ALGORITMO GENÉTICO MULTIOBJETIVO: SISTEMA ADAPTATIVO COM ELITISMO
|
|
- Cacilda de Almeida Chaves
- 6 Há anos
- Visualizações:
Transcrição
1 ALGORITMO GENÉTICO MULTIOBJETIVO: SISTEMA ADAPTATIVO COM ELITISMO Alípio Monteiro Barbosa, Lucas de Carvalho Ribeiro 2, João Matheus de Oliveira Arantes 3 Programa de Pós-Graduação em Engenharia Elétrica, UFMG, Belo Horizonte, Brasil, alipiomonteiro@yahoo.com.br 2 Divisão de Engenharia Eletrônica, ITA, São José dos Campos, Brasil, lcarvalho.ribeiro@hotmail.com 3 Divisão de Engenharia Eletrônica, ITA, São José dos Campos, Brasil, jm.arantes@yahoo.com.br Abstract: Métodos de otimização multiobjetivo têm como principais finalidades minimizar a distância entre a frente não dominada e a frente pareto ótimo e encontrar um conjunto de soluções que sejam as mais diversas possíveis. Na expectativa de trilhar caminhos para alcançar esses objetivos, foi desenvolvido um algoritmo genético adaptativo com elitismo (ANSGA). O conceito de população externa e operadores adaptativos foi adotado. Três problemas teste foram avaliados como um indicativo do desempenho do algoritmo adaptativo. Keywords: Algoritmo genético, otimização multiobjetivo, sistema adaptativo.. INTRODUÇÃO Os Algoritmos Genéticos (AGs) são métodos de busca estocástica que imitam matematicamente os mecanismos de evolução natural das espécies, compreendendo processos de evolução genética de populações, sobrevivência e adaptação dos indivíduos []. As aplicações de tal ferramenta matemática é limitada apenas pela imaginação do pesquisador, tendo aplicações em economia [], logística [5], petróleo e gás [9], telecomunicações [8], dentre outras. Tendo isto em vista, os AGs são as mais difundidas e estudadas técnicas de Computação Evolucionária. A dificuldade de obtenção de soluções ótimas pelos métodos convencionais de otimização faz dos Algoritmos Evolucionários (AEs) uma das técnicas mais eficientes para otimização multiobjetivo. Entretanto, a tomada de decisões implica num processo que consiste em vários fatores, com o objetivo de encontrar a melhor solução. Nas últimas décadas, um bom número de algoritmos evolucionários multiobjetivos apareceu na literatura, dentre eles podem ser citados: VEGA (984), MOGA (993), NSGA (993), NPGA (993), SPEA (998), NSGA II (22), WBGA (992), PPES (998), TGA (996), Micro- GA (2), etc. Todos com grande habilidade de encontrar várias soluções ótimas e vasta aplicação real [6, 7, 2, 3]. Os métodos de otimização multiobjetivo têm dois objetivos principais: minimizar a distância entre a frente não dominada e a frente pareto ótimo e encontrar um conjunto de soluções diversificada. Em contrapartida, os AEs buscam solucionar dois problemas: o procedimento de avaliação e seleção dos algoritmos de forma a garantir uma busca eficiente para o conjunto pareto ótimo e uma forma de manter a diversidade da população evitando a convergência prematura. Vários pesquisadores buscam técnicas para garantir a manutenção de soluções distintas e mais próximas da fronteira pareto ótimo durante o processo evolucionário, o que mantém um bom espalhamento das soluções [4, ]. Entretanto, os algoritmos, usualmente, empregam unicamente um operador de mutação e um operador de cruzamento. Operadores genéticos tem sido o foco de várias pesquisas na tentativa de melhorar a performance dos AEs. Coelho e Alotto [2] trabalharam com um operador de cruzamento com característica caótica na tentativa de obter melhorias no processo evolucionário. Com base na característica dinâmica dos processos evolucionários, este trabalho propõe operadores de mutação e cruzamento adaptativos. Esses operadores utilizam informações atuais do sistema para decidir as taxas correntes de operação. Nesse contexto, o algoritmo genético adaptativo com elitismo (ANSGA) foi desenvolvido fundamentado no NSGA II proposto por Deb et al. [3]. O restante do trabalho está dividido conforme a seguir. A Seção 2 descreve o NSGA II e o ANSGA proposto. Em seguida, são analisados três problemas teste cuja performance de ambos os algoritmos é verificada. E por fim, na Seção 5 os resultados são apresentados e discutidos. 2. ALGORITMOS DE OTIMIZAÇÃO Nesta seção dois algoritmos de otimização multiobjetivo são descritos. O Non-Dominated Sorting Genetic Algorithm (NSGA-II) [3] e o algoritmo proposto, NSGA adaptativo (ANSGA), uma extensão do NSGA II. Serra Negra, SP - ISSN
2 2.. Non-Dominated Sorting Genetic Algorithm (NSGA II) Deb et al. [3] propuseram o NSGA II levando em conta a necessidade de diminuir a complexidade computacional na classificação não-dominada, introduzir o elitismo e eliminar a subjetividade na atribuição do parâmetro de compartilhamento. O algoritmo NSGA II (Figura ) trabalha com uma população filha (derivada da população pai) criada utilizando a seleção por torneio de multidão que consiste na comparação de duas soluções. Para ter-se uma estimativa da densidade das soluções que cercam uma solução particular na população, calcula-se a distância comum entre a solução anterior e a posterior ao longo de cada um dos objetivos. Esta distância serve de estimativa do tamanho do maior cubóide que inclui a solução i sem incluir qualquer outra solução da população. Uma solução i vence outra solução j se: a solução i tem um rank melhor, então, r i <r j. ambas as soluções tem o mesmo rank, mas i tem uma distância melhor do que j, então, r i = r j e di > dj. Após a seleção faz-se a recombinação e a mutação como nos Algoritmos Genéticos convencionas. Os dois conjuntos (pai e filho de mesma dimensão) são unidos em uma única população (dimensão 2) e aplica-se a classificação não dominada em frentes de dominância. Dessa forma garante-se o elitismo preservando as melhores soluções (frentes não dominadas) na população posterior. Contudo, nem todas as frentes podem ser incluídas na nova população. Dessa forma Deb et al. [3] propuseram um método denominado distância de multidão (Figura 2), que combina as frentes não incluídas no conjunto, para compor os últimos espaços da população corrente, garantido a diversidade da população ANSGA O termo adaptativo é definido na biologia como uma conformação vantajosa de um organismo a mudanças no seu ambiente. Inspirado por esta definição, o termo adaptativo foi introduzido na teoria dos algoritmos genéticos. A característica adaptativa foi inserida no cruzamento e mutação. Estes são dois operadores básicos de AG dos quais o desempenho é dependente. O tipo e a implementação desses operadores dependem da codificação e também do problema. A probabilidade de cruzamento é a freqüência na qual o cruzamento é realizado. Se não houver cruzamento, a descendência é uma cópia exata dos pais. Se ocorre o cruzamento, a descendência é constituída de partes dos cromossomos de ambos os pais. Os cruzamentos são realizados na esperança de que os novos cromossomos contenham partes boas dos cromossomos antigos e que portanto os novos cromossomos serão melhores. A probabilidade de cruzamento adaptativo é definida pela Equação. Onde ng é o número total de gerações e t éa geração corrente. Figura Fluxograma geral do NSGA II. Figura 2 Cálculo da distância de multidão do NSGA II. Pcru =, 9 8, 8e ( ),3t 2 2ng O comportamento da probabilidade de cruzamento é mostrado na Figura 3. Com o passar das gerações a taxa de cruzamento aumenta com o objetivo de que os novos indivíduos tenham as partes boas dos indivíduos antigos. A probabilidade de mutação determina a freqüência que partes dos cromossomos sofrerão mutação. Se não houver mutação, a descendência é gerada imediatamente após o cruzamento (ou copiada diretamente) sem nenhuma alteração. Se a mutação ocorre, uma ou mais partes do cromossomo é alterada. Se a probabilidade de mutação é %, todos os cromossomos são alterados, se é %, nenhum é alterado. A mutação em geral evita que o AG caia num extremo (mínimo ou máximo) local. A probabilidade de mutação adaptativa é definida pela Equação 2. O intuito é que o início do processo evolucio- () Serra Negra, SP - ISSN
3 P ro b a b ilid a d e d e C ru z a m e n to G e r a ç õ e s Figura3 Probabilidade adaptativa de cruzamento. ng =. nário tenha uma baixa taxa de mutação, ou seja, pouca alteração das partes cromossômicas. Essa taxa adapta-se ao sistema conforme o passar das gerações. O comportamento da probabilidade de mutação é mostrado na Figura 4. Pmut =, 9 8, 8e (,2t 2 2ng ) (2) externa. O algoritmo termina ao atingir o número máximo de gerações. Figura 5 Fluxograma do ANSGA. Destaque para os operados e para a população externa. P ro b a b ilid a d e d e M u ta ç ã o G e r a ç õ e s Figura 4 Probabilidade adaptativa de mutação. ng = Etapas do procedimento iterativo do ANSGA O ANSGA foi implementado de acordo com o fluxograma apresentado na Figura 5. O ANSGA inicia-se da mesma forma que o NSGA II (Seção 2.). Após gerar a população inicial e classificá-la, aplica-se o operador de seleção e os operadores adaptativos (conforme geração corrente) e a população filha é gerada. Da população total (R t ), os melhores indivíduos são selecionados e alocados (por critério de não dominância) em uma população externa. No fim do procedimento une-se a população corrente com a população 3. ESTUDO DE CASO O estudo de caso é composto por três problemas teste com diferentes níveis de dificuldade. O objetivo é verificar o comportamento dos algoritmos em condições extremas e validar, por meio das métricas de performance (Seção 4), o algoritmo proposto. Os problemas teste são descritos a seguir. Problema : O primeiro problema é a função de Rastrigin com restrições, conforme Equação 3. min f(x) = {f (x),f 2 (x)} (3) s.a. g i (x) =sen(2πx i )+, 5 h j (x) =cos(2πx j )+, 5= Onde: 5, 2 x i 5, 2 e i = j =, 2,...,5 n f (x) =n + [(x 2 i 4) cos(2π(x 2 i 4))] i= f 2 (x) =n + n [(x 2 i cos(2πx i )] i= A Figura 6 ilustra o mapeamento do espaço no círculo trigonométrico (a curva em cor vermelha identifica a faixa de ângulos 2πx i que satisfazem uma dada restrição de desigualdade g i (x). Ambas as linhas em azul pontilhado identificam os ângulos que satisfazem a restrição de igualdade. Entretanto, somente o ângulo em pontilhado com traço grosso é Serra Negra, SP - ISSN
4 aquele que satisfaz às restrições de igualdade e desigualdade simultaneamente. Logo, o algoritmo deverá encontrá-lo, o qual corresponde a 2πx i =2π ( 2 3). A solução deverá ser x i = { 2 3,..., 3} 2. A fronteira de pareto para o problema consiste em um único ponto. 8. A fronteira de pareto do problema 3 é mostrada na Figura Figura 6 Mapeamento do espaço no círculo trigonométrico. Problema f Problema 2: O segundo problema consiste na minimização de duas funções (f (x) e f 2 (x)), variável (x [, ]), conforme se segue: Figura8 Fronteira pareto ótimo. Problema f (x) = x f 2 (x) = x x sen(πx ) A fronteira de pareto do problema 2 é mostrada na Figura MÉTRICAS DE PERFORMANCE As metas de Otimização Multiobjetivo são encontrar soluções o mais perto possível da fronteira de pareto e obter a maior diversidade de soluções na fronteira. A seguir são descritas as métricas utilizadas para verificar o desempenho do algoritmo proposto. Distância Geracional Esta métrica (ilustrada na Figura 9) calcula explicitamente a proximidade de um conjunto com N soluções para o conjunto de pontos ótimos de Pareto P por meio da Equação f ( n ) i= GD d2 2 i (4) n onde n é o número de pontos não-dominados e d i é a distância euclidiana (no espaço de busca). Figura 7 Fronteira pareto ótimo. Problema 2. Problema 3: Consiste na minimização de duas funções (f (x) e f 2 (x)), 6 variáveis (x i [ 4, 4]), conforme se segue: f (x) = f 2 (x) = 6 i= x 2 i 6 (x i 2) 2 i= Figura 9 Distância geracional [3]. Serra Negra, SP - ISSN
5 Espalhamento Tem a finalidade de verificar a diversidade entre as soluções não dominadas de uma população. A Figura ilustra essa métrica. mostrados nas Figuras 2, 3 e 4 para os problemas, 2 e 3, respectivamente. A Tabela apresenta os resultados das métricas. Tomou-se o NSGA II como padrão e realizou-se a análise das métricas (Seção 4). Comparando as métricas de avaliação, é possível verificar que o algoritmo apresenta melhores soluções no problema. Uma vez que, o espalhamento é consideravelmente maior do que os dos outros casos para um volume menor. Além disso, a distância é a menor observada entre as três análises. No entanto, o desempenho computacional fica a desejar com um tempo de processamento um pouco maior. E ainda, apresenta uma baixa convergência, conforme observado na Figura 2. Já para as análises 2 e 3, os volumes são praticamente os mesmos. Porém, nota-se que o espalhamento é maior para o terceiro caso, além de um esforço computacional menor. Nos dois casos, observa-se uma convergência adequada (Figuras 3 e 4). Figura Espalhamento (spread) [3]. Cardinalidade Número de soluções não dominadas encontrada. Em teoria dos conjuntos, cardinalidade é uma forma de medir a quantidade de elementos de um conjunto. Tempo de Processamento Essa métrica tem a finalidade de comparar o tempo computacional gasto pelo algoritmo para propor a solução. Representa diretamente o esforço computacional. É desejado algoritmos com bons resultados e baixo esforço computacional. Volume Ilustrado na Figura, representa o volume definido do eixo à fronteira pareto encontrada. Para problemas de minimização, quanto menor o volume melhor N S G A II A N S G A f Figura 2 Fronteira pareto para o Problema, 5 indivíduos e gerações. O quadrado em verde próximo à origem caracteriza o ponto ótimo. Figura Métrica volume. 5. RESULTADOS E DISCUSSÕES Os algoritmos NSGA II e ANSGA foram avaliados conforme problemas teste (Seção 3). Os resultados gráficos são 6. CONCLUSÕES Neste trabalho, foi desenvolvido um algoritmo genético adaptativo ANSGA. Com base nos resultados apresentados, o algoritmo mostrou-se eficiente para os problemas testados. Os primeiros resultados apontam que a abordagem proposta pode aprimorar a performance dos algoritmos evolucionários. Contudo, os problemas com restrições ainda necessitam de maior atenção. Os algoritmos evolucionários atendem diversas áreas da ciência e cada problema adéqua-se melhor a uma determinada topologia [4]. AGRADECIMENTOS Aos colegas do PPGEE/UFMG, ao Daniel, parceiro do GCoM, pelas fundamentais dicas e ao CNPq e CAPES. Serra Negra, SP - ISSN
6 Tabela Resultado das métricas. NSGA II Referência, %. 5 execuções, População = 5, Gerações =. Sistema de Avaliação de Algoritmos Multiobjetivo (%) ANSGA II Cardinalidade Tempo Distância Espalhamento Volume Problema Problema Problema N S G A II A N S G A f Figura 3 Fronteira pareto para o Problema 2, 5 indivíduos e gerações. A linha preta éafronteira ótima N S G A II A N S G A f Figura 4 Fronteira pareto para o Problema 3, 5 indivíduos e gerações. A linha preta éafronteira ótima. Referências [] Cheung, P. B. [24]. Análise de reabilitação de redes de distribuição de água para abastecimento via algoritmos genéticos multiobjetivo, PhD thesis, Escola de Engenharia de São Carlos da Universidade de São Paulo. [2] Coelho, S. L. e Alotto, P. [28]. Multiobjective electromagnetic optimization based on a nondominated sorting genetic approach with a chaotic crossover operator, IEEE Transactions on Magnetics 44(6): [3] Deb, K., Pratap, A., Agarwal, S. e Meyarivan, T. [22]. A fast and elitist multiobjective genetic algorithm: NSGA II, IEEE Transactions on Evolutionary Computation 6(2): [4] Diosan, L. e Oltean, M. [27]. Who s better? PESA or NSGA II?, Proc. Seventh International Conference on Intelligent Systems Design and Applications ISDA 27, pp [5] Heinen, M. R. e Osório, F. S. [26]. Algoritmos genéticos aplicados ao problema de roteamento de veículos, Hífen Uruguaiana 3(58). [6] Ippolito, M. G., Morana, G., Riva Sanseverino, E. e Vuinovich, F. [2]. Nsga-based multiobjective optimisation for modular strategical planning of electric distribution systems, Proc. IEEE International Conference on Systems, Man, and Cybernetics, Vol. 5, pp [7] Kim, Y. e Walton, E. K. [26]. Automobile conformal antenna design using non-dominated sorting genetic algorithm (nsga), IEE Proceedings -Microwaves, Antennas and Propagation 53(6): [8] Lima, M. M. [22]. Utilizando algoritmos genéticos no dimensionamento de call center, Revista de Inteligência Computacional Aplicada. [9] Linden, R. [26]. Algoritmos Genéticos, Editora Brasport. a edição. [] Meiyi, L., Zixing, C. e Guoyun, S. [24]. An adaptive genetic algorithm with diversity guided mutation and its global convergence property, Journal of Central South University of Technology (3): [] Mendes, L. P. V. [2]. Algoritmos genéticos aplicados a séries temporais em mercados cambiais, PhD thesis, Universidade de Coimbra. [2] Nascimento, L. S. V., Reis, D. S. e Martins, E. S. P. R. [27]. Comparação de algoritmos evolucionários na otimização multiobjetivo de sistemas de reservatórios, XVII Simpósio Brasileiro de Recursos Hídricos. [3] Ticona, W. G. C. [23]. Aplicaçãao de algoritmos genéticos multi-objetivo para alinhamento de sequências biológicas, Master s thesis, Instituto de Ciências Matemáticas e de Computação ICMC USP. Serra Negra, SP - ISSN
Pós-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 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 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 hibrido MOEAD/PSO + EDA para solução de problemas com muitos objetivos
Algoritmo hibrido MOEAD/PSO + EDA para solução de problemas com muitos objetivos Jésus J. S. Santos 1 and Clayton Almeida 1 Breno C. de Oliveira 1 Universidade Federal de Minas Gerais, Av. Antônio Carlos,
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 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 maisAplicação de Algoritmo Genético Multiobjetivo em Otimização de. Portfólios.
Aplicação de Algoritmo Genético Multiobjetivo em Otimização de Portfólios Simone Aparecida Miloca Centro de Ciências Exatas, Universidade Estadual de Cascavel Rua Universitária, 1619 - Cascavel, PR smiloca@gmail.com
Leia 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 maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisAlgoritmos Genéticos. 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 maisOtimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisAlgoritmos Genéticos. 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 maisAlgoritmos evolutivos para otimização multi-objetivo
Algoritmos evolutivos para otimização multi-objetivo Waldo Gonzalo Cancino Ticona Alexandre Claudio Botazzo Delbém SCE5876 - Algoritmos de Estimação de Distribuição e Aplicações São Carlos Agosto 2008
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisUm Algoritmo 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 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 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 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 maisOTIMIZAÇÃO MULTIOBJETIVO
OTIMIZAÇÃO MULTIOBJETIVO Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Materiais de referência: PANTUZA Jr., G. Métodos de otimização multiobjetivo e de simulação
Leia 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 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 maisIF-705 Automação Inteligente Algoritmos Evolucionários
IF-705 Automação Inteligente Algoritmos Evolucionários Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisAlgoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
Leia maisAutores: Lucas D. Boff 1 Marcelo F. Castoldi 1 Murilo da Silva 1 Silvio. A. Souza 1 Cintia B. S. Silva 2
Melhoria da Confiabilidade do Fornecimento de Energia Elétrica em Sistemas de Distribuição Utilizando Alocação de Chaves e Algoritmo Evolutivo Multi-Objetivo Autores: 1 2 Lucas D. Boff 1 Marcelo F. Castoldi
Leia 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 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 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 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 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 maisESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS
ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS Laercio Brito Gonçalves, Marco Aurélio Cavalcante Pacheco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada
Leia 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 maisInteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
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 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 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 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 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 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 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 maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução
Leia maisMétodo q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
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 maisUMA OTIMIZAÇÃO MULTIOBJETIVO PARA A DEFINIÇÃO DE UMA LINHA DE TRANSMISSÃO ELÉTRICA VIA NSGA-II
Universidade Federal de São João del-rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia UMA OTIMIZAÇÃO MULTIOBJETIVO PARA A DEFINIÇÃO DE UMA LINHA DE TRANSMISSÃO
Leia maisOtimização multiobjetivo: uma abordagem conceitual. Multiobjective optimization: a conceptual approach
Otimização multiobjetivo: uma abordagem conceitual Luciana Maichaki Marçal Delinski (UTFPR) lu.marcal@hotmail.com João Carlos Colmenero (UTFPR) colmenero@utfpr.edu.br Resumo: O presente estudo tem como
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 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 maisAlgoritmos Evolutivos para Otimização Dinâmica. Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira
Algoritmos Evolutivos para Otimização Dinâmica Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira 1 Sumário Introdução Problemas de otimização dinâmica (POD) Definição Exemplos
Leia mais3 Computação Evolucionária
34 3 Computação Evolucionária Computação Evolucionária compreende diversos algoritmos inspirados no princípio Darwiniano da evolução das espécies e na genética. São algoritmos probabilísticos, que fornecem
Leia mais3 Otimização. Encontrar: (3.1) tal que: (3.2) (3.3) (3.4)
3 Otimização Neste capítulo são descritos conceitos básicos de um problema de otimização, sua classificação com relação ao comportamento das funções objetivos e das respectivas restrições impostas. Em
Leia 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 maisUM ALGORITMO EVOLUTIVO COM SELEÇÃO SEXUAL PARA OTIMIZAÇÃO MULTIOBJETIVO
UM ALGORITMO EVOLUTIVO COM SELEÇÃO SEXUAL PARA OTIMIZAÇÃO MULTIOBJETIVO DOUGLAS MACHADO TAVARES, MICHEL BESSANI, WILLIAN DARWIN JUNIOR, CARLOS DIAS MACIEL Universidade de São Paulo Departamento de Engenharia
Leia maisComputação Evolutiva Algoritmos Genéticos & PSO
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Computação Evolutiva Algoritmos Genéticos & PSO David Menotti www.inf.ufpr.br/menotti/am-182 Hoje Computação Evolucionária
Leia mais4 Formulação matemática e implementação computacional
4 Formulação matemática e implementação computacional 4.1 Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da configuração geométrica de risers rígidos RCHA, assim
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 mais1 Introdução 1.1 Motivação
13 1 Introdução 1.1 Motivação A preocupação e os esforços empregados para melhorar as práticas de desenvolvimento de software buscando o aumento da produtividade e da qualidade, bem como a redução de custos
Leia maisAnálise de técnicas de otimização multiobjetivo para o posicionamento de controladores em redes SDN
Análise de técnicas de otimização multiobjetivo para o posicionamento de controladores em redes SDN Ana Carolina de Oliveira Christófaro, Marcelo Menezes de Carvalho, Daniel Guerreiro e Silva Resumo O
Leia maisUso do Perceptron como Modelo Substituto na Otimização Multiobjetivo com Algoritmo Genético
Uso do Perceptron como Modelo Substituto na Otimização Multiobjetivo com Algoritmo Genético Alexandre N. Barbosa 1, José Demisio S. Silva 2, Rafael D. C. dos Santos 2 1 Instituto de Aeronáutica e Espaço
Leia maisAbordagem Multiobjetivo para o Problema de Roteamento de Veículos com Transporte Reativo a Demanda
Abordagem Multiobjetivo para o Problema de Roteamento de Veículos com Transporte Reativo a Demanda Renan Santos Mendes Programa de Pós-Graduação em Modelagem Matemática e Computacional CEFET-MG, MG, Brasil
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 maisPlanejamento Hidrotérmico Utilizando Algoritmos Genéticos
1 Planejamento Hidrotérmico Utilizando Algoritmos Genéticos Thayse Cristina Trajano da Silva Pontifícia Universidade Católica Puc-Rio Engenharia Elétrica Rio de Janeiro RJ Brasil Resumo O planejamento
Leia maisIF-705 Automação Inteligente Algoritmos Evolucionários e Controle. Continuação
IF-705 Automação Inteligente Algoritmos Evolucionários e Controle. Continuação Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação
Leia maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
Leia maisUM ESTUDO DOS PARÂMETROS DE CONTROLE DOS ALGORITMOS GENÉTICOS
UM ESTUDO DOS PARÂMETROS DE CONTROLE DOS ALGORITMOS GENÉTICOS Ricardo de Britto Damm Mestre em Matemática Aplicada pela Universidade de São Paulo Rua do Matão, 1010. Butantã. São Paulo SP. CEP 05508-090
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 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 maisDISSERTAÇÃO DE MESTRADO EM ENGENHARIA ELÉTRICA
DISSERTAÇÃO DE MESTRADO EM ENGENHARIA ELÉTRICA PROPOSTA DE UMA METODOLOGIA DE OTIMIZAÇÃO EVOLUCIONÁRIA ROBUSTA UTILIZANDO A TRANSFORMADA UNSCENTED APLICÁVEL A CIRCUITOS DE RF/MICROONDAS Maisa Netto Leidemer
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 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 maisAgentes Adaptativos. Introdução
Agentes Adaptativos Capítulo 6: Costa, E. e Simões, A. (2015). Inteligência Artificial Fundamentos e Aplicações, 3.ª edição, FCA. AGENTES ADAPTATIVOS 1 Introdução Os seres vivos que não se adaptam ao seu
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 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 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 maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisAplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX
Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo
Leia mais3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos
27 3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos Essencialmente, Algoritmos Genéticos são métodos de busca e otimização que tem sua inspiração nos conceitos da teoria de seleção natural das espécies
Leia 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 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 maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
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 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 maisExtracção de Conhecimento
Programa Doutoral em Engenharia Informática Mestrado Integrado em Engenharia Informática LIACC/FEUP Universidade do Porto www.fe.up.pt/ ec rcamacho@fe.up.pt Outubro 2007 Algoritmos Genéticos alguns destes
Leia 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 maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia maisAprendizado de Máquinas. Aprendizagem Evolucionária
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Aprendizagem Evolucionária David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução Aprendizagem é um dos
Leia maisMétodo de Hardy-Cross Capitulo 13- Algoritmo genético engenheiro Plínio Tomaz 24 dezembro de Algoritmo genético 13-1
1 Algoritmo genético 13-1 2 Capítulo 13-Algoritmo genético 13.1 Introdução As tecnologias recentes para dimensionamento de redes de água são: Algoritmo genético Programação Dinâmica Decision Support System
Leia maisGenótipo e Fenótipo. Dogma Central da Biologia. Genótipo e Fenótipo. Como a Vida é Estruturada
Computação Natural: Genética Elementar e Computação Evolucionária Prof. Dr. Rafael Stubs Parpinelli Genótipo e Fenótipo Genótipo Conjunto de genes que um organismo possui Os genes existem no DNA, em toda
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
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 maisGERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS
o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 GERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS Yván J. Túpac,
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 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 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 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 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 mais