campus Jandaia do Sul dandaraalmeidaa@gmail.com;
Leia mais