Algoritmo genético para formação de células de fabricação
|
|
- Flávio Moreira Felgueiras
- 6 Há anos
- Visualizações:
Transcrição
1 Algoritmo genético para formação de células de fabricação Eduardo Vila Gonçalves Filho (EESC-USP) José Hamilton Chaves Gorgulho Júnior (UNIFEI) Ana Rita T. Terra Argoud (EESC-USP) Resumo Este trabalho apresenta um algoritmo genético para o projeto de células de manufatura. São abordadas a geração da população inicial, a codificação dos cromossomos, os operadores de cruzamento e mutação bem como os procedimentos de correção dos descendentes. No final um exemplo de aplicação é apresentado e discutido. Palavras chave: Algoritmo Genético, Arranjo Físico, Células de Fabricação. 1. Introdução O projeto da disposição das máquinas no chão de fábrica requer, a princípio, a definição do tipo de arranjo físico adequado às necessidades da produção. Além dos arranjos tradicionais como posicional, por produto (linha), por processo (funcional) e celular pode-se citar os arranjos fractal (VENKATADRI et al., 1997) e modular (IRANI & HUANG, 1998). O arranjo físico celular é indicado quando se tem média variedade de peças e tamanho de lote pequeno a médio. Além disso, quanto mais estável for a demanda e quanto maior for a vida dos produtos fabricados mais adequado se torna o arranjo físico celular. A implantação de um arranjo celular requer a formação das células, isto é, definição de quais máquinas pertencerão a cada célula e a disposição das máquinas dentro da célula. Na fase final faz-se o planejamento da posição das células na área disponível no chão de fábrica e define-se como a célula irá trabalhar (número de operadores, seqüenciamento das peças, ferramental etc). O problema de formação de células é foco de muitas pesquisas e trabalhos. Dentre as várias técnicas e metodologias usadas para esta atividade este trabalho irá abordar o problema usando um Algoritmo Genético (AG). 2. Algoritmos genéticos Os algoritmos genéticos foram inspirados nos princípios da genética e evolução natural. Cada indivíduo da população é definido por um cromossomo que, por sua vez, é formado por uma seqüência de genes. As mutações genéticas e o cruzamento de indivíduos levam a uma nova combinação de genes (Figura 1). De acordo com J. H. Holland apud Suresh et al. (1995) essas alterações permitem que a população possa se adaptar e gerar indivíduos melhores. Seleção Reprodução (Cruzamento) População Antiga População Intermediária População Nova Mutação e Inversão Figura 1 Princípio de trabalho de um algoritmo genético. ENEGEP 2004 ABEPRO 506
2 Um dos primeiros trabalhos relacionados com a formação de células utilizando algoritmos genéticos foi publicado por Venugopal & Narendran (1992). Esses autores usaram como cromossomo uma seqüência de números (string). Cada posição do cromossomo corresponde a uma máquina. Os números que formam o cromossomo indicam a qual célula a máquina pertence. A Figura 2 mostra do lado esquerdo um cromossomo composto por 9 máquinas. A codificação do cromossomo usa os numerais de 1 até 3, indicando portanto o uso de 3 células. Do lado direito da Figura 2 as células relacionadas com essa codificação estão explicitadas para melhor compreensão. M1 M2 M3 M4 M5 M6 M7 M8 M9 ( ) Célula 1: M1, M2 e M6 Célula 2: M3, M5 e M9 Célula 3: M4, M7 e M8 Figura 2 Codificação de cromossomo usada por Venugopal & Narendran (1992). Os autores definiram duas funções objetivo para avaliar os cromossomos a cada população: F 1 : minimização do volume de movimentos entre as células. F 2 : minimização da variação da carga total dentro da célula. As funções são dadas abaixo sem maiores explicações por limitação de espaço. Recomenda-se a leitura do artigo original para maiores detalhes (VENUGOPAL & NARENDRAN, 1992). n k F1 = N j y jl 1 (1) j= 1 l= 1 m k n xil ( wij mlj ) F2 = (2) i= 1 l= 1 j= 1 3. A proposta No projeto de um arranjo físico celular sempre nos confrontamos com dois problemas: o de formação das famílias de peças e o de formação dos correspondentes grupos de máquinas (células), onde essas famílias serão processadas. O algoritmo genético aqui proposto trata do problema de formação dos grupos de máquinas e assume que as peças serão designadas às células através de algum critério posterior. Por exemplo, podemos designar cada peça à célula que possuir o maior número de máquinas requeridas pela peça. Outra possibilidade seria utilizar um coeficiente de similaridade ou uma medida de distância (distância Hamming, Euclidiana etc) para determinar o grau de similaridade entre a peça e cada célula formada, alocando a peça à célula que apresentar o maior grau de similaridade com a peça. O algoritmo genético proposto neste trabalho pode ser explicado com base em cinco elementos: função objetivo, codificação do cromossomo, população inicial, processo de seleção e operadores dos cromossomos. Esses elementos são detalhados nos itens seguintes. 4. Função objetivo Neste trabalho propõe-se combinar as funções F 1 e F 2, como mostradas em (1) e (2), em uma única função objetivo. Dessa forma o algoritmo genético deverá minimizar a função F resultante: F= c 1. F 1 + c 2. F 2. As constantes c 1 e c 2 permitem refletir a importância de cada critério na formação das células. 2 ENEGEP 2004 ABEPRO 507
3 Foi necessário desenvolver um escalonamento para os valores de F 2 que são muito menores que F 1. O FatorEscala foi obtido dividindo a média de F 1 pela média de F 2. Dessa forma temse em (3) o valor da função objetivo para cada cromossomo: F i = c 1.F 1 + c 2. F 2. FatorEscala (3) É importante observar que o AG proposto neste trabalho poderia trabalhar com qualquer outra função objetivo. A escolha de F 1 e F 2 foi feita para se ter uma base de comparação de resultados. 5. Codificação do cromossomo A codificação adotada foi inspirada na codificação proposta por Falkenauer (1998). Cada cromossomo é representado por grupos de máquinas. A codificação usada na Figura 2, doravante denominada de Forma 1, é transformada em duas outras codificações denominadas Forma 2 e Forma 3. Como se pode observar na Figura 3, a Forma 2 apresenta diretamente as máquinas que compõem cada célula e que estão separadas pelo caractere /. Forma 1 Forma 2 Forma 3 ( ) ( / 2 3 / 4 7 9) (4 6 9) Célula 1 Célula 2 Célula 3 Figura 3 Codificação dos cromossomos. A codificação da Forma 3 indica que a primeira célula é formada pelas 4 primeiras máquinas, a segunda célula é formada por duas máquinas (6-4=2), que são a quinta e a sexta máquinas da Forma 2. Por fim o último numeral indica que a terceira célula é formada por 3 máquinas (9-6=3), ou seja, as três últimas máquinas da Forma 2. A Forma 3 é importante para o processamento do algoritmo. Todas as operações são feitas com os cromossomos na Forma Geração da população inicial A população inicial é gerada aleatoriamente. Cada indivíduo gerado é analisado para garantir que cada máquina pertença a somente uma célula (restrição 1) e que cada célula seja composta pelo menos por duas máquinas (restrição 2). Os parâmetros a serem informados são o número de tipos de máquinas disponíveis (M) e o número de células a serem formadas (K). O procedimento usado na geração da população inicial pode ser dividido em duas etapas: Etapa 1: Escolher aleatoriamente duas máquinas para cada célula entre as M máquinas disponíveis. Após isso tem-se 2K máquinas associadas e M-2K máquinas não associadas às células; Etapa 2: Escolher aleatoriamente uma máquina entre as máquinas restantes. Associar essa máquina a uma célula escolhida aleatoriamente. Repetir o passo 2 até que todas as máquinas estejam associadas às células. 7. Processo de seleção O processo de seleção irá se basear no valor da função objetivo obtido por cada cromossomo. Os cromossomos são classificados em ordem decrescente segundo seus valores. Para garantir que boas soluções não sejam perdidas no processo de seleção, as melhores soluções (em torno ENEGEP 2004 ABEPRO 508
4 de 5%) são transferidas integralmente para a nova população. Isso significa que 95% da população será submetida ao processo de seleção. O processo de seleção adotado foi o da roleta (Roulette Wheel) da forma proposta por Goldberg (1989). A cada cromossomo associa-se um valor de probabilidade dado pelo quociente entre o valor da função objetivo do cromossomo e a soma dos valores da função objetivo de todos os cromossomos da população. Valores maiores desse quociente indicam cromossomos mais adaptados e com maior possibilidade de serem escolhidos para sofrerem cruzamento. 8. Operadores dos cromossomos Foram definidos quatro operadores de cromossomos: cruzamento, mutação 1, mutação 2 e inversão. A mutação 1 e a inversão são operadores que não apresentam possibilidades de ferir as duas restrições já citadas. Já o cruzamento e a mutação 2 devem sofrer uma avaliação posterior para garantir que as restrições sejam obedecidas. Operador Cruzamento: assim que dois cromossomos são sorteados pela roleta aplica-se a probabilidade de cruzamento. Caso o cruzamento não ocorra os dois cromossomos são submetidos aos operadores de mutação 1 e 2 e transferidos para a nova população. Caso o cruzamento ocorra o seguinte procedimento é adotado: Passo 1: Definir o ponto de cruzamento sorteando um número inteiro aleatório entre 1 e K-1; Passo 2: Gerar os cromossomos filhos trocando os grupos de máquinas à direita do ponto de cruzamento na Forma 2. A Figura 4 apresenta dois cromossomos pai na Forma 2 e o resultado do cruzamento, assumindo que o ponto de cruzamento seja na segunda posição (ou seja, trocam-se os genes da terceira posição em diante). Pais ( / / / / ) Filhos ( / ) / 3 10 / / (1 8 / / 3 10 / / ) (1 8 / / / / ) Figura 4- Exemplo de cruzamento. Passo 3: Corrigir os cromossomos filhos evitando alterar os grupos que foram trocados. Com o cruzamento proposto, máquinas podem aparecer em mais de um grupo. Além disso, pode ocorrer de algum grupo ficar com apenas 1 máquina. A primeira correção consiste em remover as máquinas duplicadas, caso existam. A segunda correção é a alocação aleatória das máquinas faltantes, inicialmente nos grupos com apenas 1 máquina. Caso todos os agrupamentos possuam o número mínimo de máquinas então as máquinas faltantes são designadas aleatoriamente a qualquer grupo. A Figura 5 ilustra a correção de um cromossomo filho gerado na Figura 4. ENEGEP 2004 ABEPRO 509
5 Remoção das máquinas duplicadas: 3, 10 e Adição das máquinas faltantes: 7 e 15. Recodificação da Forma Figura 5 Correção do cromossomo filho 1. Operador Mutação 1: na aplicação desse operador, que ocorre na Forma 2, sorteiam-se aleatoriamente dois números inteiros entre 1 e K, que representarão os grupos que sofrerão mutação no cromossomo. Em seguida sorteia-se uma máquina de cada grupo escolhido. As máquinas são então trocadas. Nota-se que não ocorre alteração no número de máquinas dos grupos envolvidos e também não existe a possibilidade de duplicação ou falta de alguma máquina. Essa mutação é exemplificada na Figura 6. Grupos selecionados: 2 e 5 Elementos sorteados: grupo 2=1 e grupo 5= 3 Antes da mutação: ( / / / / ) Depois da mutação: ( / / / / 7 9 2) Figura 6 - Exemplo da mutação 1. Operador Mutação 2: sorteia-se aleatoriamente um número inteiro entre 1 e K-1, que irá representar a fronteira entre dois grupos. Sorteia-se também uma direção (esquerda ou direita). A mutação consiste simplesmente em mover a fronteira uma posição na direção sorteada. Esse operador é aplicado somente se a restrição 2 não for violada. A Figura 7 ilustra essa mutação. Número inteiro sorteado: 3 Direção sorteada: direita Antes da mutação: ( / / / / ) Depois da mutação: ( / / / / ) Figura 7- Exemplo da mutação 2. Operador Inversão: este operador deve ser aplicado antes que o cruzamento ocorra. Sua probabilidade de ocorrência é baixa, mas quando ocorre, o primeiro cromossomo do par escolhido para cruzamento é reescrito de forma invertida, como mostra a Figura 8. ENEGEP 2004 ABEPRO 510
6 Antes da inversão: ( / / / / ) Depois da inversão: ( / / / / ) Figura 8- Exemplo do operador inversão. 9. O algoritmo proposto O algoritmo foi implementado em Visual Basic 6 para execução de testes e segue os passos apresentados pela Figura 9. Passo 1 Entrada de dados. Fornecer os valores dos parâmetros do Quadro 1 e os dados de tempos de fabricação, preparação (setup) e demanda para cada produto. Passo 2 Gerar a população inicial. Passo 3 Calcular o valor da função objetivo para cada elemento da população inicial. Passo 4 Reescrever cada cromossomo da população nas formas 2 e 3. Passo 5 Determinar as melhores soluções (5%) da população inicial e levar para a nova população. Passo 6 Selecionar os cromossomos para cruzamento usando o procedimento da roleta. Se o cruzamento não ocorrer vá para o Passo 7. Se o cruzamento for ocorrer aplique o operador de inversão seguido do operador de cruzamento. Corrija os cromossomos descendentes se necessário. Passo 7 Aplique os operadores de mutação aos cromossomos resultantes no Passo 6 se a probabilidade de mutação ocorrer. Passo 8 Calcule o valor da função objetivo para cada elemento da nova população. Passo 9 Substitua a população antiga pela nova. Passo 10 Teste se o número de gerações foi alcançado. Em caso afirmativo, mostre a melhor solução contida na população e termine o algoritmo. Em caso negativo volte ao passo 5. Figura 9 Algoritmo proposto. 10. Parâmetros Os parâmetros requeridos pelo algoritmo genético proposto estão apresentados no Quadro 1, juntamente com os valores usados no teste discutido na seção 11. Parâmetro Valor Número de peças 30 K (número de células a serem formadas) 3 Tamanho do cromossomo (tipos de máquinas disponíveis) 15 Número de elementos da população 40 Número de gerações a explorar 200 Probabilidade de cruzamento 0,85 Probabilidade de mutação 1 0,10 Probabilidade de mutação 2 0,05 Probabilidade de inversão 0,10 Quadro 1 - Parâmetros e valores típicos. ENEGEP 2004 ABEPRO 511
7 Observa-se pelo Quadro 1 que a probabilidade de cruzamento é bastante alta enquanto as probabilidades de mutação e inversão são muito menores. As mutações e a inversão procuram manter uma diversidade dentro da população de cada geração. 11. Exemplo de aplicação Vários testes foram realizados com diferentes números de máquinas e peças. Em virtude da limitação de espaço, comentaremos a aplicação do algoritmo na matriz contendo 15 máquinas e 30 peças utilizada por Venugopal & Narendran (1992). O Quadro 2 mostra a matriz inicial e o Quadro 3 mostra a matriz diagonalizada obtida pelo algoritmo proposto. O resultado é o mesmo que o apresentado pelos autores citados. Máquinas Peças Demanda Quadro 2 Matriz peça-máquina inicial (VENUGOPAL & NARENDRAN, 1992). Máquinas Peças Demanda Quadro 3 Matriz peça-máquina diagonalizada (solução). ENEGEP 2004 ABEPRO 512
8 A Figura 10 mostra uma evolução típica dos valores de F 1 e F 2 durante o processamento do algoritmo no caso da matriz do Quadro 2. Observa-se que após um certo número de gerações o algoritmo converge para a solução ótima. Também foram realizados diversos testes com uma matriz composta por 50 máquinas e 150 peças (ZOLFAGHARI & LIANG, 1997). A solução deste problema consiste de 6 células e foi encontrada pelo AG após 7000 gerações (valor médio determinado após 30 aplicações do algoritmo). Explica-se o número maior de gerações pela extrema complexidade do problema. Atualmente, nenhum algoritmo exato pode resolver este problema em um tempo de computação adequado ou aceitável. Movimentos entre células Variação total de carga dentro da célula Fitness F1 F 1 min F 1avg Fitness F F 2min F 2avg Geração Geração Figura 10 Evolução dos valores de F 1 e F 2 em função do número de gerações. 12. Comentários finais O algoritmo proposto possui diversas características novas, sendo algumas delas inéditas tais como a geração da população inicial, a codificação dos cromossomos na forma de grupos em vez de máquinas individuais, os operadores de cruzamento e mutação que trabalham diretamente com os grupos e o procedimento de correção dos descendentes. As soluções encontradas nos testes realizados fornecem informações importantes sobre as possíveis células que podem ser implementadas. Porém, por se tratar de uma heurística não se pode garantir que a melhor solução tenha sido encontrada. É necessário rodar o algoritmo diversas vezes para se ter a certeza de termos encontrado a melhor solução. Também quando não se sabe o número de células é necessário variar esse valor como dado de entrada do algoritmo e comparar as diferentes soluções obtidas. Os testes realizados mostraram que o número de gerações necessárias para se obter uma boa solução aumenta com o aumento do número de máquinas e com o número de células desejado. Referências FALKENAUER, E. (1988) - Genetic algorithms and grouping. John Wiley & Sons Ltd. GOLDBERG, D. E. (1989) - Genetic algorithm in search, optimization, and machine learning. Addison-Wesley. IRANI, S. A & HUANG, H. (1998) - Layout modules: a novel extension of hybrid cellular layouts. ASME International Mechanical Engineering Congress & Exposition. Winter Annual Meeting of the ASME. Anahein, CA. November SURESH, G.; VINOD, V. V. & SASHU, S. (1995) - A genetic algorithm for facility layout. International Journal of Production Research. Vol 33, n.11, p VENKATADRI, U.; RARDIN, R. L. & MONTREUIL, B. (1997) - A design methodology for fractal layout organization. IEE Transactions. Vol 29, p VERNUGOPAL, V. & NARENDRAN, T. T., (1992) - A genetic algorithm approach to the machine-component grouping problem with multiple objectives. Computers in Industrial Engineering. Vol 22, n.4, p ZOLFAGHARI, S. & LIANG, M. (1997) - An objective-guided ortho-synapse Hopfield network approach to machine grouping problems. International Journal of Production Research. Vol.35, n.10, p ENEGEP 2004 ABEPRO 513
PROJETO DE ARRANJO FÍSICO MODULAR: UMA ABORDAGEM POR ALGORITMO GENÉTICO DE AGRUPAMENTO
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PROJETO DE ARRANJO FÍSICO MODULAR: UMA ABORDAGEM
Leia maisAlgoritmo genético de agrupamento para projeto de layout modular
Algoritmo genético de agrupamento para projeto de layout modular Ana Rita T. Terra Argoud (EESC-USP) arterra@sc.usp.br Eduardo Vila Gonçalves Filho (EESC-USP) evila@sc.usp.br Alexandre José Tiberti (EESC-USP)
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 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 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 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 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 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 maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia 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 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 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 maisTG: Tecnologia de Grupo (Group Technology)
UNIFEI EME006 - Automação Industrial TG: Tecnologia de Grupo (Group Technology) Aula 02 Prof. José Hamilton Chaves Gorgulho Júnior 1 TG Conjunto de métodos e técnicas que buscam obter famílias de peças
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia 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 mais2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL
2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL Esta dissertação trata da pesquisa e análise dos métodos existentes que utilizam arranjo matricial (array-based clustering), para obtenção
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 maisNova abordagem na geração de arranjo físico maximamente distribuído
Nova abordagem na geração de arranjo físico maximamente distribuído José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Eduardo Vila Gonçalves Filho (EESC-USP) evila@sc.usp.br Resumo
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 maisAnálise do desempenho dos arranjos físicos distribuídos operando sob roteamento de peças com flexibilidade de seqüenciamento
Análise do desempenho dos arranjos físicos distribuídos operando sob roteamento de peças com flexibilidade de seqüenciamento José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Eduardo
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 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 maisAlgoritmo genético de agrupamento para formação de módulos de arranjo físico
Algoritmo genético de agrupamento para formação de módulos de arranjo físico Resumo Ana Rita Tiradentes Terra Argoud Eduardo Vila Gonçalves Filho Alexandre José Tiberti O projeto de arranjo físico modular
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 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 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 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 mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP
ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP Gilson Rogério Batista, Gideon Villar Leandro Universidade Regional do Noroeste do Estado do Rio
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 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 maisUma solução computacional para geração automática de peças com flexibilidade de processo para simulação
Uma solução computacional para geração automática de peças com flexibilidade de processo para simulação José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Eduardo Vila Gonçalves Filho
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 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 maisFORMAÇÃO ESPONTÂNEA DE CÉLULAS FRACTAIS NA MAXIMIZAÇÃO DA DISTRIBUIÇÃO DE MÁQUINAS EM ARRANJOS FÍSICOS
FORMAÇÃO ESPONTÂNEA DE CÉLULAS FRACTAIS NA MAXIMIZAÇÃO DA DISTRIBUIÇÃO DE MÁQUINAS EM ARRANJOS FÍSICOS José Hamilton Chaves Gorgulho Júnior Universidade Federal de Itajubá (UNIFEI) Av. BPS, 1303, Bairro
Leia maisAlgoritmos Genéticos
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Algoritmos Genéticos David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Algoritmos Genéticos 2 Objetivos Introduzir os principais
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
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 maisEscalonador de Ordens de Produção Utilizando Algoritmos Genéticos
Escalonador de Ordens de Produção Utilizando Algoritmos Genéticos Nome: Wilian Kohler Supervisor na FURB: Prof. Jomi Fred Hübner Orientador na Empresa: Evaldo Moresco Jr. Empresa: Metalúrgica Siemsen Ltda.
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia 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 maisANÁLISE DO DESEMPENHO DOS ARRANJOS FÍSICOS DISTRIBUÍDOS OPERANDO SOB ROTEAMENTO DE PEÇAS COM FLEXIBILIDADE DE SEQÜENCIAMENTO
Universidade Tecnológica Federal do Paraná - UTFPR Campus Ponta Grossa - Paraná - Brasil ISSN 1808-0448 / v. 03, n. 01: p. 01-12, 2007 ANÁLISE DO DESEMPENHO DOS ARRANJOS FÍSICOS DISTRIBUÍDOS OPERANDO SOB
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisOtimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
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 maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisUma solução computacional para geração automática de peças com flexibilidade de processo para simulação
Uma solução computacional para geração automática de peças com flexibilidade de processo para simulação Eduardo Vila Gonçalves Filho (EESC USP) evila@sc.usp.br José Hamilton Chaves Gorgulho Júnior (UNIFEI)
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 maisIA: Inteligência Artificial
UNIFEI Os Sistemas Especialistas DENDRAL ~ 1960 EME006 - Automação Industrial IA: Inteligência Artificial Aula 12 Prof. José Hamilton Chaves Gorgulho Júnior Edward Feigenbaum 1936 - Joshua Lederberg 1925-2008
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 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 maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia maisBreve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Leia maisUtilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real
Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real Amarildo de Vicente 1, Rogério Luis Rizzi 1 1 Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia 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 maisSOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS
Universidade Federal do Tocantins SOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS Diogo Rigo de Brito Guimarães Alexandre Tadeu Rossini da Silva Objetivo Implementar soluções heurísticas para o Jogo de Damas
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 maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisTECNOLOGIA DE GRUPO. Introdução Aplicação da razão associação de objetos similares Biólogos; Bibliotecários classificação Manufatura
Introdução Aplicação da razão associação de objetos similares Biólogos; Bibliotecários classificação Manufatura Uma família de projeto Tecnologia de Grupo (GT) a percepção de que muitos problemas são similares,
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 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 maisMODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES
MODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES Alexandre Lucas Chichosz Discente do curso Engenharia da Computação Calwann de Souza Freire Discente do curso Engenharia da Computação Myke Albuquerque Pinto
Leia maisMODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES
MODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES Alexandre Lucas Chichosz Graduando em Engenharia da Computação, Faculdades Integradas de Três Lagoas FITL/AEMS Calwann de Souza Freire Graduando em Engenharia
Leia maisFlexibilidade de Sequenciamento
Universidade Federal de Itajubá - UNIFEI Instituto de Engenharia de produção e Gestão - IEPG EPR-03 Automação da Manufatura Notas sobre: Flexibilidade de Sequenciamento Prof. José Hamilton Chaves Gorgulho
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 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 maisSistemas de Apoio à Decisão Optimização V 2.0, V.Lobo, EN/ISEGI, 2011
V.0, V.Lobo, EN/ISEGI, 0 ópicos Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Métodos matemáticos clássicos Método de Monte Carlo Hill- Climbing Simulated Annealing Algoritmos Genéticos
Leia 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 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 maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia maisAPLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Leia maisUma abordagem para resolução do problema de localização de atividades econômicas
Uma abordagem para resolução do problema de localização de atividades econômicas Jacqueline Magalhães Rangel Cortes (UCAM-Campos) jacqueline@ucam-campos.br Geraldo Galdino de Paula Junior (UENF) galdino@uenf.br
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
Leia 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 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 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 maisOrganização de um sistema de produção em células de fabricação utilizando redes neurais
Organização de um sistema de produção em células de fabricação utilizando redes neurais Deise Mota Alves (USP) deisemalves@gmail.com Ricardo Coser Mergulhão (UFSCar) mergulhão@dep.ufscar.br Adilson Gonzaga
Leia maisLista de Exercícios - Modelagem de representação cromossômica e função fitness
Lista de Exercícios - Modelagem de representação cromossômica e função fitness Para cada um dos problemas descritos abaixo: crie uma ou mais representações cromossômicas capazes de representar uma solução
Leia maisAlgoritmos Genéticos. 1 Semestre de Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Algoritmos Genéticos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 2 Introdução Darwin Naturalistas: cada espécie havia sido criada separadamente
Leia mais4 EXEMPLOS DE APLICAÇÕES DA MATRIZ EXPANDIDA
4 EXEMPLOS DE APLICAÇÕES DA MATRIZ EXPANDIDA Neste capítulo serão abordados exemplos das três alternativas de execução da matriz expandida de acordo com o comportamento da Estrutura Bloco Diagonal do fluxograma
Leia maisEEL - USP. Aula 2 Projeto do Produto, do processo e planejamento da produção. Prof. Dr. Geronimo
EEL - USP Aula 2 Projeto do Produto, do processo e planejamento da produção Prof. Dr. Geronimo O processo de planejamento de instalações voltadas para a produção de montagem pode ser listado: 1. Definir
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 maisOtimização. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia maisOTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS C. de O. GONÇALVES 1, E. M. QUEIROZ 2, F. L. P. PESSOA 2, F. S. LIPORACE 3, S. G. OLIVEIRA 3 e A. L. H. COSTA 1
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 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 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 maisAprendizado por Reforço usando Aproximação
Aprendizado por Reforço usando Aproximação de Funções Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aproximação de Funções 2. Do the evolution 1 Aproximação de Funções Função Utilidade
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia mais