CAPÍTULO 3 INTRODUÇÃO AOS ALGORITMOS GENÉTICOS

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "CAPÍTULO 3 INTRODUÇÃO AOS ALGORITMOS GENÉTICOS"

Transcrição

1 CAPÍTULO 3 INTRODUÇÃO AOS ALGORITMOS GENÉTICOS Estéfane G. M. de Lacerda André Carlos P. L. F. de Carvalho 3.1 UM ALGORITMO GENÉTICO SIMPLES A lgo ritm o s Genéticos, A Gs, são métodos de otimização e busca inspirados nos mecanismos de evolução de populações de seres vivos. Foram introduzidos por John Holland (Holland, 1975) e popularizados por um dos seus alunos, David Goldberg (Goldberg, 1989). Estes algoritmos seguem o princípio da seleção natural e sobrevivência do mais apto, declarado em 1859 pelo naturalista e fisiologista inglês Charles Darwin em seu livro A Origem das Espécies. De aco rdo com Charles Darwin, Quanto melhor um indivíduo se adaptar ao seu meio ambiente, m aior será sua chance de so breviver e gerar descendentes. Otim iz ação é a busca da melhor solução para um dado pro blem a. Consiste em tentar várias soluções e utilizar a inform ação obtida neste processo de forma a encontrar so luçõ es cada vez melhores. Um exemplo simples de otim iz ação é a melhoria da imagem das televisões com antena aco plada no próprio aparelho. A través do ajuste manual da antena, várias soluções são testadas, guiadas pela qualidade de im agem obtida na TV, até a obtenção de uma resposta ótima, o u seja, um a boa imagem.

2 88 Est fane Lacerda e Andr Carvalho A s t cnicas de busca e otimizaç o, geralm ente, apresentam : Um espaço de busca, onde est o todas as possíveis so luç es do problema; Um a funç o objetivo (algumas vezes chamada de f unç o de aptid o na literatura de AGs), que utiliz ada para avaliar as soluç es produzidas, asso ciando a cada uma delas uma nota. Em termos matem ticos, a otimiz aç o consiste em achar a so luç o que corresponda ao ponto de m ximo ou mínimo da f unç o objetivo. Com o exemplo, co nsidere o seguinte pro blem a de otimizaç o que ser utilizado no decorrer deste capítulo: Problema 3.1 Achar o ponto m ximo da funç o f ( x) = x sen(10π x) + 1 dentro do intervalo 1 x 2. Em bo ra aparentemente simples, o Problema 3.1 n o de f cil so luç o. Existem v rios pontos de m ximos nesta funç o (po ntos que maximizam o valor da funç o), m as muitos n o representam o maior valor que a funç o pode atingir, co nform e ilustrado na Figura 3.1. T ais pontos s o deno m inado s máximos locais, um a vez que a funç o nestes po nto s atinge valores maiores do que na viz inhança destes po nto s. A melhor soluç o para este problema est no ponto em que a funç o possui valor m ximo, o máximo global. Neste pro blem a, o m ximo global encontra- se no ponto cujo valor de x igual a 1, Neste ponto, a funç o assume o valor 2, Co nf o rm e ser mostrado na Seç o 3.2, um a grande quantidade de t cnicas de otimizaç o (por exemplo, os m todos do gradiente) n o capaz de localiz ar o ponto de m ximo global de uma funç o com múltiplos pontos de m ximo. Esta seç o m o strar co m o utilizar AGs para encontrar o m ximo global do Problema 3.1.

3 Capítulo 3 Introdução aos Algoritmos Gen ticos 89 f(x) = x sen( 10πx) + 1 3, 0 2, 0 1, 0 0, 0 Má xi mo l ocal Má xi mo gl obal -1, 0-1, 0-0, 5 0, 0 0, 5 1, 0 1, 5 2, 0 x Figura Gr fico da funç o da f(x) = x sen(10 πx) + 1

4 90 Est fane Lacerda e Andr Carvalho A lgoritmo 3.1: A lgo ritm o Gen tico típico Seja S(t) a populaç o de cromossomos na geraç o t. t 0 inicializar S(t) avaliar S(t) enquanto o crit rio de parada n o for satisfeito faça t t+ 1 selecio nar S(t) a partir de S(t- 1) aplicar cr ossover sobre S(t) aplicar mutaç o sobre S(t) avaliar S(t) fim enquanto O primeiro passo de um Algoritmo Gen tico típico a geraç o de uma população inicial de cromossomos, que formada po r um conjunto aleatório de cromossomos que representam possíveis soluç es do problema a ser resolvido. Durante o processo evolutivo, esta populaç o avaliada e cada cro m ossomo recebe uma nota (denominada de aptidão no jarg o da literatura de AGs), refletindo a qualidade da soluç o que ele representa. Em geral, os cromossomos mais aptos s o selecio nados e os menos aptos s o descartados (Darwinismo). Os membros selecio nado s podem sofrer modificaç es em suas características fundamentais atra s dos operadores de crossover e mutação, gerando descendentes para a próxima geraç o. Este processo repetido at que uma soluç o satisf ató ria seja encontrada. O Algoritmo 3.1 ilustra este pro cedim ento. A s seç es seguintes descrevem com mais detalhes cada etapa deste algoritmo REPRESENTAÇÃO DOS PARÂMETROS Um AG processa populaç es de cromossomos. Um cro m ossomo uma estrutura de dados, geralm ente vetor ou

5 Capítulo 3 Introdução aos Algoritmos Gen ticos 91 cadeia de bits (cadeia de bits a estrutura mais tradicional, po r m nem sempre a melhor), que representa uma possível so luç o do problema a ser otimizado. Em geral, um cro m ossomo representa um conjunto de parâmetros da funç o o bjetivo cuja resposta ser maximiz ada ou minimiz ada. O co njunto de todas as configuraç es que o cromossomo pode assumir forma o seu espaço de busca. Se o cromossomo representa n parâm etro s de uma funç o, ent o o espaço de busca um espaço com n dim ens es. O primeiro passo para resolver o Problema 3.1 utilizando AGs representar o único parâmetro deste problema (a vari vel x) na forma de um cromossomo. Ser ado tada uma cadeia de 22 bits para o cromossomo (maiores cadeias aumentam a precis o num rica da soluç o). A ssim, um exemplo de cro m ossomo poderia ser: s 1 = Para decodificar o cromossomo s 1, converte- se s 1 da base 2 para a base 10: b 10 = ( ) 2 = Co m o b 10 um número no intervalo [0, 2 l - 1] (sendo l o tam anho da cadeia de bits), necess rio mape -lo para o intervalo do problema [- 1,0; 2,0]. Isto pode ser feito pela fórm ula: assim, b10 x = min+ (max min) l = 1+ (2 + 1) x 1 = 22 ( 2 1) 0, Vale observar que funç es objetivo com múltiplos parâmetros t m seus parâmetros representados na mesma cadeia de bit, co m cada um ocupando uma parte da cadeia. A cada cro m ossomo s i atribuída uma aptid o f i. A ptid o uma nota

6 92 Est fane Lacerda e Andr Carvalho que mede qu o boa a soluç o codificada em s i. É baseada no valor da funç o objetivo, e ser discutida na próxima seç o SELEÇÃO Um Algoritmo Gen tico começa com uma populaç o inicial de N cro m o sso m o s. A populaç o inicial do Problema 3.1, com N = 30, m ostrada em uma das colunas da Tabela 3.1 ordenado s por ordem decrescente do valor da funç o objetivo, co m o tamb m mostra-se o valor de x co dif icado no cro m ossomo, o valor da funç o objetivo e a aptid o para este valor. Os cromossomos foram gerados aleatoriamente, porque neste problema n o existe nenhum conhecimento pr io sobre a regi o do espaço de busca onde se encontra a soluç o do pro blem a. Os pontos da funç o representados pelos cro m ossomos da populaç o inicial s o mostrados na Figura 3.2. f(x) = x sen( 10πx) + 1 3, 0 2, 5 2, 0 1, 5 1, 0 0, 5 0, 0-0, 5-1, 0-1, 0-0, 5 0, 0 0, 5 1, 0 1, 5 2, 0 x Figura Cromossomos da Populaç o Inicial Inspirado no processo de seleç o natural de seres vivos, o A lgo ritm o Gen tico seleciona os melhores cromossomos da po pulaç o inicial (aqueles de alta aptid o) para gerar cromossomos filhos (que s o variantes dos pais) atra s dos o peradores de cr ossover e mutaç o. Um a populaç o intermedi ria (tam b m chamada de m ating pool) utiliz ada para alocar os cromossomos pais selecionados. Geralm ente, os pais s o selecionados com probabilidade proporcional à sua

7 Capítulo 3 Introdução aos Algoritmos Gen ticos 93 aptid o. Portanto, a probabilidade de seleç o p i, de um cro m ossomo s i co m aptid o f i, dada por: p i = f i N i = 1 f i A seleç o pode ser feita pelo seguinte procedimento pr tico: calcula- se uma coluna de aptid es acumuladas. Em seguida, gera- se um n mero aleatório r (tirado de uma distribuiç o unif orm e) no intervalo [0, SOMA T OT A L], o nde SOMATOTAL a so m a de todas as aptid es. Po r fim, o cromossomo selecio nado o primeiro (seguindo a tabela de cima para baixo) que possui aptid o acumulada maior que r. Po r exem plo, se r = 28,131, ent o o cromossomo da linha 23 da T abela 3.1 selecionado, e sua cópia alocada na populaç o interm edi ria. Os mesmos passos s o repetidos at preencher a populaç o intermedi ria com N cro m o sso m o s. Este pro cedim ento, co nhecido como Roda da Roleta, apresentado pelo Algoritmo 3.2. T abela Populaç o Inicial Posiçã o i Cro m osso m o s i x i Funç o objetivo f(x i ) A ptid o f i A ptid o acum ulad a i f k = 1 k 1, , , , , , , , , , , , , , , , , , , , , , , ,96552

8 94 Est fane Lacerda e Andr Carvalho , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,79310

9 Capítulo 3 Introduç o aos Algoritmos Gen ticos , , , , , , , , , , , , ,00000 A lgoritmo 3.2: Ro da da Roleta N total f i /* a soma das aptid es de todos os cromossomos da populaç o i= 1*/ rand randô m ico(0, total) total parcial 0 i 0 rep etir i i+ 1 total parcial total parcial + f i até total parcial rand retornar o cromossomo s i V rias alternativas t m sido propostas para definir a aptid o. A mais simples iguala a aptid o ao valor da funç o objetivo. A ssim, a aptid o do cromossomo s 1 seria: f = 0,637197sen(10π 0,637197) = 1, Vale observar que a aptid o definida desta forma pode assumir valores negativos e o algoritmo Roda da Roleta n o f uncio na com aptid es negativas. A l m disso, po de gerar tam b m problemas como converg ncia prematura (conforme ser m o strado na Seç o 3.3). É p o ssível, no entanto, dispensar o Algoritmo Roda da Roleta e utiliz ar Seleç o por Torneio. Neste caso, s o escolhidos, aleatoriam ente, (co m pro babilidades iguais) n cro m o ssomos da populaç o, e o cro m ossomo com maior aptid o selecionado para a

10 96 Est fane Lacerda e Andr Carvalho po pulaç o intermedi ria. O processo repete-se at preencher a po pulaç o intermedi ria. Utiliz a- se, geralm ente, o valor n = 3. Outra forma de definir aptid o pelo ordenamento do cro m ossomo na populaç o, co nform e se obteve na Tabela 3.1. O primeiro cromossomo do ordenamento recebeu uma aptid o arbitr ria igual a 2,0, e ao ltimo cromossomo do ordenam ento foi atribuído o valor 0,0. A s demais foram o btidas interpolando estes dois extremos por uma reta, ou f i = 2 N i N 1, sendo N o tamanho da populaç o. seja, ( ) ( ) CROSSOVER E MUTAÇÃO Os operadores de cr ossover e a mutaç o s o os principais m ecanism o s de busca dos AGs para explorar regi es desconhecidas do espaço de busca. O operador cr ossover aplicado a um par de cromossomos retirados da populaç o interm edi ria, gerando dois cromossomos filhos. Cada um dos cro m ossomos pais tem sua cadeia de bits cortada em uma posiç o aleatória, pro duz indo duas cabeças e duas caudas. A s caudas s o trocadas, gerando dois novos cromossomos. A Figura 3.3 ilustra o comportamento deste operador. pai 1 ( ) pai 2 ( ) filho 1 ( ) filho 2 ( ) Figura Cr ossover O cr ossover aplicado com uma dada probabilidade a cada par de cromossomos selecionados. Na pr tica, esta probabilidade, deno m inada de taxa de crossover, varia entre 60% e 90%. N o o co rrendo o cr ossover, o s filhos ser o iguais aos pais (isto perm ite que algumas soluç es sejam preservadas). Isto pode ser implementado, gerando n meros pseudo- aleató rio s no intervalo [0,1]. A ssim, o cr ossover só aplicado se o n mero gerado for menor que a taxa de cr ossover.

11 Capítulo 3 Introduç o aos Algoritmos Gen ticos 97 A pó s a operaç o de cr ossover, o operador de mutaç o aplicado, co m dada probabilidade, em cada bit dos dois filhos. O operador de mutaç o inverte os valores de bits, o u seja, m uda o valor de um dado bit de 1 para 0 ou de 0 para 1. A Figura 3.4 apresenta um exemplo em que dois bits do primeiro filho e um bit do segundo sofrem mutaç o (bits estes que passaram no teste de probabilidade). A mutaç o melhora a diversidade dos cromossomos na populaç o, no entanto por o utro lado, destró i informaç o contida no cromossomo, lo go, deve ser utilizada uma taxa de mutaç o pequena (norm alm ente entre 0,1% a 5%), m as suficiente para assegurar a diversidade. Antes Depois filho 1 ( ) filho 2 ( ) filho 1 filho 2 ( ) ( ) Figura Mutaç o A Figura 3.5 ilustra a aplicaç o do operador de cr ossover a cada par de cromossomos da populaç o intermedi ria e os bits que sofreram mutaç o na nova populaç o. Os pontos representado s pela primeira geraç o de cromossomos s o m o strado s na Figura 3.6. A inda n o houve melhora signif icativa com relaç o à populaç o inicial, ou seja, os cro m ossomos ainda est o distantes do m ximo global da f unç o. Índice Original População Intermediária (Mating pool) Crossover e Mutação Ponto Primeira Geração de (o sublinhado indica mutação) Corte

12 98 Est fane Lacerda e Andr Carvalho Figura Gerando uma nova populaç o f(x) = x sen(10πx) + 1 3,0 2,5 2,0 1,5 1,0 0,5 0,0-0,5-1,0-1,0-0,5 0,0 0,5 1,0 1,5 2,0 x Figura Pontos da primeira geraç o de cromossomos A pó s a definiç o da primeira populaç o, o procedimento se repete por um dado n mero de geraç es. Quando se conhece a respo sta m xima da funç o objetivo, pode- se utilizar este valor como crit rio de parada do Algoritmo Gen tico. Na Figura 3.7, ilustrada a ltima geraç o, a vig sima quinta, em

13 Capítulo 3 Introduç o aos Algoritmos Gen ticos 99 que boa parte dos cromossomos representa pontos no pico do m xim o global. N o h um crit rio exato para terminar a execuç o do AG. Por m, com 95% d o s cromossomos representando o mesmo valor, possível diz er que o algoritmo co nvergiu. f(x) = x sen(10πx) + 1 3,0 2,5 2,0 1,5 1,0 0,5 0,0-0,5-1,0-1,0-0,5 0,0 0,5 1,0 1,5 2,0 x Figura Cromossomos da vig sima quinta geraç o ELITISMO A Figura 3.8 ilustra, para cada geraç o, o valor da funç o o bjetivo para o melhor cromossomo da populaç o, al m do valor m dio da funç o objetivo de toda a populaç o. Vale o bservar que o melhor cromossomo pode ser perdido de uma geraç o para outra devido ao corte do cr ossover o u à o co rr ncia de mutaç o. Po rtanto, interessante transferir o m elho r cromossomo de uma geraç o para outra sem alteraç es (porque perder a melhor soluç o encontrada at ent o?). Esta estrat gia denominada Elitismo, sendo muito co m um nos AGs tradicionais. O Elitismo foi proposto por DeJo ng (1975), um dos trabalhos pioneiros sobre AGs. A Figura 3.9 mostra o desempenho do melhor cromossomo em cada geraç o, usando o AG com e sem Elitismo, com os valores plo tados no gr fico representando a m dia de 100 execuç es do AG. Claram ente mostrado que, neste problema, o AG com elitism o encontra a soluç o mais r pido que o AG sem elitismo (vale ressaltar que, em algumas execuç es, o AG o casio nalm ente encontra m ximos locais, tornando a m dia dos melhores cromossomos menor que o m ximo da funç o).

14 100 Est fane Lacerda e Andr Carvalho Função objetivo 3,0 2,5 2,0 1,5 Média Melhor 1,0 0, Geração Figura O maior valor e o valor m dio da funç o objetivo em cada geraç o 3,0 2,8 AG com elitismo AG sem elitismo Função objetivo 2,6 2,4 2,2 2, Geração Figura Desempenho do AG com Elitismo CROSSOVERS DE N PONTOS E UNIFORME Os tipos de operadores cr ossover m ais conhecidos para cadeias de bits s o o de n po nto s e o uniforme. O cr o ssover de 1 ponto o mesmo apresentado na Seç o 3.3. O de 2 pontos apresentado na Figura Os dois pontos de corte s o esco lhidos aleatoriamente, e as seç es entre os dois pontos s o trocadas entre os pais. O cr ossover de 4 pontos mostrado na Figura O cr ossover de n po nto s mais usado tem sido o de 2 pontos por algumas raz es mostradas na Seç o 3.7.

15 Capítulo 3 Introduç o aos Algoritmos Gen ticos 101 pai 1 pai filho 1 filho Figura Cr ossover de 2 pontos pai pai filho fillho Figura Crossover de 4 pontos O cr ossover uniform e apresentado na Figura Para cada par de pais gerada uma m scara de bits aleatórios. Se o prim eiro bit da m scara possui o valor 1, ent o o primeiro bit do pai 1 co piado para o primeiro bit do filho 1. Caso contr rio, o primeiro bit do pai 2 co piado para o primeiro bit do filho 1. O pro cesso se repete para os bits restantes do filho 1. N a geraç o do filho 2 o procedimento invertido, o u seja, se o bit da m scara 1, ent o ser copiado o bit do pai 2. Se o bit for igual a 0, ent o ser copiado o bit do pai 1. Vale notar que o cr ossover unif orm e n o a mesma coisa que o cr ossover de (l- 1) pontos (l o n mero de bits do cromossomo), um a vez que este sem pre leva a metade dos bits de cada pai.

16 102 Est fane Lacerda e Andr Carvalho Máscara de bits pai filho pai Figura Cr ossover Unif orm e Em Eshelman et al. (1989), investigada a diferença de desem penho entre v rios cr ossover s de n po nto s e uniforme. A co nclus o, conform e relatado em Beasley (1993), que n o h grandes diferenças de desempenho entre eles. A li s, segundo Gref enstette (1986), o AG robusto de tal modo que, dentro de um a faixa relativamente larga de variaç o de parâmetros (e.g. taxas de cr ossover e mutaç o, tam anho da populaç o, etc.), n o o co rre alteraç o significativa no desempenho. No item a seguir, ser apresentada a relaç o entre AGs e a biolo gia, co m o tam b m a explicaç o dos principais termos utiliz ados na literatura de AGs TERMINOLOGIA Na biologia, a teoria da evoluç o diz que o meio ambiente selecio na, em cada geraç o, o s seres vivos mais aptos de uma po pulaç o para sobreviv ncia. Co m o resultado, som ente os m ais aptos conseguem se reproduzir, um a vez que os menos adaptado s geralmente s o eliminados antes de gerarem descendentes. Durante a reproduç o, o co rrem fenômenos co m o mutaç o e cr ossover (reco m binaç o), entre outros, que atuam sobre o material gen tico armazenado nos cro m ossomos. Estes fenômenos levam à variabilidade dos seres vivos na populaç o. So bre esta populaç o diversificada age a seleç o natural, perm itindo a sobreviv ncia apenas dos seres mais adaptados. Um Algoritmo Gen tico a met fora desses fenômenos, o que explica porque AGs possuem muitos termos originados da

17 Capítulo 3 Introduç o aos Algoritmos Gen ticos 103 biolo gia. A lista apresentada a seguir descreve os principais term o s encontrados na literatura. Cromossomo e Genoma: Na biologia, genom a o co njunto completo de genes de um organismo. Um geno m a pode ter v rios cromossomos. Nos AGs, os do is representam a estrutura de dados que codifica um a soluç o para um problema, o u seja, um cro m ossomo ou genoma representa um simples po nto no espaço de busca. Gene: Na biologia, a unidade de hereditariedade que transmitida pelo cromossomo e que controla as características do organismo. Nos AGs, um parâm etro codificado no cromossomo, o u seja, um elem ento do vetor que representa o cromossomo. Indiv íduo: Um simples membro da populaç o. No s A Gs, um indivíduo formado pelo cromossomo e sua aptid o. Genótipo: Na biologia, representa a composiç o gen tica contida no Genoma. Nos AGs, representa a inform aç o contida no cromossomo ou genoma. Fenótipo: Nos Algoritmos Gen ticos, representa o o bjeto, estrutura ou organismo construído a partir das informaç es do genótipo. É o cromossomo deco dif icado. Por exemplo, considere que o cro m ossomo codifica parâmetros como as dim ens es das vigas em um projeto de construç o de um edifício, ou as conex es e pesos de uma Rede Neural. O fenótipo seria o edifício construído ou a Rede Neural. A lelo: Na biologia, representa uma das formas alternativas de um gene. Nos AGs, representa os valores que o gene pode assumir. Po r exemplo, um gene que representa o parâmetro cor de um objeto po deria ter o alelo azul, preto, verde, etc. Epistasia: Interaç o entre genes do cromossomo, isto, quando um valor de gene influ ncia o valor de

18 104 Est fane Lacerda e Andr Carvalho o utro gene. Problem as com alta Epistasia s o de difíceis soluç o por AGs. A seç o seguinte aborda alguns aspectos teóricos de AGs ESQUEMAS O Teorema dos Esquemas de Holland (1975) procura f undam entar, teoricam ente, o comportamento dos AGs. Sua co m preens o pode auxiliar na construç o de aplicaç es eficientes de AGs. Holland constatou que os AGs manipulam determ inado s segmentos da cadeia de bits. T ais segmentos foram por ele denominados de esquemas. Um formado pelos sím bo lo s 0, 1 e *. A ocorr ncia do símbolo * em uma posiç o no esquema significa que esta posiç o pode ser ocupada pelo sím bo lo 1 ou 0. A Figura 3.13 mostra alguns exemplos. H1 H2 H **** X X X **10* X *0*01 X Comprimento δ(h 1 ) = 0 Comprimento δ(h 2 ) = 1 Comprimento δ(h 3 ) = 3 Ordem O(H 1 ) = 1 Ordem O(H 2 ) = 2 Ordem O(H 3 ) = 3 Figura 3.13 Esquemas Co nf o rm e mostrado na Figura 3.13, os esquemas H 1 = 1****, H 2 = **10* e H 3 = *0*01 est o contidos no mesmo cromossomo 10101, que ao todo pode ter 2 5 = 32 esquemas. Os cro m ossomos 11001,11011 e possuem o esquema 1****. O comprimento de um esquema δ(h) a diferença entre a ltima posiç o que ocupada por 1 ou 0 e a primeira posiç o que ocupada por 1 e 0. A ordem O (H) de um esquem a o n mero de símbolos 1 e 0 que o esquema cont m. Para prever a variaç o do n mero de esquemas H entre duas geraç es consecutivas, co nsidere m o n mero de

19 Capítulo 3 Introduç o aos Algoritmos Gen ticos 105 cro m ossomos da populaç o atual que cont m o esquema H. Co nsidere b a m dia das aptid es de toda populaç o e a a m dia das aptid es dos cromossomos que cont m o esquema H. A ssim, o n mero esperado de cópias m do esquema H na po pulaç o intermedi ria (utiliz ando seleç o proporcional à aptid o) dado por: a m = b m Pela equaç o, co nclui- se que o n mero de esquemas H aum entar na populaç o intermedi ria se a> b, o u seja, se o esquem a H estiver contido em cromossomos de aptid o acima da aptid o m dia da populaç o (bons cromossomos). No entanto, ao passar para a próxima populaç o, o esquema H po de ser destruído pelos operadores de cr ossover e de m utaç o. Po r exemplo: Esquem a contido em pai 1 (01* **10) Esquem a contido em pai 2 (*** *101) Esquem a contido em filho 1 (01* *101) O esquema do pai 2 (que tem pequeno comprimento) foi transm itido ao filho 1, m as o esquema do pai 1 (que tem maior co m prim ento ) foi destruído pelo cr ossover. Por m, m esm o co nsiderando estes fatores, o Teorema dos Esquemas afirma que: Peq uenos esq uem as contidos em bons cr om ossom os (i.e. aqueles com aptid acim a da m dia) aum entam exponencialmente nas g er açõ es seg uinte, ao passo que esquem as contidos em cr om ossom os r uins (i.e. aqueles com a aptid o abaixo da m dia) tendem a desaparecer nas g er açõ es seg uintes (Go ldber g, 1989). Os bons esquemas de pequeno tamanho recebem o nome especial de blocos de construç o. A informaç o contida em um bloco de construç o combinada com as informaç es de o utro s blocos de construç o. No decorrer das geraç es, esta co m binaç o produz cromossomos de alta aptid o. Esta

20 106 af irm aç o Construç o. Est fane Lacerda e Andr Carvalho conhecida como a Hipótese dos Blocos de Os problemas que n o obedecem à Hipótese dos Blocos de Co nstruç o s o conhecidos como A G- Deceptiv os. Por exem plo, pode ocorrer que, com binando dois ótimos blocos de co nstruç o, resulte em um cromossomo ruim, o co rrendo isto co m genes que t m alta Epistasia (ver Seç o 3.1.6). Funç es co m esta propriedade tendem a ter um ponto ótimo isolado cercado por pontos extremamente ruins. Feliz m ente, tais f unç es s o raras na pr tica. E, al m disso, s o funç es difíceis para qualquer t cnica de otimizaç o. Ho lland tamb m notou que apesar do AG manipular N cro m ossomos, a quantidade de esquemas manipulados m uito maior (na ordem de O (N 3 ) esquemas). Tal propriedade foi denominada de Paralelismo Implícito. Ou seja, o AG m anipula uma grande quantidade de informaç es em paralelo co m apenas N cro m o ssom o s. Os bons blocos de construç o, quando incorporados em um cro m ossomo, m elhoram sua aptid o. Portanto, im portante estruturar a codificaç o dos cromossomos de modo a estim ular a formaç o de blocos de construç o. So b a luz dos esquemas, possível analisar os diversos tipos de crossovers. Por exemplo, o esquema 1******0 ser f atalm ente destruído pelo cr ossover de 1 ponto, seja onde for o ponto de corte. O mesmo problema n o ocorre no cr ossover de 2 pontos, por m, o aumento excessivo de pontos de corte no rm alm ente n o leva a bons resultados, um a vez que destrói co m facilidade os blocos de construç o. É interessante notar que o cromossomo pode ser interpretado co m o um anel formado pela uni o de suas extremidades, com o ilustra a Figura Observando o anel, no ta- se que o cr ossover de 1 ponto um caso particular do de 2 pontos quando um dos pontos de corte fixo sobre a junç o do anel. Po rtanto, o cr ossover de 2 pontos desempenha tamb m a f unç o do de 1 po nto. Este um dos motivos pelo qual o cr ossover de 2 po ntos considerado melhor do que o cr ossover de 1 ponto (Beasley, 1993b; Davis, 1991).

21 Capítulo 3 Introduç o aos Algoritmos Gen ticos 107 2º corte Inicio de pai º corte Figura Cr ossover de 2 pontos visto como um anel O cr ossover de n po ntos tende a manter juntos os genes que s o codificados próximos um do outro. Existe um operador deno m inado Inv ers o (Ho lland, 1975) que busca o ordenam ento ideal dos genes no cromossomo. Do is pontos aleató rio s s o escolhidos no cromossomo e os genes entre eles s o invertidos. Vale frisar que a invers o n o um tipo de m utaç o brutal. Na verdade n o ocorre mutaç o. A cada gene asso ciado um n mero para identificar quem quem depois da tro ca de posiç o. Este operador, no entanto, tem sido raram ente utilizado na pr tica. Co nsiderando agora o efeito destrutivo dos blocos de co nstruç o causada pelo cr ossover unif o rm e, Sysw erda (1989) argum enta que tal destruiç o compensada pelo fato de ele po der combinar qualquer material dos cromossomos pais, independentem ente da ordem dos genes. 3.2 REPRESENTAÇÃO REAL REPRESENTAÇÃO BINÁRIA REAL Para ilustrar esta seç o, co nsidere o Problema 3.2 que m axim iz ar uma funç o (conhecida na literatura de AG como f unç o F6 (Davis, 1991)) com dois parâmetros x e y. Na Figura 3.15 mostrado a representaç o bin ria do cromossomo e sua deco m po siç o nos dois parâmetros x e y.

22 108 Est fane Lacerda e Andr Carvalho Problema 3.2 Maxim iz ar sen f ( x, y ) = 0,5 Sujeito a 100 x y 100 x 2 + y 2 ( 1,0 + 0,001( x + y ) ,5 Decodificação de Cromossomo em dois parâmetros s 1 = Passo 1: Divisão da cadeia de bits s 1 em duas cadeias de 22 bits: e Passo 2: Conversão da base 2 para a base 10: e Passo 3: Mapear estes resultados para o intervalo [-100, 100]: x y = [100 - (-100)] = = [ (-100)] = -17,851 11,041 Figura Decodificaç o do cromossomo em dois parâm etro s (x,y) A representaç o bin ria historicamente importante, um a vez que foi utiliz ado nos trabalhos pioneiros de Holland (1975). É a representaç o tradicional, sendo f cil de utiliz ar e m anipular, co m o tamb m simples de analisar teoricamente. Co ntudo, se um problema tem parâmetros contínuos e o usu rio quer trabalhar com boa precis o numerica, ele precisar arm az enar cromossomos longos na memória. Po is, para cada ponto decimal acrescentado na precis o, necess rio adicionar 3,3 bits na cadeia. Caso 8 casas decimais

Algoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009

Algoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 : Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 Principais Tópicos População Inicial Funções Objetivo de Alto Custo Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

INF 1771 Inteligência Artificial

INF 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 mais

Algoritmos Genéticos

Algoritmos Genéticos UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br

Leia mais

Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados

Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências

Leia mais

Representação por Números Reais

Representação por Números Reais Representação por Números Reais Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário Para apresentarmos essa representação vamos introduzir o conceito de hibridização

Leia mais

Exercícios Teóricos Resolvidos

Exercícios Teóricos Resolvidos Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar

Leia mais

ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA

ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA 136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização

Leia mais

Módulo 4. Construindo uma solução OLAP

Módulo 4. Construindo uma solução OLAP Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

Organização e Arquitetura de Computadores I

Organização e Arquitetura de Computadores I Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números

Leia mais

APLICAÇÕES DA DERIVADA

APLICAÇÕES DA DERIVADA Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,

Leia mais

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras

Leia mais

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010. Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Leia mais

ARQUITETURA DE COMPUTADORES

ARQUITETURA DE COMPUTADORES 1 ARQUITETURA DE COMPUTADORES U C P Prof. Leandro Coelho Plano de Aula 2 Aula Passada Definição Evolução dos Computadores Histórico Modelo de Von-Neumann Básico CPU Mémoria E/S Barramentos Plano de Aula

Leia mais

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS INTRODUÇÃO São métodos adaptativos que podem ser usados para resolver problemas de busca e otimização. Na natureza a combinação de boas características provenientes de diferentes indivíduos

Leia mais

Aula 26: Arquiteturas RISC vs. CISC

Aula 26: Arquiteturas RISC vs. CISC Aula 26: Arquiteturas RISC vs CISC Diego Passos Universidade Federal Fluminense Fundamentos de Arquiteturas de Computadores Diego Passos (UFF) Arquiteturas RISC vs CISC FAC 1 / 33 Revisão Diego Passos

Leia mais

Capítulo SETE Números em Ponto Fixo e Ponto Flutuante

Capítulo SETE Números em Ponto Fixo e Ponto Flutuante Capítulo SETE Números em Ponto Fixo e Ponto Flutuante 7.1 Números em ponto fixo Observação inicial: os termos ponto fixo e ponto flutuante são traduções diretas dos termos ingleses fixed point e floating

Leia mais

O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2

O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico

Leia mais

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001 47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações

Leia mais

Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008

Algoritmos 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 mais

Notas de Cálculo Numérico

Notas de Cálculo Numérico Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo

Leia mais

Transcrição Automática de Música

Transcrição Automática de Música Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de

Leia mais

Relatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento

Relatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento Relatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento Ramon Pereira Lopes Rangel Silva Oliveira 31 de outubro de 2011 1 Introdução O presente documento refere-se ao relatório

Leia mais

a 1 x 1 +... + a n x n = b,

a 1 x 1 +... + a n x n = b, Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição

Leia mais

Algoritmos Genéticos. Teresa B. Ludermir. Algoritmos Genéticos

Algoritmos Genéticos. Teresa B. Ludermir. Algoritmos Genéticos Teresa B. Ludermir Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros Contínuos Aspectos Práticos e Avançados Aplicações Introdução São técnicas de

Leia mais

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia

Leia mais

Memória Cache. Prof. Leonardo Barreto Campos 1

Memória Cache. Prof. Leonardo Barreto Campos 1 Memória Cache Prof. Leonardo Barreto Campos 1 Sumário Introdução; Projeto de Memórias Cache; Tamanho; Função de Mapeamento; Política de Escrita; Tamanho da Linha; Número de Memórias Cache; Bibliografia.

Leia mais

Memória cache. Prof. Francisco Adelton

Memória cache. Prof. Francisco Adelton Memória cache Prof. Francisco Adelton Memória Cache Seu uso visa obter uma velocidade de acesso à memória próxima da velocidade das memórias mais rápidas e, ao mesmo tempo, disponibilizar no sistema uma

Leia mais

Algoritmos Genéticos (GA s)

Algoritmos Genéticos (GA s) Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de

Leia mais

4 Arquitetura básica de um analisador de elementos de redes

4 Arquitetura básica de um analisador de elementos de redes 4 Arquitetura básica de um analisador de elementos de redes Neste capítulo é apresentado o desenvolvimento de um dispositivo analisador de redes e de elementos de redes, utilizando tecnologia FPGA. Conforme

Leia mais

Problemas de Satisfação de Restrições

Problemas de Satisfação de Restrições Problemas de Satisfação de Restrições Texto base: Stuart Russel e Peter Norving - Inteligência Artificial David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach junho/2007

Leia mais

Inteligência Artificial

Inteligência 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 mais

Planejamento, Desenvolvimento e Implementac a o de Sistemas

Planejamento, Desenvolvimento e Implementac a o de Sistemas Planejamento, Desenvolvimento e Implementac a o de Sistemas Aulas 08 e 09 Ciclo de Vida do Desenvolvimento de Sistemas Levantamento de Necessidades Coleta de dados sobre as necessidades e oportunidades

Leia mais

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) II Métodos numéricos para encontrar raízes (zeros) de funções reais. Objetivos:

Leia mais

A Otimização Nuvem de Partículas (particle swarm)

A Otimização Nuvem de Partículas (particle swarm) A Otimização Nuvem de Partículas (particle swarm) Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 20/06/2007 Índice Introdução Algoritmo Nuvem de Partículas Interpretação

Leia mais

A Otimização Colônia de Formigas

A Otimização Colônia de Formigas A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado

Leia mais

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro

Leia mais

CÁLCULO DE ZEROS DE FUNÇÕES REAIS

CÁLCULO DE ZEROS DE FUNÇÕES REAIS 15 CÁLCULO DE ZEROS DE FUNÇÕES REAIS Um dos problemas que ocorrem mais frequentemente em trabalhos científicos é calcular as raízes de equações da forma: f() = 0. A função f() pode ser um polinômio em

Leia mais

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

Motivação. Robert B. Dilts

Motivação. Robert B. Dilts Motivação Robert B. Dilts A motivação é geralmente definida como a "força, estímulo ou influência" que move uma pessoa ou organismo para agir ou reagir. De acordo com o dicionário Webster, motivação é

Leia mais

Trabalho 7 Fila de prioridade usando heap para simulação de atendimento

Trabalho 7 Fila de prioridade usando heap para simulação de atendimento Trabalho 7 Fila de prioridade usando heap para simulação de atendimento Data: 21/10/2013 até meia-noite Dúvidas até: 09/10/2013 Faq disponível em: http://www2.icmc.usp.br/~mello/trabalho07.html A estrutura

Leia mais

Arquitetura de Rede de Computadores

Arquitetura de Rede de Computadores TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

IBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = =

IBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = = Energia Potencial Elétrica Física I revisitada 1 Seja um corpo de massa m que se move em linha reta sob ação de uma força F que atua ao longo da linha. O trabalho feito pela força para deslocar o corpo

Leia mais

Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados

Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados GA em Otimização Combinatorial Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados Problem a do Caixeiro Viajante Problem as de Planejamento

Leia mais

Sistemas Operacionais

Sistemas Operacionais Sistemas Operacionais Gerenciamento de Memória Norton Trevisan Roman Marcelo Morandini Jó Ueyama Apostila baseada nos trabalhos de Kalinka Castelo Branco, Antônio Carlos Sementille, Paula Prata e nas transparências

Leia mais

Programação em papel quadriculado

Programação em papel quadriculado 4 NOME DA AULA: Programação em papel quadriculado Tempo de aula: 45 60 minutos Tempo de preparação: 10 minutos Objetivo principal: ajudar os alunos a entender como a codificação funciona. RESUMO Ao "programar"

Leia mais

fx-82ms fx-83ms fx-85ms fx-270ms fx-300ms fx-350ms

fx-82ms fx-83ms fx-85ms fx-270ms fx-300ms fx-350ms O uso da Calculadora Científica (Casio fx) fx-82ms fx-83ms fx-85ms fx-270ms fx-300ms fx-350ms Prof. Ms. Renato Francisco Merli 2013 1 Sumário 1. Antes de Começar... 2 2. Cálculos Básicos... 8 3. Cálculos

Leia mais

4 Avaliação Experimental

4 Avaliação Experimental 4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre

Leia mais

Prof. Msc. Fernando Oliveira Boechat

Prof. Msc. Fernando Oliveira Boechat Prof. Msc. Fernando Oliveira Boechat Prof. Fernando Oliveira Boechat 1 Controle de Processos: Objetivos Gerar as informações necessárias ao desenvolvimento dos novos produtos; Fornecer os subsídios necessários

Leia mais

2. Representação Numérica

2. Representação Numérica 2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos

Leia mais

1. Arquivos Seqüenciais

1. Arquivos Seqüenciais 1. Arquivos Seqüenciais 1.1. Introdução Historicamente, os arquivos seqüências são associados as fitas magnéticas devido a natureza seqüencial deste meio de gravação. Mas os arquivos seqüências são também

Leia mais

PLANEJAMENTO DA MANUFATURA

PLANEJAMENTO DA MANUFATURA 58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização

Leia mais

BCC202 - Estrutura de Dados I

BCC202 - Estrutura de Dados I BCC202 - Estrutura de Dados I Aula 04: Análise de Algoritmos (Parte 1) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes

Leia mais

4. Tarefa 16 Introdução ao Ruído. Objetivo: Método: Capacitações: Módulo Necessário: Análise de PCM e de links 53-170

4. Tarefa 16 Introdução ao Ruído. Objetivo: Método: Capacitações: Módulo Necessário: Análise de PCM e de links 53-170 4. Tarefa 16 Introdução ao Ruído Objetivo: Método: Ao final desta Tarefa você: Estará familiarizado com o conceito de ruído. Será capaz de descrever o efeito do Ruído em um sistema de comunicações digitais.

Leia mais

Capítulo 2 Endogamia. Acasalamentos Preferenciais. Introdução

Capítulo 2 Endogamia. Acasalamentos Preferenciais. Introdução Capítulo 2 Endogamia Acasalamentos Preferenciais Introdução No capítulo anterior foi demonstrado que se os acasalamentos forem aleatórios, as populações têm proporções genotípicas equivalentes às calculadas

Leia mais

INSTITUTO TECNOLÓGICO

INSTITUTO TECNOLÓGICO PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

Backup. Permitir a recuperação de sistemas de arquivo inteiros de uma só vez. Backup é somente uma cópia idêntica de todos os dados do computador?

Backup. Permitir a recuperação de sistemas de arquivo inteiros de uma só vez. Backup é somente uma cópia idêntica de todos os dados do computador? Backup O backup tem dois objetivos principais: Permitir a recuperação de arquivos individuais é a base do típico pedido de recuperação de arquivo: Um usuário apaga acidentalmente um arquivo e pede que

Leia mais

Comparativo entre métodos de controle de demanda: qual o mais eficiente para o usuário nacional?

Comparativo entre métodos de controle de demanda: qual o mais eficiente para o usuário nacional? Comparativo entre métodos de controle de demanda: qual o mais eficiente para o usuário nacional? Mauricio R.Suppa (GESTAL Ltda) Marcos Iuquinori Terada (GESTAL Ltda) Afim de se obter o máximo aproveitamento

Leia mais

Risco e Retorno dos Investimentos. Paulo Pereira Ferreira Miba 507

Risco e Retorno dos Investimentos. Paulo Pereira Ferreira Miba 507 Risco e Retorno dos Investimentos Paulo Pereira Ferreira Miba 507 Risco e Retorno Esperados Linha Característica Linha do Mercado de Títulos Linha de Combinação Realidade Brasileira genda Risco e Retorno

Leia mais

5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS. 5.1 - Os Programas de Avaliação

5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS. 5.1 - Os Programas de Avaliação 36 5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS 5.1 - Os Programas de Avaliação Programas de avaliação convencionais foram utilizados para análise de diversas configurações da arquitetura. Estes programas

Leia mais

Capítulo 7 Medidas de dispersão

Capítulo 7 Medidas de dispersão Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).

Leia mais

Capítulo 5: Aplicações da Derivada

Capítulo 5: Aplicações da Derivada Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f

Leia mais

Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.

Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel. Matemática Essencial Equações do Segundo grau Conteúdo Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.br/matessencial/ 1 Introdução

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

FACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO. Projeto e Análise de Algoritmos II Lista de Exercícios 2

FACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO. Projeto e Análise de Algoritmos II Lista de Exercícios 2 FACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO Projeto e Análise de Algoritmos II Lista de Exercícios 2 Prof. Osvaldo. 1. Desenvolva algoritmos para as operações abaixo e calcule a complexidade

Leia mais

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos

Leia mais

Logística e a Gestão da Cadeia de Suprimentos. "Uma arma verdadeiramente competitiva"

Logística e a Gestão da Cadeia de Suprimentos. Uma arma verdadeiramente competitiva Logística e a Gestão da Cadeia de Suprimentos "Uma arma verdadeiramente competitiva" Pequeno Histórico No período do pós-guerra até a década de 70, num mercado em franca expansão, as empresas se voltaram

Leia mais

Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro. Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br

Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro. Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Laboratório de Pesquisa e Desenvolvimento Universidade Federal de Alfenas versão

Leia mais

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos.

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Thiago da Mota Souza Coordenação de Pós-Graduação e Pesquisa de Engenharia Centro de Tecnologia Universidade Federal do Rio de

Leia mais

2 Estudo dos Acoplamentos

2 Estudo dos Acoplamentos 24 2 Estudo dos Acoplamentos Um problema acoplado é aquele em que dois ou mais sistemas físicos interagem entre si e cujo acoplamento pode ocorrer através de diferentes graus de interação (Zienkiewicz

Leia mais

Algoritmos Genéticos. 1 Semestre de Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática

Algoritmos 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 mais

Arquiteturas RISC. (Reduced Instructions Set Computers)

Arquiteturas RISC. (Reduced Instructions Set Computers) Arquiteturas RISC (Reduced Instructions Set Computers) 1 INOVAÇÕES DESDE O SURGIMENTO DO COMPU- TADOR DE PROGRAMA ARMAZENADO (1950)! O conceito de família: desacoplamento da arquitetura de uma máquina

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Inteligência Artificial. Metodologias de Busca

Inteligência Artificial. Metodologias de Busca Inteligência Artificial Metodologias de Busca 1 Solução de problemas como Busca Um problema pode ser considerado como um objetivo Um conjunto de ações podem ser praticadas para alcançar esse objetivo Ao

Leia mais

Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 60h

Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 60h Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara Carga Horária: 60h Representação de grandeza com sinal O bit mais significativo representa o sinal: 0 (indica um número

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

Controle II. Estudo e sintonia de controladores industriais

Controle II. Estudo e sintonia de controladores industriais Controle II Estudo e sintonia de controladores industriais Introdução A introdução de controladores visa modificar o comportamento de um dado sistema, o objetivo é, normalmente, fazer com que a resposta

Leia mais

Notas da Aula 17 - Fundamentos de Sistemas Operacionais

Notas da Aula 17 - Fundamentos de Sistemas Operacionais Notas da Aula 17 - Fundamentos de Sistemas Operacionais 1. Gerenciamento de Memória: Introdução O gerenciamento de memória é provavelmente a tarefa mais complexa de um sistema operacional multiprogramado.

Leia mais

3/9/2010. Ligação da UCP com o barramento do. sistema. As funções básicas dos registradores nos permitem classificá-los em duas categorias:

3/9/2010. Ligação da UCP com o barramento do. sistema. As funções básicas dos registradores nos permitem classificá-los em duas categorias: Arquitetura de Computadores Estrutura e Funcionamento da CPU Prof. Marcos Quinet Universidade Federal Fluminense P.U.R.O. Revisão dos conceitos básicos O processador é o componente vital do sistema de

Leia mais

Curvas de nível homotópicas a um ponto

Curvas de nível homotópicas a um ponto Curvas de nível homotópicas a um ponto Praciano-Pereira, T Sobral Matemática 6 de agosto de 2011 tarcisio@member.ams.org pré-prints da Sobral Matemática no. 2011.03 Editor Tarcisio Praciano-Pereira, tarcisio@member.ams.org

Leia mais

Possui como idéia central a divisão de um universo de dados a ser organizado em subconjuntos mais gerenciáveis.

Possui como idéia central a divisão de um universo de dados a ser organizado em subconjuntos mais gerenciáveis. 3. Tabelas de Hash As tabelas de hash são um tipo de estruturação para o armazenamento de informação, de uma forma extremamente simples, fácil de se implementar e intuitiva de se organizar grandes quantidades

Leia mais

Resolução de sistemas lineares

Resolução de sistemas lineares Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)

Leia mais

Design Pedagógico do módulo III Origem dos Movimentos, Variação

Design Pedagógico do módulo III Origem dos Movimentos, Variação Design Pedagógico do módulo III Origem dos Movimentos, Variação Escolha do tópico O que um aluno entre 14 e 18 anos acharia de interessante neste tópico? Que aplicações / exemplos do mundo real podem ser

Leia mais

Algoritmos de pesquisa. Tabelas de dispersão/hash

Algoritmos de pesquisa. Tabelas de dispersão/hash Algoritmos de pesquisa Tabelas de dispersão/hash Introdução Motivação: Considerar o problema de pesquisar um determinado valor num vetor (array). Se o vetor não está ordenado, a pesquisa requer O(n) de

Leia mais

Estudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada

Estudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos

Leia mais

Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades. Representação Gráfica de Funções

Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades. Representação Gráfica de Funções Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades BC 0005 Bases Computacionais da Ciência Representação Gráfica de Funções Prof a Maria das Graças Bruno Marietto graca.marietto@ufabc.edu.br

Leia mais

¹CPTL/UFMS, Três Lagoas, MS,Brasil, oliveiralimarafael@hotmail.com. ²CPTL/UFMS, Três Lagoas, MS, Brasil.

¹CPTL/UFMS, Três Lagoas, MS,Brasil, oliveiralimarafael@hotmail.com. ²CPTL/UFMS, Três Lagoas, MS, Brasil. Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 36 INTRODUÇÃO A CRIPTOGRAFIA RSA Rafael Lima Oliveira¹, Prof. Dr. Fernando Pereira de Souza². ¹CPTL/UFMS, Três Lagoas,

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

Você pode dizer isso de novo! Compressão de Texto

Você pode dizer isso de novo! Compressão de Texto Atividade 3 Você pode dizer isso de novo! Compressão de Texto Sumário Desde que os computadores possuíam apenas uma quantidade limitada de espaço para armazenar informações, estes precisavam armazená-las

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008

Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 PROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 Deliverable: D1 - Clip-art Simplification Tool Task: T1 - Clip-art Simplification

Leia mais

Resíduos Quadráticos e Fatoração: uma aplicação à criptoanálise do RSA

Resíduos Quadráticos e Fatoração: uma aplicação à criptoanálise do RSA Resíduos Quadráticos e Fatoração: uma aplicação à criptoanálise do RSA Charles F. de Barros 20 de novembro de 2008 Resumo Faremos uma breve introdução ao conceito de resíduos quadráticos, descrevendo em

Leia mais

Arquitetura de Computadores. Sistemas Operacionais IV

Arquitetura de Computadores. Sistemas Operacionais IV Arquitetura de Computadores Sistemas Operacionais IV Introdução Multiprogramação implica em manter-se vários processos na memória. Memória necessita ser alocada de forma eficiente para permitir o máximo

Leia mais

TRANSMISSÃO DE DADOS Prof. Ricardo Rodrigues Barcelar http://www.ricardobarcelar.com

TRANSMISSÃO DE DADOS Prof. Ricardo Rodrigues Barcelar http://www.ricardobarcelar.com - Aula 3-1. A CAMADA DE REDE (Parte 1) A camada de Rede está relacionada à transferência de pacotes da origem para o destino. No entanto, chegar ao destino pode envolver vários saltos em roteadores intermediários.

Leia mais