Algoritmo genético de agrupamento para projeto de layout modular
|
|
- Ana Luiza Balsemão
- 5 Há anos
- Visualizações:
Transcrição
1 Algoritmo genético de agrupamento para projeto de layout modular Ana Rita T. Terra Argoud (EESC-USP) Eduardo Vila Gonçalves Filho (EESC-USP) Alexandre José Tiberti (EESC-USP) Resumo Este trabalho apresenta uma proposta de algoritmo genético (AG) para projeto de arranjo físico modular. O AG trata do problema de agrupamento de máquinas a partir da identificação de subseqüências de operações comuns de um conjunto de peças. O algoritmo possui flexibilidade para trabalhar tanto com número de grupos conhecido quanto desconhecido. São abordadas a codificação dos cromossomos, as funções objetivo permitidas, os operadores de cruzamento e mutação e a forma de correção dos descendentes. Palavras-chave: Algoritmo Genético de Agrupamento, Arranjo Físico, Módulos. 1. Introdução Os tipos básicos de arranjo físico como funcional, em linha e celular são configurações de layout convencionais e muitas vezes não são suficientes para atender as necessidades de empresas que trabalham com vários tipos de produtos com demanda variável e curto ciclo de vida (BENJAAFAR et al., 2002). Dentro dessa visão surgem tipos não convencionais de layout, conhecidos como layouts dinâmicos. Entre eles estão os layouts distribuído ou holográfico, fractal, celular híbrido e modular. O arranjo físico modular (IRANI & HUANG, 2000) é composto por uma rede de subsistemas de manufatura, ou módulos de layout, conectados um ao outro, mas cada um deles com um padrão de fluxo característico. Os módulos são classificados em: flowline (linha), branched flowline (em linha ramificado), functional (funcional), cell (célula), patterned flow (fluxo padronizado) e machining center (centro de usinagem). O conceito do layout modular partiu da observação de que roteiros de produção de diferentes produtos possuem subseqüências de operações comuns, que poderiam ser agregadas em módulos. O objetivo do layout modular é maximizar o número de operações consecutivas de um conjunto de roteiros de produção feitos no mesmo módulo. O layout modular não assume a priori padrões de fluxo ou critérios para agrupamento de máquinas (como célula ou departamentos funcionais). Os padrões de fluxo e agrupamentos de máquinas são determinados pelos fluxos implícitos nas seqüências de operações. Dessa forma, o layout modular é mais flexível que os arranjos físicos tradicionais (em linha, funcional e celular), pois identifica os vários padrões de fluxo existentes na fábrica e gera um layout para cada fluxo específico de materiais. Em continuidade ao trabalho, Huang (2003) desenvolveu uma metodologia baseada na comparação de seqüências de produção e análise de agrupamentos (cluster analysis). Para comparação de seqüências de produção, Huang (2003) criou uma nova medida de similaridade, o coeficiente Merger. Já para análise de agrupamentos adotou um método homogêneo aglomerativo hierárquico, com método da média das distâncias para regra de ligação (average linkage). O projeto de layout modular consiste na determinação de vários subproblemas NP-completos, como por exemplo determinar o tamanho e número de módulos, determinar o melhor layout de cada módulo e o melhor layout da rede de módulos (HUANG, 2003). 1
2 Algoritmos genéticos (AG) são inspirados no processo de seleção e evolução natural dos seres vivos. São métodos heurísticos com grande potencial de aplicação em problemas NPcompletos, devido à sua capacidade de busca por soluções ótimas ou quase ótimas dentro do espaço de soluções existentes. O presente trabalho propõe uma abordagem baseada em um método heurístico para projeto de layout modular: algoritmo genético de agrupamento (AGA). A aplicação de algoritmos genéticos a problemas de agrupamento tem sido alvo de estudo de vários autores, entre eles Cole (1998), Hruschka (2001), Tseng e Yang (2001), Garai e Chaudhuri (2004). No projeto de layout modular e também neste trabalho, os módulos são agrupamentos de máquinas que processam subseqüências de operações comuns de um conjunto de peças. Esses módulos (grupos) podem possuir qualquer um dos padrões de fluxo descritos anteriormente. 2. Algoritmos genéticos Um AG inicia com uma população de indivíduos (cromossomos) que representam possíveis soluções do problema a ser resolvido. A população é avaliada e cada cromossomo recebe uma nota, denominada aptidão. Os melhores cromossomos (mais aptos) são selecionados e os piores descartados. Os selecionados podem sofrer cruzamento e mutação, gerando descendentes para a próxima geração. O processo continua até que uma solução satisfatória seja encontrada (LACERDA et al., 1999). 3. O algoritmo proposto O algoritmo genético de agrupamento proposto segue os passos da figura 1. Os principais elementos do algoritmo são explicados adiante. Passo 1 - Entrada de dados: peças, seqüência de operações, número de grupos mínimo e máximo. Passo 2 - Encontre as subseqüências de operações consecutivas comuns entre todos os pares de seqüência. Passo 3 - Calcule o coeficiente de similaridade/dissimilaridade (matriz de subseqüências). Passo 4 - Escolha a forma de representação do cromossomo (R1, R2 ou R3). Passo 5 - Gere a população inicial. Se representação R1 ou R2 faça os passos 5.1 a 5.4. Se representação R3 vá para o passo 6. Passo Para cada cromossomo estabeleça o subconjunto das subseqüências dominantes (T) e o das dominadas (D). Cada elemento de T irá formar um grupo em G (conjunto de subseqüências agrupadas). Passo 5.2 Selecione o elemento em D que possua maior similaridade média com os grupos em G. Remova-o de D e o insira no grupo em G com maior similaridade média. Passo 5.3 Repita o passo 5.2 até que não haja mais elementos em D. Passo Mostre os agrupamentos formados. Passo 6 - Calcule o valor da função objetivo para cada cromossomo. Passo 7 - Teste o critério de parada. Em caso afirmativo mostre a melhor solução termine o algoritmo. Em caso negativo vá para o passo 8. 2
3 Figura 1 O algoritmo proposto continua continuação Passo 8 - Determine as melhores soluções (Regra do Elitismo) da população atual e leve para a nova população. Faça os passos 9 a 15 até que complete a nova população. Passo 9 - Selecione os cromossomos para cruzamento usando o procedimento da roleta. Passo 10 - Selecione o método de aplicação dos operadores. Se por probabilidade vá para o passo 11, se por faixa percentual vá para o passo 13. Passo 11 - Aplique o operador de cruzamento se o cruzamento ocorrer. Corrija os cromossomos descendentes se necessário. Se o cruzamento não ocorrer vá para o Passo 12. Passo 12 - Aplique os operadores de mutação se a probabilidade de mutação ocorrer. Vá para o passo 15. Passo 13 - Aplique o operador de cruzamento aos cromossomos da faixa selecionada e vá para o passo 14. Passo 14 - Aplique os operadores de mutação aos cromossomos das faixas percentuais complementares. Passo 15 - Adicione os descendentes à nova população. Passo 16 - Substitua a população atual pela nova e retorne ao passo Coeficiente de Similaridade Figura 1 Algoritmo proposto Para cálculo da similaridade entre as subseqüências de operações comuns, o pesquisador poderá selecionar entre distância de Levenshtein (TAM, 1990), coeficiente LCS - maior subseqüência comum (ASKIN & ZHOU, 1998) ou coeficiente Merger (HUANG, 2003). 5. Codificação do Cromossomo Estão previstas três formas de representação, R1, R2 ou R3. As representações R1 e R2 foram inspiradas nos trabalhos de Tseng e Yang (2001) e de Garai e Chaudhuri (2004). A representação R3 é a utilizada por Hruschka (2001). No presente trabalho, para as três representações, o gene refere-se a um conjunto de máquinas (subseqüência comum distinta). R1: Inteiro e Zeros. Para K fixo (número de grupos conhecido). As subseqüências com números inteiros são as dominantes (semente do grupo) e a subseqüências com zeros são as dominadas. O tamanho do cromossomo equivale ao número de subseqüências comuns. ( ) S1 S2 S3 S4 S5 S6 S7 S8 ou seja: Grupo 1: S5; grupo 2: S1; grupo 3: S4; grupo 4: S7 R2: Semelhante à anterior com subseqüências dominantes e dominadas. Para K variante (número de grupos desconhecido). O tamanho do cromossomo é (n +1), ou seja, número de subseqüências comuns mais um gene representando o número de grupos. ( ) S1 S2 S3 S4 S5 S6 S7 S8 K 3
4 R3: Grupo-rótulo. Para K variante (número de grupos desconhecido). O tamanho do cromossomo é (n+1). ( ) S1 S2 S3 S4 S5 S6 S7 S8 K ou seja, Grupo 1: S2, S8; Grupo 2: S1, S3; Grupo 3: S5, S6; Grupo 4: S4, S7 6. Geração da população inicial A população inicial será gerada aleatoriamente. As únicas restrições se referem ao número de grupos (K), que deverá variar entre um valor mínimo e máximo definidos pelo usuário, ou seja, K min K K máx, com 1 K min K máx N Subseq (número de subseqüências comuns). Para K fixo (conhecido), K min = K máx. Como descrito no passo 5 da figura 1, para as representações R1 e R2, os cromossomos da população inicial se constituem de agrupamentos formados pela similaridade média da subseqüência dominada em relação aos grupos em G. Cada grupo em G é formado por uma subseqüência dominante de T (semente do grupo) e subseqüências dominadas (D i ). Cada subseqüência D i será designada ao grupo com o qual a similaridade média for máxima. A similaridade média é calculada pela fórmula: D i = subseqüência dominada; gerada no passo 3 do algoritmo (figura 1). 7. Função Objetivo 1 Sim( Gj, Di) = M [ x, Di] onde Gj x Gj G j = nº. de elementos do grupo G j ; M = matriz de similaridade Em um algoritmo genético o papel da função objetivo é avaliar a qualidade da solução. No algoritmo proposto estão previstas duas funções objetivo: Soma da Similaridade Definida como a soma da similaridade entre cada subseqüência dominada e a subseqüência dominante do grupo G. A similaridade é dada pela matriz de similaridade de subseqüências comuns. FO z : Sim( T, Di) onde G= 1 i T = subseqüência dominante do grupo G; D i = subseqüência dominada do grupo G; z = nº. de grupos formados. Esta função objetivo indica o grau de coesão de cada grupo, ou seja, quanto maior esse índice mais coesas estão as máquinas nos grupos. Portanto, a função objetivo deve ser maximizada. Largura da Silhueta Média Esta função foi proposta por Kaufman e Rousseeuw (1990). A largura da silhueta média maximiza a homogeneidade interna e a heterogeneidade entre grupos distintos. Também encontra o melhor valor de K (número de grupos - agrupamento automático) quando o valor (i) s for máximo. 4
5 FO : s( i) com b( i) a( i) s( i) = e b( i) = min d( i, G), G A max{ a( i), b( i)} Considere a subseqüência i pertencente ao grupo A. Seja a(i) = dissimilaridade média de i em relação a todas as outras subseqüências do grupo A; d(i,g) = dissimilaridade média de i em relação a todas as subseqüências de G (demais grupos exceto A). Calcule d(i,g) para todos os grupos G, com G A. b(i) será a menor destas dissimilaridades. Propriedades de s(i): a) -1 s(i) 1; b) s(i) = 0 quando A = {i 1 } (o grupo A possuir apenas um elemento); c) K min = Critério de Parada No algoritmo proposto poderá ser escolhido um dos critérios: a) número de gerações; b) taxa de convergência: não melhoramento no melhor cromossomo por determinado número de gerações; c) perda da diversidade: o cromossomo converge se 95% da população têm mesmo valor da função de objetivo (significa que as mesmas subseqüências estão nos mesmos grupos). 9. Processo de Seleção Para garantir que as boas soluções permaneçam de uma geração para outra e não sejam perdidas no processo de seleção, os melhores cromossomos serão transferidos integralmente para a nova população (Regra do Elitismo). O usuário poderá selecionar a porcentagem de cromossomos transferidos: 1%, 3%, 5% ou 10%. O restante da população será submetido ao processo de seleção para em seguida sofrerem cruzamento e/ou mutação. O processo de seleção a ser adotado será o da Roleta (Roulette Wheel) como proposto por Goldberg (1989). O AG seleciona os melhores cromossomos da população inicial (cromossomos pais) para gerar os descendentes (cromossomos filhos). Os cromossomos pais são selecionados com probabilidade p i, dada pelo quociente entre o valor da função objetivo do cromossomo i e a soma dos valores da função objetivo de todos os cromossomos da população. Valores maiores de p i indicam cromossomos mais adaptados e com maior possibilidade de serem escolhidos para sofrerem cruzamento. Como a Roleta trabalha com valores positivos, quando se utilizar a largura da silhueta média deverá ser somado (+1) aos valores da função objetivo, de forma que 0 s(i) 2. Terminada a seleção deverá ser somado (-1) a todos os valores da função objetivo. 10. Operadores de Cruzamento e Mutação Foi desenvolvido um operador de cruzamento e três operadores de mutação. A aplicação dos operadores irá depender se o número de grupos, K, é fixo (conhecido) ou variante (desconhecido). Para K variante são permitidos os operadores de cruzamento, mutação 1, mutação 2 e mutação 3. Para K fixo somente podem ser aplicados os operadores de cruzamento e mutação 3. O usuário poderá escolher entre dois métodos de aplicação dos operadores, por probabilidade ou por faixa percentual. No primeiro, como da forma tradicional, é associada uma probabilidade de aplicação a cada operador. Por exemplo: cruzamento (Pc = 0.8); mutação 1 (Pm 1 = 0.05); mutação 2 (Pm 2 = 0.05); mutação 3 (Pm 3 = 0.1). Os operadores de mutação são aplicados após o cruzamento, ou seja, nos descendentes. O método por faixa percentual foi utilizado por Hruschka (2001). O cromossomo ou sofre cromossomo, ou mutação 1, ou mutação 2, ou mutação 3. Seja o seguinte exemplo: 5
6 Pc = 50%, Pm 1 = 25%; Pm 2 = 25%; Pm 3 = 0% Neste método todos os indivíduos são sorteados pela Roleta, e colocados em um vetor pela ordem de seleção. A primeira metade (50%, conforme o exemplo) sofre cruzamento. O primeiro cromossomo selecionado pelo método da Roleta é cruzado com o n/2, em que n representa o número de cromossomos selecionados, o segundo cromossomo com [(n/2)-1] e assim por diante. A mutação 1 é aplicada aos cromossomos que pertencem ao intervalo [(n/2)+1, 3n/4]. A mutação 2 é aplicada aos cromossomos que pertencem ao intervalo [(3n/4)+1, n]. Operador de Cruzamento Como cada gene representa um grupo (subseqüência, ou conjunto de máquinas), o operador de cruzamento deve agir nos elementos do grupo (nas máquinas). Portanto, não faz sentido trabalhar com operadores clássicos de cruzamento como de ponto único ou de dois pontos. O operador de cruzamento foi proposto por Hruschka (2001), que trabalhou com centróide como medida de proximidade. No presente trabalho, será usada outra medida de proximidade, detalhada adiante. Sejam 2 cromossomos A e B constituídos de 8 subseqüências comuns: A nº de grupos, K A = 4 B nº de grupos, K B = 4 O número de grupos não está representado no cromossomo. Escolha aleatoriamente K (1 K K A ) grupos de A para copiar em C (descendente). Por exemplo, selecione os grupos 1 e 2 de A (em negrito), ou seja, K = {1,2}: A B Estes grupos modificam os grupos 1, 2 e 3 de B. O grupo 4 de B não é modificado. A B Os genes de B sublinhados também serão modificados no descendente C. Copie os genes selecionados de A= {1,2} em C: C Os genes completados com zeros em C indicam posições com potencial para receber genes não alterados de B, ou representam genes que serão reposicionados no grupo mais próximo. Por exemplo, o grupo 4 de B é copiado em C, pois não foi mudado. Os grupos 1 e 3 de B (sublinhados) serão reposicionados no grupo mais próximo. Assim: C A medida de similaridade para reposicionamento dos genes zerados do descendente é a menor das dissimilaridades médias da subseqüência i (gene zerado) para com os grupos (G grupos) contidos no descendente, ou seja, b(i) = min d(i,g). Para gerar o descendente D é feito o processo inverso. Copie em D todos os genes de B que foram alterados. Assim: 6
7 D Os genes completados com zeros em D indicam posições com potencial para receber genes não alterados de A, ou representam genes que serão reposicionados no grupo mais próximo. Por exemplo, o grupo 4 de A é copiado em D, pois não foi mudado. O grupo 3 de A não é copiado (foi mudado), então o gene zerado de D será reposicionado no grupo mais próximo. Assim: D Após o cruzamento algumas correções devem ser feitas nos cromossomos. Ao criar os descendentes deve-se re-identificar os grupos, pois o grupo 1 do pai A é diferente do grupo 1 do pai B. O número de grupos do descendente deve estar entre o número de grupos mínimo e máximo permitidos, ou seja, K min K K máx. Duas situações podem ocorrer. A primeira quando K < K min. Nesta situação é preciso criar grupos. O seguinte procedimento deve ser adotado: a) Selecione os grupos que possuem no mínimo duas subseqüências; b) Para cada subseqüência de cada grupo selecionado, calcule a(i), onde a(i) = dissimilaridade média de i em relação a todas as outras subseqüências do grupo A (grupo a qual pertence); c) Ordene a(i) de modo decrescente. A semente do novo grupo será a primeira subseqüência da ordenação. Caso necessite de outro grupo, a segunda subseqüência da ordenação será a semente, respeitando a condição a), e assim por diante. A segunda situação pode ocorrer quando K > K max. Nesta situação é preciso extinguir grupos, conforme o procedimento: a) Para cada grupo calcule a(i) = dissimilaridade média da subseqüência i em relação a todas as outras subseqüências do grupo A (grupo ao qual pertence) e calcule a (i). Selecione o grupo com maior a (i), ou seja, com a menor coesão interna; b) Distribua cada subseqüência do grupo selecionado para o grupo com o qual possuir a menor dissimilaridade média: b(i) = min d(i,g), ou seja, a menor dissimilaridade média da subseqüência i para com o grupo G; c) Repita o procedimento caso necessite extinguir mais de um grupo. Operadores de Mutação Os operadores de mutação 1 e 2 foram inspirados no trabalho de Hruschka (2001) e o operador de mutação 3 no de Cole (1998). Mutação 1 (MERGE) Opera em cromossomos que satisfazem a restrição K > K min. Elimina aleatoriamente um grupo e insere suas subseqüências nos demais grupos. Cada subseqüência é inserida no grupo com o qual possuir a menor dissimilaridade média: b(i) = min d(i,g), ou seja, a menor dissimilaridade média da subseqüência i para com o grupo G. A mutação 1 faz diminuir o número de grupos. Mutação 2 (BREAK) Opera em cromossomos que satisfazem a restrição K < K max. Divide um grupo selecionado 7
8 aleatoriamente (com no mínimo dois elementos) em dois novos grupos. A semente do primeiro subgrupo será a subseqüência com menor a(i), ou seja, menor dissimilaridade média da subseqüência i em relação às outras subseqüências do grupo selecionado. A semente do segundo subgrupo será a subseqüência com maior a(i). Feito isso, as subseqüências restantes do grupo selecionado são deslocadas para os subgrupos mais próximos. O subgrupo mais próximo será o com menor dissimilaridade média: b(i) = min d(i,g), ou seja, menor dissimilaridade média da subseqüência i para com o grupo G. Os demais grupos ficam intactos. A mutação 2 faz aumentar o número de grupos. Mutação 3 (MOVE) Selecione aleatoriamente uma subseqüência de um grupo com no mínimo 2 elementos. Mova esta subseqüência para o grupo com o qual possuir a menor dissimilaridade média: b(i) = min d(i,g), ou seja, a menor dissimilaridade média da subseqüência i para com o grupo G. A mutação 3 preserva o número de grupos (K), mas muda o tamanho de dois grupos. 11. Comentários finais Atualmente está em desenvolvimento um programa computacional para implementação do algoritmo genético de agrupamento descrito. Além da escolha de parâmetros tradicionais de um AG como número de elementos da população, número de gerações, probabilidade de cruzamento e mutação, o algoritmo genético dará flexibilidade ao pesquisador para: trabalhar com número de grupos conhecido (K fixo) ou desconhecido (K variante - agrupamento automático); escolher o coeficiente de similaridade entre as seqüências de operações; escolher a forma de representação do cromossomo; selecionar a função objetivo; selecionar o critério de parada; determinar a porcentagem de elitismo. Dada a natureza combinatorial de um projeto de layout, quando o número de máquinas e/ou a quantidade de peças aumenta, o problema se torna muitas vezes intratável. Pretende-se com este trabalho analisar a eficiência de um método heurístico através de algoritmo genético de agrupamento para geração de projeto de layout modular. Referências ASKIN, R.G. & ZHOU, M. Formation of independent flow-line cells based on operation requirements and machine capabilities. IIE Transactions. Vol.30, n.4, p , BENJAAFAR, S.; HERAGU, S.S. & IRANI, S.A. Next generation factory layout: research challenges and recent progress. Interfaces. Vol. 32, n.6, p.58-76, COLE, R. M. Clustering with genetic algorithms. Thesis (PhD). Department of Computer Science, University of Western Australia, GARAI, G. & CHAUDHURI, B. A novel genetic algorithm for automatic clustering. Pattern Recognition Letters. Vol.25, p , GOLDBERG, D. E. Genetic algorithms in search, optimization, and machine learning. 2. ed. USA: Addison- Wesley, HRUSCHKA, E.R. Algoritmos genéticos de agrupamento para extração de regras de redes neurais. Tese (Doutorado), Ciências em Engenharia Civil, COPPE/UFRJ. 139p, HUANG, H. Facility layout using layout modules. Tese (PhD), The Ohio State University, Ohio, USA. 156p, IRANI, S.A. & HUANG, H. Custom design of facility layouts for multiproduct facilities using layout modules. IEEE Transactions on Robotics Automation. Vol.16, n.3, p , KAUFMAN, L. & ROUSSEEUW, P.J. Finding groups in data: an introduction to cluster analysis. Wiley series in probability and mathematical statistics, New York: John Wiley & Sons,
9 LACERDA, E.G.M.; CARVALHO, A.C.P.L.F. & LUDERMIR, T.B. Um tutorial sobre algoritmos genéticos. RITA. Vol. IV, n.2, p , TAM, K.Y. An operation sequence based similarity coefficient for part families formations. Journal of Manufacturing Systems. Vol.9, n.1, p.55-68, TSENG, L. & YANG, S.B. A genetic approach to the automatic clustering problem. Pattern Recognition. Vol.34, p ,
PROJETO DE ARRANJO FÍSICO MODULAR: UMA ABORDAGEM POR ALGORITMO GENÉTICO DE AGRUPAMENTO
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PROJETO DE ARRANJO FÍSICO MODULAR: UMA ABORDAGEM
Leia maisAlgoritmo genético de agrupamento para formação de módulos de arranjo físico
Algoritmo genético de agrupamento para formação de módulos de arranjo físico Resumo Ana Rita Tiradentes Terra Argoud Eduardo Vila Gonçalves Filho Alexandre José Tiberti O projeto de arranjo físico modular
Leia maisAlgoritmo genético para formação de células de fabricação
Algoritmo genético para formação de células de fabricação Eduardo Vila Gonçalves Filho (EESC-USP) evila@sc.usp.br José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Ana Rita T. Terra
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 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 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. 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 maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia mais3. 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 maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisAlgoritmos 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 maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisIntrodução 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 mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia 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 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 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 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 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 maisAnálise do desempenho dos arranjos físicos distribuídos operando sob roteamento de peças com flexibilidade de seqüenciamento
Análise do desempenho dos arranjos físicos distribuídos operando sob roteamento de peças com flexibilidade de seqüenciamento José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Eduardo
Leia 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 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. 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 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 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. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia maisOtimização. 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 maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia 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 maisTG: Tecnologia de Grupo (Group Technology)
UNIFEI EME006 - Automação Industrial TG: Tecnologia de Grupo (Group Technology) Aula 02 Prof. José Hamilton Chaves Gorgulho Júnior 1 TG Conjunto de métodos e técnicas que buscam obter famílias de peças
Leia 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 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 maisOtimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
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 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 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 mais3 Otimização Aplicada a Reconstituição de Acidentes
27 3 Otimização Aplicada a Reconstituição de Acidentes 3.1. Otimização A otimização é uma metodologia empregada para minimizar ou maximizar uma função e geralmente são utilizados em problemas onde existam
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
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 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 mais2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL
2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL Esta dissertação trata da pesquisa e análise dos métodos existentes que utilizam arranjo matricial (array-based clustering), para obtenção
Leia 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 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 maisNova abordagem na geração de arranjo físico maximamente distribuído
Nova abordagem na geração de arranjo físico maximamente distribuído José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Eduardo Vila Gonçalves Filho (EESC-USP) evila@sc.usp.br Resumo
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia maisA procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
Leia maisTópicos Avançados em IA. Prof. Eduardo R. Hruschka
Tópicos Avançados em IA Prof. Eduardo R. Hruschka Créditos Este material consiste de adaptações dos originais: Elaborados por Eduardo Hruschka e Ricardo Campello de (Tan et al., 2006) de E. Keogh (SBBD
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 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 maisProblema de Satisfação de Restrições
Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas para PSRs Problema de Satisfação
Leia maisProblema de Satisfação de Restrições. Problema de Satisfação de Restrições. Grafo de restrições. Exemplo: 4 Rainhas como um PSR
Problema de Satisfação de Restrições Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas
Leia 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 maisANÁLISE DO DESEMPENHO DOS ARRANJOS FÍSICOS DISTRIBUÍDOS OPERANDO SOB ROTEAMENTO DE PEÇAS COM FLEXIBILIDADE DE SEQÜENCIAMENTO
Universidade Tecnológica Federal do Paraná - UTFPR Campus Ponta Grossa - Paraná - Brasil ISSN 1808-0448 / v. 03, n. 01: p. 01-12, 2007 ANÁLISE DO DESEMPENHO DOS ARRANJOS FÍSICOS DISTRIBUÍDOS OPERANDO SOB
Leia maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
Leia maisFORMAÇÃO ESPONTÂNEA DE CÉLULAS FRACTAIS NA MAXIMIZAÇÃO DA DISTRIBUIÇÃO DE MÁQUINAS EM ARRANJOS FÍSICOS
FORMAÇÃO ESPONTÂNEA DE CÉLULAS FRACTAIS NA MAXIMIZAÇÃO DA DISTRIBUIÇÃO DE MÁQUINAS EM ARRANJOS FÍSICOS José Hamilton Chaves Gorgulho Júnior Universidade Federal de Itajubá (UNIFEI) Av. BPS, 1303, Bairro
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisAnálise de Agrupamento. Cluster Analysis
Análise de Agrupamento Cluster Analysis Objetivo Classificar objetos, itens ou indivíduos de acordo com as suas semelhanças. Os objetos semelhantes são alocados em um mesmo grupo e, portanto, aqueles que
Leia maisUtilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real
Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real Amarildo de Vicente 1, Rogério Luis Rizzi 1 1 Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade
Leia maisUma solução computacional para geração automática de peças com flexibilidade de processo para simulação
Uma solução computacional para geração automática de peças com flexibilidade de processo para simulação José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Eduardo Vila Gonçalves Filho
Leia 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 maisSOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS
Universidade Federal do Tocantins SOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS Diogo Rigo de Brito Guimarães Alexandre Tadeu Rossini da Silva Objetivo Implementar soluções heurísticas para o Jogo de Damas
Leia 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 maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
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 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 maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
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 mais5 Projeto de Novos Polímeros Condutores
5 Projeto de Novos Polímeros Condutores Polímeros condutores constituem uma nova classe de materiais eletrônicos com propriedades incomuns, baseadas em novos fenômenos físicos, tendo aplicações com largo
Leia 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 maisAplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas
Aplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas Resumo Gardiego Luiz da Silva 1 Henrique Faria de Oliveira 2 Faculdade
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisUniversidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial. Algoritmo Memético
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Algoritmo Memético aplicação para o problema do caixeiro viajante Kelly Rodrigues Abreu Federico
Leia 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 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. 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 maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisAlgoritmos Genéticos 1
Algoritmos Genéticos 1 Esquema de um GA Algoritmos Genéticos são um ramo da computação evolucionária Seu funcionamento pode ser resumido algoritimicamente através dos seguintes passos: Inicialize a população
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 maisSENSOMETRIA. Adilson dos Anjos. Curitiba, PR 21 de maio de Departamento de Estatística Universidade Federal do Paraná
SENSOMETRIA Adilson dos Anjos Departamento de Estatística Universidade Federal do Paraná aanjos@ufpr.br Curitiba, PR 21 de maio de 2015 1 / 7 SENSOMETRIA SEGMENTAÇÃO 2 / 7 Introdução Análise de agrupamentos->
Leia maisO USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR RESUMO INTRODUÇÃO
O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR Douglas Peioto de Carvalho,Miquéias Augusto Ferreira Nantes (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
Leia 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 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 maisIA: Inteligência Artificial
UNIFEI Os Sistemas Especialistas DENDRAL ~ 1960 EME006 - Automação Industrial IA: Inteligência Artificial Aula 12 Prof. José Hamilton Chaves Gorgulho Júnior Edward Feigenbaum 1936 - Joshua Lederberg 1925-2008
Leia maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisEXECUTIVE MASTER EM APPLIED BUSINESS ANALYTICS
EXECUTIVE MASTER EM APPLIED BUSINESS ANALYTICS UNIDADE CURRICULAR: MÉTODOS DE SEGMENTAÇÃO Relatório da Aplicação do Algoritmo SOM Mapa Auto-organizado Elisabeth Fernandes Nuno Pinho da Silva Ano letivo
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 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 maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia mais