Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
|
|
- Laura de Mendonça de Sintra
- 5 Há anos
- Visualizações:
Transcrição
1 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 de aprendizado por reforço para auxiliar um agente que está inserido em um ambiente de grid simples. O algoritmo genético atua no espaço da política do aprendizado por reforço com o objetivo de encontrar a política ótima a ser seguida pelo agente. O propósito deste trabalho foi construir um modelo simples, onde cada indivíduo representa uma política e a sua aptidão representa o valor de retorno desta política. A meta do problema é maximizar esta aptidão. Os resultados obtidos são comparados com a busca exaustiva a fim de avaliar o seu desempenho. Palavras Chaves Agente Inteligente, Aprendizado por Reforço, Algoritmo Genético, Algoritmo Evolucionário. I. INTRODUÇÃO Um agente inteligente é um tipo de arquitetura utilizada para solucionar problemas que podem ser modelados como um ambiente, sendo que esse agente interage com o ambiente de forma contínua, trocando informações com o mesmo, com a finalidade de cumprir uma tarefa qualquer. O aprendizado por reforço (em inglês Reinforcement Learning) possibilita o aprendizado de um agente diretamente a partir da sua interação com o ambiente. O modelo padrão de um sistema de aprendizado por reforço é ilustrado na Figura 1. A cada instante de tempo t (dita iteração), o agente, através dos seus sensores, percebe que está em um estado s t (referenciado como o seu estado atual). De acordo com a política que está seguindo, ele escolhe uma ação a t a ser executada pelos seus atuadores. Esta ação provoca uma transição de estados, isto é, o agente sai do estado s t e passa para um estado s t+1. Em função desta mudança, o ambiente responde com uma medida de reforço que pode ser uma recompensa, se a ação tomada foi boa, ou uma punição, caso a ação tomada tenha sido ruim. Esta medida de reforço, ao longo do tempo, provocará uma correção da política, definindo um processo de aprendizado dinâmico e interativo. Figura 1: Modelo de aprendizado por reforço padrão. Uma política π é o mapeamento de estados em ações, isto é, determina qual ação a t deve ser executada quando o agente estiver no estado s t, definindo assim, o comportamento do agente ao longo do tempo. O objetivo do sistema de aprendizado por reforço, é encontrar uma política ótima π* que maximiza o retorno R fornecido pelo ambiente. Existem duas maneiras distintas de solucionar o problema de aprendizado por reforço. Uma é chamada de busca pelo espaço da política, cujo objetivo é encontrar a política ótima e para isto, é preciso manter representações explícitas das políticas. A outra maneira é chamada de busca pelo espaço da função de valor da política, cujo objetivo é aprender a função valor que retorna a recompensa acumulada esperada para uma dada política. Quando a função de valor ótimo for encontrada, isto significa que a política ótima também foi alcançada. Logo, não é necessário manter representações explícitas das políticas. Os algoritmos genéticos conseguem melhores resultados no espaço de busca pela política. Então o propósito deste trabalho é construir um modelo simples de algoritmo genético com aprendizado por reforço e aplicá-lo ao problema onde um agente está inserido em um grid, e avaliar o seu desempenho comparando os resultados obtidos com a busca exaustiva. O restante deste artigo está dividido em mais três seções. A seção 2 descreve o modelo AGRL simples e o ambiente em que ele será aplicado. A seção 3 apresenta os resultados obtidos e por último, a seção 4 exibe as conclusões obtidas e as propostas de trabalhos futuros. II. MODELO AGRL SIMPLES O modelo AGRL simples utiliza um único cromossomo com codificação binária para representar uma política do espaço de busca. Cada gene do cromossomo representa um estado mapeado por esta política e o alelo do gene representa a ação a ser executada pelo estado correspondente, como mostra a Figura 2. s 1 s 2 s 3 s 4 s N a 1 a 2 a 3 a 4... a N Figura 2: Representação de um cromossomo Com esta representação, os operadores genéticos de crossover e mutação tradicionais podem ser aplicados. A aptidão de cada política deve representar o seu valor de retorno esperado. Como a meta é encontrar a política ótima que forneça o maior retorno possível do ambiente, a otimização empregada consiste em maximizar a aptidão dos indivíduos. Como pode ser visto na Figura 3, o código do algoritmo AGRL é bem simples. Nos subitens seguintes são apresentados, o ambiente do mundo de grid, e os algoritmos AGRL criados.
2 2 agente ultrapasse os limites do grid, ele é penalizado com uma aptidão igual a -10 vezes o tamanho do cromossomo (as dimensões do grid, L vezes C). Este modelo foi aplicado a três tipos de grid: grid sem obstáculos, grid com um obstáculo central e grid com dois obstáculos escolhidos aleatoriamente. Os valores de reforços de cada célula foram estimados de duas maneiras: escolhidos randomicamente e calculados pela distância de blocos do estado correspondente até o estado objetivo. O foco deste modelo é encontrar a política que forneça o maior retorno que é dado pelo somatório dos reforços de cada célula visitada, dado que o agente só pode executar duas ações: ir para a direita ou ir para baixo. Figura 3: Código de um AGRL Simples A. O ambiente mundo de grid O ambiente mundo de grid usado na aplicação do AGRL consiste de um grid com L linhas e C colunas, onde cada célula do grid representa um estado do ambiente. Dentro de cada célula, há um dado numérico que representa o valor de reforço que o ambiente fornece quando o agente visita aquele estado correspondente. Neste modelo, o agente sempre inicia na posição do canto superior esquerdo do grid e o seu alvo é alcançar o lado oposto, que corresponde a posição do canto inferior direito. Para isto, ele segue uma política que representa uma seqüência de ações a serem executadas pelo agente. Cada política a ser seguida pelo agente é fornecida por um cromossomo da população do AGRL. O tamanho do cromossomo é fixo e igual às dimensões do grid, isto é, o número de linhas L vezes o número de colunas C. Na representação do cromossomo, as L primeiras posições representam os estados da primeira coluna, as próximas L posições representam os estados da segunda coluna e assim por diante. Se o agente, após executar uma ação, ultrapassar os limites do grid, então ele é fortemente penalizado pelo ambiente. Este modelo foi aplicado há três enfoques diferentes: o algoritmo AGRL1, o algoritmo AGRL2 e o algoritmo AGRL3, presentes nos subitens seguintes. B. Algoritmo AGRL1 Neste modelo, o agente só pode executar duas ações dentro do grid: ir para a próxima célula à direita ou ir para a próxima célula de baixo. Cada estado do grid é representado por um gene do cromossomo e por sua vez, cada gene corresponde a um bit. O alelo do gene representa a ação a ser executada pelo agente. Desta forma, se o bit do gene for 1, então o agente deve ir para a próxima célula à direita do grid. Caso contrário (bit é igual a 0), o agente deve ir para a próxima célula de baixo. A aptidão de cada indivíduo é o somatório dos reforços recebidos após a visitação de cada estado, que corresponde ao valor de retorno que o ambiente fornece dada a política que o indivíduo representa. Caso, após executar uma ação, o C. Algoritmo AGRL2 Este modelo é muito semelhante ao modelo AGRL1. A diferença principal está no seu objetivo. Ao invés de buscar a política que forneça o maior retorno do ambiente, como no AGRL1, a meta do AGRL2 é buscar a política que forneça o menor caminho que o agente deve percorrer para sair do estado inicial e alcançar a posição alvo. Portanto, a aptidão de cada indivíduo necessita reproduzir o caminho percorrido pelo agente. Para isto ocorrer, ao invés da aptidão ser a soma dos reforços obtidos durante o caminho, como no AGRL1, o seu valor passou a ser iniciado com uma medida alta, que é igual a 10 vezes o tamanho do cromossomo. No final do processo da execução do caminho do estado inicial ao estado final, o valor da aptidão é subtraído do número de passos gastos na realização deste caminho. Assim, quanto menor o caminho, menor será o número de passos gastos na sua execução e conseqüentemente, maior será a aptidão daquele indivíduo. Desta forma, o ambiente passou a fornecer reforço igual a 1 se o estado é válido, para incrementar o número de passos do caminho, e igual a 10 vezes o tamanho do cromossomo quando fosse atingido um obstáculo, para penalizar o agente. Como os cromossomos possuem tamanho fixo, o número de passos que o agente pode executar em um caminho é limitado. Desta forma, o pior caminho aceitável gasta um número de passos igual a dimensão do grid, indicando que o agente visitou cada estado do ambiente, desde a posição inicial até a posição objetivo. Caso o caminho que está sendo percorrido ultrapasse essa quantidade de passos, o agente é penalizado, recebendo aptidão igual -100 vezes o tamanho do cromossomo, para indicar que aquele caminho não é mais admissível. Se, após executar uma ação, o agente ultrapassar os limites do grid, ele também é penalizado com uma aptidão igual a -100 vezes o tamanho do cromossomo. D. Algoritmo AGRL3 O modelo AGRL3 é o modelo AGRL2 com a possibilidade de o agente executar mais ações. Ao invés de ir só para a célula da direita e para a célula de baixo, o agente também pode ir para a célula da esquerda e para a célula de cima. Logo, cada gene passou a ser representado por um par de bits. O par 11 correspondia a ação de ir para a célula acima, o par 10 correspondia a ação de ir para a célula abaixo, o par 01 correspondia a ação de ir para a célula à esquerda e o par
3 3 00 correspondia a ação de ir para a célula à direta. Com isto, o tamanho do cromossomo passou a ser duas vezes a dimensão do grid. Todavia, este tamanho continuou fixo. III. RESULTADOS EXPERIMENTAIS Os três modelos descritos na seção anterior foram desenvolvidos na linguagem de programação Delphi e testados em um computador AMD Athlon de 1.4 GHz e 256 MB de RAM. A. Teste 1 e 2 com o Algoritmo AGRL1 No primeiro teste, este modelo foi aplicado a três tipos de grid (vide Figura 4): grid sem obstáculos, grid com um obstáculo central e grid com dois obstáculos escolhidos aleatoriamente. Os valores numéricos presentes em cada célula, que correspondem aos reforços fornecidos pelo ambiente, são escolhidos randomicamente. Cada obstáculo é representado por um valor negativo alto, a fim de que o agente aprenda que não deve passar por ali. As figuras 5, 6 e 7 ilustram os resultados de um experimento feito com um grid 5x5. A curva em azul é o resultado do AGRL1 e a curva em rosa é resultado da busca exaustiva. Em todos os casos o resultado foi promissor porque o AGRL1 conseguiu atingir o mesmo objetivo que a busca exaustiva. Figura 8: Grid 10x10 sem obstáculos Figura 4: Grids do Teste 1 Os parâmetros do AGRL1 usados neste teste foram: uma população de 100 indivíduos, taxa de crossover de 80%, taxa de mutação de 9%, crossover de 2 pontos, seleção de indivíduos feita através de rank linear, 1 indivíduo mantido por elitismo e 20 gerações. As curvas dos gráficos representam a média dos melhores indivíduos de cada geração em 10 rodadas. Figura 9: Grid 10x10 com obstáculo central Figura 10: Grid 10x10 com obstáculos aleatórios As figuras 8, 9 e 10 ilustram os resultados de um experimento feito com um grid 10x10. Apesar de em alguns casos o AGRL1 ter tido uma inicialização pior que a busca exaustiva, ele conseguiu atingir no final, objetivos superiores à busca em todos os testes. Figura 5: Grid 5x5 sem obstáculo Figura 11: Grid 20x20 sem obstáculos Figura 6: Grid 5x5 com obstáculo central Figura 12: Grid 20x20 com obstáculo central Figura 7: Grid 5x5 com obstáculos aleatórios
4 4 15, tanto para a busca exaustiva quanto para o AGRL1. Isto significa que ele conseguiu atingir o objetivo, porque as suas ações a serem escolhidas, eram limitadas. Por esse motivo, o algoritmo AGRL3 foi proposto. Figura 13: Grid 20x20 com obstáculos aleatórios As figuras 11, 12 e 13 ilustram os resultados de um experimento feito com um grid 20x20. Apesar do AGRL1 ter tido uma inicialização pior que a busca exaustiva em todos os casos, ele conseguiu atingir o mesmo objetivo final ou até superior ao alcançado pela busca. No segundo teste, este modelo foi aplicado a três tipos de grid (vide Figura 14): grid sem obstáculos, grid com um obstáculo central e grid com dois obstáculos escolhidos aleatoriamente. Os valores numéricos presentes em cada célula, correspondem aos reforços fornecidos pelo ambiente, são calculados pela distância de blocos de cada estado até o alvo. Cada obstáculo é representado por um valor negativo alto, a fim de que o agente aprenda que não deve passar por ali. C. Teste 4 com o Algoritmo AGRL3 Como o AGRL3 é bem mais complexo que os anteriores, porque utiliza não só mais ações, como também um cromossomo maior. Desta forma, os parâmetros do AGRL# usados neste experimento foram: uma população de 200 indivíduos, taxa de crossover de 80%, taxa de mutação de 9%, crossover uniforme, seleção de indivíduos feita através de rank linear, 5 indivíduo mantido por elitismo e 50 gerações. As curvas dos gráficos representam a média dos melhores indivíduos de cada geração em 25 rodadas. Figura 16: Grid 5x5 sem obstáculo Figura 14: Grids do Teste 2 Como o agente só pode executar duas ações (ir para direita ou ir para baixo), os melhores resultados sempre tiveram o mesmo valor. Por isso, para todos os grids, as curvas de resultado foram representadas por uma reta constante, como ilustra a Figura 15, tanto para a busca exaustiva quanto para o AGRL1. Isto significa que ele conseguiu maximizar o retorno de cada política, que era o seu objetivo, mas não esboçou nenhuma informação sobre o caminho que o agente percorreu dentro do grid. Por esse motivo, o algoritmo AGRL2 foi proposto. Figura 17: Grid 5x5 com obstáculo central Figura 18: Grid 5x5 com obstáculos aleatórios As figuras 16, 17 e 18 ilustram os resultados de um experimento feito com um grid 5x5. Apesar de em alguns casos a inicialização do AGRL3 ter sido pior do que a busca exaustiva, o resultado foi promissor porque o AGRL3 conseguiu atingir o mesmo objetivo que a busca no final. Figura 15: Curva com o resultado do teste 2. B. Teste 3 com o Algoritmo AGRL2 Apesar do enfoque do AGRL2 ser diferente do AGRL1, o mesmo problema em relação aos resultados ocorreu. Pois, como o agente só pode executar as duas ações de ir para direita ou de ir para baixo, ao atingir o objetivo, independente do caminho escolhido, o agente gastou o mesmo número de passos. Desta forma, os melhores resultados sempre tiveram o mesmo valor. Por isso, para todos os grids, as curvas de resultado também foram representadas por uma reta constante, como ilustra a Figura Figura 19: Grid 6x6 sem obstáculo
5 5 Figura 20: Grid 6x6 com obstáculo central Figura 21: Grid 6x6 com obstáculos aleatórios As figuras 19, 20 e 21 ilustram os resultados de um experimento feito com um grid 6x6. Os resultados também foram promissores porque o AGRL3 conseguiu atingir o mesmo objetivo que a busca exaustiva. IV. CONCLUSÕES Este artigo apresentou três modelos AGRL simples aplicados ao ambiente de grid. Os resultados experimentais mostraram que o AGRL simples só é aplicável a problemas simples (poucas ações) ou a grids de pequena dimensão. Como trabalhos futuros, existem melhorias que podem ser aplicadas com o objetivo de atingir um desempenho mais interessante. Uma possibilidade seria utilizar cromossomos de tamanho variável para poder mapear melhor o caminho executado pelo agente ao invés de limitar o número de passos pela dimensão do grid. Outra idéia é aplicar uma roleta de operadores genéticos e utilizar uma codificação diferente da binária. V. RERERÊNCIAS BIBLIOGRÁFICAS: [1] Figueiredo, Karla. Agentes Inteligentes: Novos Modelos Neuro-Fuzzy Hierárquicos com Aprendizado Automático baseado em Reinforcement Learning. Tese de Doutorado Departamento de Engenharia Elétrica, PUC-Rio, Rio de Janeiro, [2] Moriarty, D. E., Schultz, A. C., Grefenstette, J. J., Evolutionary Algorithms for Reinforcement Learning. Journal of Artificial Intelligence Research 11 (1999) [3] Sutton, R.S. & Barto, A.G. Reinforcement Learning: An Introduction, MIT Press, Figura 22: Grid 7x7 sem obstáculo Figura 23: Grid 7x7 com obstáculo central Figura 24: Grid 7x7 com obstáculos aleatórios As figuras 22, 23 e 24 ilustram os resultados de um experimento feito com um grid 7x7. Observe nas figuras que em todas as curvas as aptidões são negativas. Isto significa que toda a população foi penalizada. Logo, não existem mais caminhos admissíveis a serem seguidos, ou seja, todas as políticas são inválidas. Portanto, para as quatro ações juntas (ir para cima, ir para baixo, ir para direita e ir para esquerda) não conseguem ser representadas por um único cromossomo binário de tamanho fixo.
Algoritmos 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 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 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 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 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 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 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 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 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 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 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. 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 mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
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 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 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 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 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 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 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 maisGAs são indicados em problemas complexos de otimização- onde se busca uma solução melhor:
Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros 1. PROBLEMA GAs são indicados em problemas complexos de otimização-
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 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 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 maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisAPLICAÇÃO DO ALGORITMO SARSA NA COLETA DE LIXO - ESTUDO DO PARÂMETRO ALPHA 1
APLICAÇÃO DO ALGORITMO SARSA NA COLETA DE LIXO - ESTUDO DO PARÂMETRO ALPHA 1 Darlinton Prauchner 2, Rogério Martins 3, Edson Padoin 4. 1 Trabalho de conclusão de curso realiazado no curso de Ciência da
Leia mais6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução
6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução Este capítulo apresenta o segundo estudo de casos, no qual também são empregados números
Leia maisGAs são indicados em problemas complexos de otimização- onde se busca uma solução melhor:
Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros 1. PROBLEMA GAs são indicados em problemas complexos de otimização-
Leia maisAncoragem de Embarcações utilizando Algoritmos Genéticos
Ancoragem de Embarcações utilizando Algoritmos Genéticos Sérgio Alvares R. de S. Maffra 1 sam@tecgraf.puc-rio.br Marco Aurélio C. Pacheco 2 marco@ele.puc-rio.br 1 Tecgraf, Departamento de Informática,
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 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 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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 18 Aprendizado Por Reforço Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
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 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 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 maisCréditos. Introdução a Sistemas Inteligentes. Agenda Introdução Breve Histórico. Introdução. Introdução aos Algoritmos Evolutivos
Introdução a Sistemas Inteligentes Introdução aos Algoritmos Evolutivos Créditos Este material consiste de adaptações e extensões dos originais gentilmente cedidos: pelo Prof. Dr. Eduardo Raul Hruschka
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 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 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 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 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 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 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 maisProf. Marco Aurélio C. Pacheco. 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros
Desenvolvimento de um Algoritmo Genético Prof. Marco Aurélio C. Pacheco 1 Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 04 Representações e Programação Genética Max Pereira Representações A representação cromossômica é completamente arbitrária.
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 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 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 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 maisOtimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante (TSP)
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante
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 maisResolução de Problemas. Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial
Resolução de Problemas Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial 2 Resolução de Problemas Introdução Componentes Solução Busca de soluções 3 Resolução
Leia mais7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos
7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos 7.. Introdução Este capítulo analisa o problema de decisão de investimento num projeto sujeito a incertezas
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 mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
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 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 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 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 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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação plicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada -
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 maisUFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística INE6105-Introdução à Robótica Prof. Mauro Roisemberg Arkin. Ronald C. Behavior-Based Robotics
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 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 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 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 Otimização de parâmetros dos arranjos gerados
4 Otimização de parâmetros dos arranjos gerados Nem sempre o algoritmo escolhido para a realização de uma etapa do projeto retorna aquilo que exatamente seria necessário para a etapa seguinte. Em tais
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 maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
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 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 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 maisAlgoritmo Genético aplicado ao Sistema de Análise de Concessão de Crédito (SACC) Rosini Antonio Monteiro Bezerra Professor Marco Aurélio
Algoritmo Genético aplicado ao Sistema de Análise de Concessão de Crédito (SACC) Rosini Antonio Monteiro Bezerra Professor Marco Aurélio ICA, DEE, PUC-RIO CEP: 22453-900 ramb@ele.puc-rio.br ica@ele.puc-rio.br
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 maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
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 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 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 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 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 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 maisRobert Fulghum. Exercícios de fixação. 1.1 Digite o texto abaixo: Aluno: Coloque aqui o seu nome Coisas da Vida 1
1.1 Digite o texto abaixo: Exercícios de fixação Coisas da Vida 1 A sabedoria não se encontra no topo de nenhuma montanha nem no último ano de um curso superior. É num pequeno monte de areia do recreio
Leia maisREDES NEURAIS / INTELIGÊNCIA ARTIFICIAL LISTA DE EXERCÍCIOS 6
REDES NEURAIS / INTELIGÊNCIA ARTIFICIAL LISTA DE EXERCÍCIOS 6 Aluno: 1. Defina o problema de busca (espaço de estados, estado inicial, estado final, ações possíveis, custo) para o seguinte caso: uma pessoa,
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 mais4 Testes e experimentos realizados 4.1. Implementação e banco de dados
32 4 Testes e experimentos realizados 4.1. Implementação e banco de dados Devido à própria natureza dos sites de redes sociais, é normal que a maior parte deles possua uma grande quantidade de usuários
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 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 maisAprendizado por Reforço
Aprendizado por Reforço Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendizado por Reforço 2. Q-Learning 3. SARSA 4. Outras ideias 1 Aprendizado por Reforço Problemas de decisão
Leia maislnteligência Artificial Introdução ao Aprendizado por Reforço (Reinforcement Learning)
lnteligência Artificial Introdução ao Aprendizado por Reforço (Reinforcement Learning) Processo Decisório de Markov e Aprendizado por Reforço Quando falamos sobre Processo decisório de Markov e formalizamos
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 maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E 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 maisOTIMIZAÇÃO DE PORTFÓLIO PARA UMA CARTEIRA DE CRIPTOMOEDAS: UMA ABORDAGEM EM REINFORCEMENT LEARNING
OTIMIZAÇÃO DE PORTFÓLIO PARA UMA CARTEIRA DE CRIPTOMOEDAS: UMA ABORDAGEM EM REINFORCEMENT LEARNING Daniel Barra Ciências Econômicas Centro Sócio Econômico Tópicos Introdução ao trabalho Uma breve 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 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 mais08/05/2012. Tipos de dados. Tipos de dados. Elementos Básicos. Tipos de dados. Elementos Básicos Tipos de dados. Dados e seus tipos:
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DA PARAÍBA CAMPUS CAMPINA GRANDE 1 2 Elementos Básicos Tipos de dados Dados e seus tipos: Computadores lidam com diversos tipos de dados: numéricos,
Leia mais