PARTICLE SWARM OPTIMIZATION
|
|
- Sônia Pereira
- 5 Há anos
- Visualizações:
Transcrição
1 14 POSMEC - Smpóso do Programa de Pós-Graduação em Engenhara Mecânca Unversdade Federal de Uberlânda Faculdade de Engenhara Mecânca PARTICLE SWARM OPTIMIZATION Felpe Antono Chegury Vana Unversdade Federal de Uberlânda, Faculdade de Engenhara Mecânca. Av. João Naves de Ávla 2121 Campus Santa Mônca CEP , Uberlânda, MG. fchegury@mecanca.ufu.br Valder Steffen Júnor vsteffen@mecanca.ufu.br Resumo: Os algortmos clásscos de otmzação vêm sendo amplamente utlzados devdo a sua efcênca computaconal e sucesso na solução de problemas de projeto em Engenhara. Contudo, tas métodos encontram dfculdades ao se depararem com mínmos locas. Por sua vez, os métodos de otmzação natural requerem maor esforço computaconal, mas apresentam vantagens tas como: fácl mplementação, robustez e não requerem contnudade na defnção do problema. Neste trabalho é apresentado o algortmo conhecdo como Partcle Swarm Optmzaton, um algortmo baseado no comportamento socal de aves. A busca por almento ou pelo nnho e a nteração entre os pássaros ao longo do vôo são modelados como um mecansmo de otmzação. Desta forma, a área sobrevoada é equvalente ao espaço de projeto e encontrar o local com comda ou o nnho é semelhante a encontrar o ótmo. O algortmo é baseado em um modelo smplfcado da teora de enxames (swarm theory), através da qual os pássaros ou partículas fazem uso de suas experêncas e da experênca do própro bando para encontrarem o nnho ou almento. Do ponto de vsta sóco-cogntvo, sto quer dzer que a mente e, por conseqüênca, a ntelgênca, são atrbutos socas. Os fundamentos teórcos, o algortmo básco e algumas aplcações são apresentados, nclundo a otmzação de funções matemátcas e solução de problemas nversos de dentfcação de forças em estruturas mecâncas. As aplcações evdencam a capacdade do algortmo na solução de dferentes problemas, bem como salentam a habldade de trabalhar com varáves dscretas e contínuas smultaneamente. Palavras-chave: Otmzação, Partcle Swarm Optmzaton, Problemas Inversos. 1. INTRODUÇÃO Engenheros e centstas estão constantemente procurando por técncas que permtam encontrar soluções ótmas para os mas dversos problemas. De forma geral, a tarefa de otmzação envolve város componentes: o espaço de projeto (ou de busca), onde são consderadas todas as possbldades de solução de um determnado problema; a função objetvo (também chamada de função custo, função de avalação ou crtéro de desempenho), que representa uma manera de avalar os elementos do espaço de projeto; as restrções, que delmtam o espaço de projeto e demarcam a área onde a busca pode ocorrer e quas as lmtações e penaldades a função objetvo sofrerá; e o otmzador, ou seja, o algortmo que rá fornecer a resposta ao problema de otmzação. Com freqüênca, a chave para resolver com sucesso o problema de otmzação está na escolha do método que melhor rá se adequar à solução do problema. Os algortmos de otmzação podem ser classfcados quanto ao tpo de nformação que necesstam para resolver o problema (Vanderplaats, 1999). Desta forma: Métodos de ordem zero: não usam nformação do gradente. Métodos de prmera-ordem: demandam o cálculo do gradente da função objetvo.
2 Métodos de segunda-ordem: requerem uma expansão de segunda ordem da função objetvo. Uma outra classfcação, lustrada pela Fgura 1, é quanto ao paradgma que o método segue. Esta abordagem pode ser clássca, fundamentada em prncípos do Cálculo (Vanderplaats, 1999), ou, alternatvamente, a abordagem pode ser nsprada em fenômenos naturas, físcos, químcos ou bológcos, orgnando a chamada otmzação natural (Haupt and Haupt, 1998). Optmzaton Methods Classcal Optmzaton Natural Optmzaton Random Search Powell's Method Populaton-Based Partcle Swarm Optmzaton Evolutonary Algorthms Evolutonary Strateges Genetc Algorthms Evolutonary Programmng Genetc Programmng Ant Colony Systems Tabu Search Smulated Annealng Zero-Order Methods Steepest Descent Conjugate Drecton Method Varable Metrc Methods Frst-Order Methods Newton's Method Second-Order Method Fgura 1: Métodos de Otmzação (adaptado de Rasmussen, 2002). Métodos clásscos possuem uma grande vantagem, qual seja o baxo número de avalações da função objetvo, o que faz com que tenham convergênca rápda. Contudo, estes métodos têm uma nabldade em ldar com mínmos locas. Como estes métodos trabalham com um únco ponto do espaço de projeto e com nformações sobre os gradentes, ao se depararem com mínmos locas estes métodos não conseguem avançar na busca, convergndo prematuramente, sem encontrar o mínmo global. Nos métodos de otmzação natural, a função objetvo é avalada váras vezes, sendo possível trabalhar com város pontos ao mesmo tempo em uma teração. Isto eleva o custo computaconal destes métodos. Entretanto, sto é compensado pela menor chance que estes métodos têm de se dexarem prender em mínmos locas. Há claramente uma relação de compromsso estabelecda. 2. MÉTODOS NATURAIS DE OTIMIZAÇÃO De forma geral, os métodos de otmzação natural requerem maor esforço computaconal quando comparados aos métodos clásscos, mas apresentam vantagens tas como: fácl mplementação, robustez e não requerem contnudade na defnção do problema (Verter, 2002). Como exemplo destes métodos podem ser ctados os Algortmos Genétcos. Os Algortmos Genétcos trabalham técncas de computação evolutva, as quas modelam a evolução das espéces proposta por Darwn e operando sobre uma população de canddatos (possíves soluções). A déa é que a evolução da população faça com que a formação dos cromossomos dos ndvíduos camnhe para o ótmo, à medda que aumenta sua função de adaptação (ftness) Para melhor stuar os algortmos de otmzação natural, uma classfcação e dscussão geral sobre eles é encontrada em Rasmussen, Esta referênca aborda algortmos adaptatvos e propõe a classfcação da Fgura 2. 2
3 Natural Optmzaton Methods Hll-Clmbng Stochastc Search Stochastc HC Smulated Annealng Determnstc HC Neghbourhood Search Steepest ascent Tabu Search Populaton-Based Search Partcle Swarm Optmzaton Evolutonary Algorthms Evolutonary Strateges Genetc Algorthms Evolutonary Programmng Genetc Programmng Ant Colony Systems Fgura 2: Classfcação de métodos naturas de otmzação (adaptado de Rasmussen, 2002). 3. OTIMIZAÇÃO POR ENXAME DE PONTOS (PARTICLE SWARM OPTIMIZATION) 3.1 Comportamento Socal de Enxames Aplcado à Otmzação PSO fo ntroduzdo por James Kennedy e Russell Eberhart em 1995 e emergu de experêncas com algortmos que modelam o comportamento socal observado em mutas espéces de pássaros (Pomeroy, 2003). Dentre város modelos exstentes, Kennedy e Eberhart se nteressaram partcularmente pelo modelo desenvolvdo pelo bólogo Frank Heppner. Imagne a segunte stuação: um grupo de pássaros está aleatoramente procurando por comda, ou um lugar que lhes srva como nnho, em uma certa regão. Além dsso, havera somente um lugar com comda, ou nnho, em toda regão e os pássaros não sabem, a pror, onde este lugar está. Então, qual é a melhor estratéga para procurá-lo? A mas efetva é a de segur o pássaro que está mas próxmo da comda ou do descanso. Os pássaros de Heppner apresentam as mesmas característcas de outros modelos, mas acrescentam algo dferente: eles são atraídos para um lugar com comda ou nnho. Em smulações, eles podem começar voando sem nenhuma orentação partcular e então, espontaneamente, eles formam bandos até que um ou mas pássaros voam sobre o nnho. Através de regras smples que os pássaros usam para se movmentarem, um pássaro sa do bando para pousar no nnho e acaba atrando os pássaros mas próxmos. A manera pela qual um pássaro que encontra o local desejado atra seus vznhos aumenta a chance de eles também o encontrarem. Do ponto de vsta sóco-cogntvo, sto quer dzer que a mente e por conseqüênca a ntelgênca, são socas. A essênca do ponto de vsta da mente socal é que os ndvíduos aprendem prncpalmente com o sucesso de seus vznhos. Desta forma, é necessáro um ajuste entre as capacdades de procurar por uma boa solução (exploração - exploraton) e a de trar proveto de algo para seu própro sucesso (proveto - explotaton). Se houver pouca exploração a resposta rá convergr para a prmera boa solução encontrada. Se houver pouco proveto, a resposta ótma pode nunca ser encontrada. Em outras palavras, os dos tpos de comportamento que devem ser balanceados são a ndvdualdade e a socalzação. 3.2 O algortmo Partcle Swarm Optmzaton O algortmo é baseado em um modelo smplfcado da teora de enxames (swarm theory). Os pássaros (no algortmo, chamados de partículas) fazem uso de suas experêncas e da experênca do própro bando para encontrarem um local de descanso ou fonte de comda. PSO faz uso de um vetor de velocdades e um vetor de posção para modelar o comportamento das partículas. 3
4 Assm, a posção de cada partícula é atualzada consderando a sua velocdade atual, o conhecmento adqurdo pela partícula e o conhecmento adqurdo pelo bando. O fluxograma da Fgura 3 traz um esboço do algortmo (Rojas et al, 2004): Create the Intal Swarm Update the velocty vector for each partcle Update the poston of each partcle No Stop Crteron Yes Ext Fgura 3: Fluxograma para o algortmo PSO básco. A posção das partículas é atualzada segundo a equação: x = k 1 x + k v + k+ 1 t (1) xk + 1 vk + 1 onde representa a posção de cada partícula na teração k+1, representa o vetor de velocdade e corresponde ao passo de tempo. O vetor de velocdade é atualzado segundo a equação: s ( p xk) ( pk xk) vk+ 1 = wvk + cr c2r2 (2) onde r 1 e r 2 são números aleatóros entre 0 e 1, p é a melhor posção encontrada pela partícula e s p k é a melhor posção do bando na teração k. Exstem três parâmetros dependentes do problema, a nérca da partícula (w), e os dos parâmetros de confança c 1 e c 2. A nérca controla a capacdade de exploração do algortmo, ou seja, um valor alto faclta um comportamento mas global, enquanto um valor baxo faclta um comportamento mas local (Venter and Sobeszczansk-Sobesk, 2002). Os parâmetros de confança ndcam o quanto uma partícula confa em s (c 1 ), e no bando (c 2 ). A Fgura 4 lustra a aplcação da equação anteror, ao consderar duas partículas voando em um espaço de projeto bdmensonal. X 2 1 v k 1 v k+1 partcle v v k s partcle 2 p s 2 v 1 s v p p 1 2 v k+1 2 v p p 2 v k - current velocty v s - velocty towards swarm optmum v p - velocty towards partcle optmum v k+1 - resultant velocty - current poston - next poston p s - swarm optmum p - partcle optmum = 1,2 X 1 Fgura 4: Vetor de velocdades em ação. 3.3 Enxame Incal 4
5 O enxame ncal é geralmente crado com as partículas dstrbuídas aleatoramente sobre o espaço de projeto, cada uma com um vetor de velocdade aleatóro ncal. A posção e o vetor de velocdade ncas são obtdos pelas seguntes equações: x = x + r( x x ) (3) 0 mn 1 max mn x + r ( x x v0 = mn 2 max mn ) (4) Nas equações acma r 1 e r 2 são números aleatóros entre 0 e 1, x mn é o vetor de lmtes nferores (lower bounds) e x max é o vetor de lmtes superores (upper bounds) para as varáves de projeto. 3.4 Parâmetros do Algortmo A fórmula usada para a atualzação do vetor de velocdade, Equação (2), contém alguns parâmetros que são ajustados de acordo com o problema. São eles os parâmetros de confança e a nérca. Os parâmetros de confança devem ser seleconados de forma a balancear a nfluênca do conhecmento adqurdo pela partícula e aquele adqurdo pelo enxame. A nérca é ajustada para ndcar o quanto da velocdade corrente rá permanecer na próxma teração. A lteratura propõe que sejam usados c1 = c2 = 2 e, para a nérca, valores no ntervalo 0.8 < w < 1.4. Adconalmente, os parâmetros de confança podem ser seleconados para valores dferentes, geralmente satsfazendo c1+ c2 = 4. Para a nérca, um processo de ajuste dnâmco do valor de w é proposto por Venter and Sobeszczansk-Sobesk (2002). Segundo estes autores, sto resulta em: 1) uma convergênca mas rápda do algortmo e; 2) a escolha do valor de w mas lvre ou até sem a nteração do usuáro. A nérca é atualzada segundo a equação: w = f w (5) new w old onde f w é uma constante entre 0 e 1. Uma nérca ncal de w 0 = 1.4 e f w = são usadas no decorrer deste trabalho. O valor de w não é ajustado em cada teração. Um coefcente de varação ( CV ) dos valores da função objetvo para um subconjunto das melhores partículas é montorado. Se o CV fca abaxo de um lmar, é assumdo que o algortmo está convergndo para uma solução ótma (Venter and Sobeszczansk-Sobesk, 2002); neste caso, a massa é ajustada segundo a Equação (5). A equação para o CV é: CV StdDev = (6) Mean onde StdDev é o desvo padrão e Mean é a méda da função objetvo, ou dos vetores de posção, de um conjunto pré-estabelecdo de partículas. Neste trabalho um subconjunto de 20% das partículas será montorado e um lmar de 1.0 é adotado para CV. 3.5 Otmzação com Restrções O PSO, assm como os Algortmos Genétcos, não trabalha dretamente com restrções. Contudo, através de uma formulação aproprada do problema de otmzação, pode-se fazer com que o algortmo manpule restrções. Uma manera bastante conhecda é trabalhar com funções de penaldade quadrátca estendda (quadratc extended penalty functon), (Vanderplaats, 1999). 5
6 Desta manera, é crada uma função pseudo-objetvo defnda como: m 2 f ( x) = f( x) + α max[0, g ( x)] (7) = 1 sendo f (x) a função objetvo orgnal, α o parâmetro de penaldade (de ordem varável segundo o ~ tpo de problema), g (x) o conjunto de todas as restrções (com volações para g ( x) > 0 ) e f ( x ) a nova função objetvo. 3.6 Manpulando Volações Nos problemas de otmzação envolvendo restrções, partículas que volam alguma restrção merecem atenção especal. O tratamento da volação começa pela novo cálculo do vetor de velocdade, avalado segundo a equação: s ( p xk) ( pk xk) vk + 1 = cr c2r2 (8) Logo após, o vetor de posção é atualzado de acordo com a Equação (1), onde x k é o vetor de posção antes da volação. Assm, dferentemente da formulação ncal, a Equação (8) não consdera a nformação do vetor de velocdade na teração anteror para o cálculo do vetor velocdade da teração atual. Isto porque a partícula estara voando rumo a uma volação. Desprezando esta nformação, resta s apenas p, a melhor posção encontrada pela partícula e p k, a melhor posção do bando na teração k. Segundo Venter and Sobeszczansk-Sobesk (2002), na maora dos casos este novo vetor de velocdades apontará para uma regão realzável e a partícula sa da restrção. 3.7 Varáves de Projeto Dscretas/Interas Dferentemente de Algortmos Genétcos, ncalmente propostos para varáves dscretas, PSO é nerentemente um algortmo contínuo. Contudo, o algortmo tem um potencal consderável em resolver problemas dscretos e/ou funções ou varáves descontínuas. Neste trabalho, uma pequena modfcação, dentre váras possíves, é ntroduzda ao algortmo básco de PSO para resolver problemas com varáves dscretas. A técnca é dreta: a posção de cada partícula é arredondada para o valor ntero mas próxmo logo após a aplcação da Equação (1) ou da Equação (3). Este método, anda que smples, tem demonstrado efcênca nos problemas testados. 3.8 Operador de Perturbação (Crazness Operator) Para evtar convergênca prematura do algortmo PSO, uma aleatoredade adconal pode ser ntroduzda usando o operador de perturbação (crazness operator). Este operador atua como o operador de mutação nos Algortmos Genétcos. O operador de perturbação altera tanto o vetor de posção quanto o vetor de velocdade da partícula afetada. A posção da partícula é alterada aleatoramente, enquanto o vetor de velocdade é recalculado segundo a equação: v ( p xk ) = cr k (9) 6
7 O operador é aplcado ao fm de cada teração e as partículas a serem alteradas são dentfcadas pelo mesmo coefcente de varação (CV) defndo anterormente. Se o valor do CV estver abaxo de um lmar é assumdo que o enxame está se tornado muto unforme. Neste caso, partículas que estão longe do centro do enxame são dentfcadas, usando o desvo padrão das coordenadas de cada partícula. Partículas que estão localzadas a mas de duas vezes o desvo padrão do centro do enxame são sujetas ao operador de perturbação. Venter and Sobeszczansk-Sobesk (2002) afrmam que não há um consenso quanto a efcênca deste operador. Segundo esta referênca, Kennedy e Eberhart concluíram que este operador pode não ser necessáro, enquanto Foure e Groenwold rentroduzram o operador em suas aplcações. Desta manera, fca a cargo do usuáro a decsão de utlzar ou não este operador. 4. APLICAÇÕES Para realzação de testes e posterores aplcações em problemas reas de otmzação, fo escrto um códgo na forma de um toolbox para MATLAB. 4.1 Aplcação em Funções Multmodas Este tpo de problema é especalmente nteressante por possbltar a análse de operadores, crtéros de parada, manpulação de restrções, etc. Neste trabalho, a aplcação tem por objetvo mnmzar da função dada por: 3 f( x) = x.sn(2 π x), 0 x 10 (10) A Tabela 1 traz as confgurações do algortmo para a aplcação. Tabela 1: Confguração dos parâmetros do PSO para a aplcação em funções multmodas. Número de partículas w Self trust (c 1 ) Swarm trust (c 2 ) Máxmo de terações Os resultados podem ser vsualzados na Fgura 5. As Fgura 5-(a) e (b) mostram o gráfco da função objetvo e a dstrbução ncal e fnal do enxame em uma das smulações realzadas; o ótmo encontrado fo x = Na Fgura 5-(c) tem-se o resultado para 1000 smulações. E optm fnalmente, na Fgura 5-(d) tem-se uma análse estatístca para os resultados. Fgura 5: Resultados para a prmera aplcação. É possível perceber uma baxa dspersão nos resultados ao longo das 1000 smulações bem como a robustez do algortmo, ao fugr dos mínmos locas. 7
8 4.2 Aplcação em Engenhara Em dversas aplcações de Engenhara Estrutural é mportante conhecer o carregamento externo a que estão submetdas as estruturas em condções reas, objetvando avalar o nível de segurança, verfcar as consderações adotadas no projeto e promover o redmensonamento de componentes. Consderando a nfluênca exercda pelo carregamento externo sobre as respostas dnâmcas através do efeto conhecdo por enrjecmento por tensão, é possível, através de um procedmento nverso, obter nformações acerca dos níves e dstrbuções de cargas a partr das respostas dnâmcas meddas da estrutura (Rojas, 2004). Uma vez que nos problemas nversos a uncdade da solução não pode ser garantda, verfca-se que as técncas clásscas de otmzação fcam comprometdas em vrtude da presença de mínmos locas no espaço de projeto. Neste sentdo, é proposta uma metodologa para a determnação das cargas externas em estruturas através de uma técnca de problemas nversos, a partr das respostas dnâmcas dos sstemas e usando PSO segudo por um algortmo clássco baseado na programação quadrátca seqüencal (Sequental Quadratc Programmng - SQP), assm como pode ser vsto em Rojas (2004) e Rojas et al (2004). Neste trabalho, foram realzadas smulações que objetvam dentfcar a magntude, a posção e a dreção de um carregamento aplcado em uma estrutura bdmensonal, lustrada na Fgura 6. Fgura 6: Modelo de Elementos Fntos para um pórtco bdmensonal. A partr do modelo de elementos fntos, é possível obter as freqüêncas naturas da estrutura submetda ou não a qualquer carregamento. Desta forma um expermento computaconal é realzado, orgnando o sstema que se deseja dentfcar. Por fm, constró-se uma função objetvo que caracterza as dferenças entre o sstema a ser dentfcado e todas as outras combnações ndesejadas dentro do espaço de busca. Matematcamente a função objetvo pode ser escrta como: J ( p) m ω = = 1 ( m ) ( p) ω ( e) ω ( e) (11) sendo: m o número de freqüêncas naturas usadas, p o vetor de parâmetros para o carregamento (a ser dentfcado), ( m ω ) ( p ) as freqüêncas naturas calculadas a partr do modelo de elementos fntos e ( e ω ) ( p ) as freqüêncas naturas do expermento (estrutura com carregamento). 8
9 Os seguntes cenáros são estudados: 1) dentfcação da magntude de ; 2) dentfcação da magntude e posção de F1 ; 3) dentfcação da magntude, posção e dreção de F1. A Tabela 2 mostra as freqüêncas naturas com e sem os carregamentos propostos para cada cenáro. Tabela 2: Freqüêncas naturas para o pórtco bdmensonal. Freqüêncas Naturas [Hz] Cenáro Sem carregamento , 2, 3 F 1 [N] A Tabela 3 mostra os resultados da dentfcação dos város cenáros obtdos. Como em aplcações reas, métodos de dentfcação devem ser robustos o sufcente para manpular erros expermentas. Assm, fo consderada uma stuação na qual os dados expermentas foram corrompdos com 10% de erro aleatoramente, como mostra a Tabela 3. Na tabela refere-se à magntude do carregamento e P e D denotam a posção e a dreção de F. Tabela 3: Resultados da dentfcação usando PSO e PSO + SQP. Sem dados corrompdos Com dados corrompdos PSO PSO + SQP PSO PSO + SQP Cenáro Exato Ótmo Ótmo Erro [%] Ótmo Erro [%] Ótmo Erro [%] 1 F 1 [N] x F 1 [N] x P F 1 [N] x P D F 1 F 5. CONCLUSÕES E TRABALHOS FUTUROS As smulações realzadas propõem-se a testar o algortmo e a sua mplementação. A partr delas pode-se conclur que o algortmo PSO se mostrou versátl, operando com sucesso nos casos de otmzação de funções multmodas e também nas aplcações de Engenhara. Os resultados obtdos pela análse estatístca das buscas em funções multmodas mostram que o algortmo apresenta robustez e ótma repetbldade de resultados. Nas aplcações em Engenhara, PSO mostra habldade na otmzação com varáves puramente dscretas e com varáves dscretas e contínuas smultaneamente, partcularmente no caso do tratamento de problemas nversos. Com vstas à dvulgação e ao desenvolvmento de métodos naturas de otmzação, podem ser sugerdos, como trabalhos futuros, testes com o códgo desenvolvdo na solução de dferentes problemas de Engenhara, aprmoramento do códgo já dsponível e mplementando novas rotnas, além de comparar os resultados obtdos com outros algortmos de otmzação. 6. AGRADECIMENTOS Os autores são gratos à CNPq pelo suporte fnancero oferecdo para este trabalho. 7. REFERÊNCIAS 9
10 Haupt, R. L. and Haupt, S. E.; Pratcal Genetc Algorthms, Wley-Interscence Publcaton, New York, Hu, X., PSO Tutoral, [21 Setembro de 2003]. Kennedy, J. and Eberhart, R. C., Partcle Swarm Optmzaton, Proceedngs of the 1995 IEEE Internatonal Conference on Nerual Networks, Perth, Australa, 1995,pp Pomeroy, P., An Introducton to Partcle Swarm Optmzaton, [15 Setembro de 2003]. Rasmussen, T. K., Improvng Partcle Swarm Optmzaton by hybrdzaton of stochastc search heurstcs and Self-Organzed Crtcalty, Doctoral thess, Unversty of Aarhus, Department of Computer Scence, Aarhus C, Denmark, May Rojas, J. E. F., Caracterzação do Efeto de Enrjecmento por Tensões e Identfcação de Cargas em Estruturas baseada em Respostas Dnâmcas, Dssertação de Mestrado, Unversdade Federal de Uberlânda, MG Brasl, Rojas, J.E., Vana, F.A.C., Rade, D.A. and Steffen Jr, V., "Force dentfcaton of mechancal systems by usng partcle swarm optmzaton". In Proceedngs of the 10 th AIAA/ISSMO Multdscplnary Analyss and Optmzaton Conference, Albany, New York, Aug Sept Vanderplaats, G. N., Numercal Optmzaton Technques for Engneerng Desgn, Vanderplaats Research and Development, Inc., 3rd ed., Venter, G. and Sobeszczansk-Sobesk, J., Partcle Swarm Optmzaton, Proceedngs of the 43rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamcs, and Materals Conference, Denver, CO, Vol. AIAA , Aprl PARTICLE SWARM OPTIMIZATION Felpe Antono Chegury Vana Federal Unversty of Uberlânda, School of Mechancal Engneerng 2160 João Naves de Ávla Av., Campus Santa Mônca, CEP , P.O. Box 593, Uberlânda, Brazl fchegury@mecanca.ufu.br Valder Steffen Júnor vsteffen@mecanca.ufu.br Abstract: Classcal optmzaton methods have been wdely used n the soluton of desgn problems n Engneerng due ther computatonal effcency and success. However, these methods fnd dffcultes when they search along local mnma. In the other hand, natural optmzaton methods requre more computatonal effort, but they have shown advantages such as: easness of mplementaton, robustness, they do not requre contnuty of the functons nvolved n the optmzaton problem. In ths work t s presented the algorthm known as Partcle Swarm Optmzaton, an algorthm based on the socal behavor of brds. The search procedure for food or nest and the nteracton among the brds through the flyng are modeled as an optmzaton mechansm. By ths way, the flght area s equvalent to the desgn space and to fnd food or nest s smlar as to fnd the optmum. The algorthm s based on a smplfed model of the swarm theory, n whch the brds or partcles use ther own experence together wth the swarm experence n order to fnd food or nest. In the soco-cogntve vewpont, ths means that the mnd and, as a consequence, the ntellgence, are socal attrbutes. The theoretcal foundatons, the basc algorthm and some applcatons are presented, ncludng the optmzaton of analytcal functons and soluton of nverse problems as the one dedcated to force dentfcaton of mechancal structures. The applcatons ndcate the capacty of the heurstc technques to obtan the soluton of dfferent problems, as well they pont out the ablty of dealng wth dscrete and contnuous varables smultaneously. Keywords: Optmzaton, Partcle Swarm Optmzaton, Inverse Problems. 10
Otimização por Colônia de Partículas
Otmzação por Colôna de Partículas Sezmára de F.P Saramago, Jar Rocha do Prado Faculdade de Matemátca - FAMAT, Unversdade Federal de Uberlânda 38408-00, Uberlânda, MG E-mal: Saramago @ufu.br, jar@mat.ufu.br,.
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisARTIGO ORIGINAL. Comparação Entre os Métodos PSO e Simulated Annealing na Minimização de Funções Não Lineares
DOI: 10.18605/175-775/cereus.v10np376-388 ARTIGO ORIGINAL Mnmzação de Funções Não Lneares Comparson Between PSO and Smulated Annealng Methods n the Mnmzaton of
Leia mais(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se:
1 RELATÓRIO - MODIFICAÇÃO DA CONDIÇÃO DE CONTORNO DE ENTRADA: MODELOS PARCIALMENTE CATALÍTICO E NÃO CATALÍTICO PARA ESCOAMENTOS COM TAXA FINITA DE REAÇÃO 1. Condções de contorno Em escoamentos reatvos,
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisAlgoritmos Genéticos: a otimização aplicando a teoria da evolução
Algortmos Genétcos: a otmzação aplcando a teora da evolução Sezmára F. Perera Saramago Faculdade de Matemátca Unversdade Federal de Uberlânda saramago@ufu.br Resumo. Este artgo apresenta um texto ntrodutóro
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisPROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS
PROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS Renato S. Gomde 1, Luz F. B. Loja 1, Edna L. Flôres 1 1 Unversdade Federal de Uberlânda, Departamento de Engenhara
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisCOMPARAÇÃO ENTRE METODOLOGIA DE OTIMIZAÇÃO GLOBAL E O MÉTODO DE GRADIENTES PARA AJUSTE DE HISTÓRICO ASSISTIDO
COMPARAÇÃO ENTRE METODOLOGIA DE OTIMIZAÇÃO GLOBAL E O MÉTODO DE GRADIENTES PARA AJUSTE DE HISTÓRICO ASSISTIDO Célo Mascho e Dens José Schozer, Unversdade Estadual de Campnas, Faculdade de Engenhara Mecânca
Leia maisPROJETO ÓTIMO DE MANIPULADORES 3R USANDO ALGORITMOS EVOLUTIVOS
6º POSMEC Unversdade Federal de Uberlânda Faculdade de Engenhara Mecânca PROJETO ÓTIMO DE MANIPULADORES 3R USANDO ALGORITMOS EVOLUTIVOS Govana Trndade da Slva Olvera Unversdade Federal de Uberlânda Campus
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisALGORITMO PARTICLE SWARM HÍBRIDO UTILIZADO NA ALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL
ALGORITMO PARTICLE SWARM HÍBRIDO UTILIZADO NA ALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL Pedro Alexo Brandn [] emal: pedrobrandn@clc2.com.br Edgar Manuel Carreño Franco
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisOTIMIZAÇÃO DA ALOCAÇÃO DE EMPUXO EM SISTEMAS DE POSICIONAMENTO DINÂMICO
OTIMIZAÇÃO DA ALOCAÇÃO DE EMPUXO EM SISTEMAS DE POSICIOAMETO DIÂMICO Autor: Emlo Celso de Souza Orentador: Prof. Dr. Deco Crsol Donha e.mal: decdonha@usp.br Departamento de Engenhara Mecânca Escola Poltécnca
Leia maisAlgoritmos Genéticos e Particle Swarm Optimization e suas aplicações problemas de Guerra Eletrônica.
Algortmos Genétcos e Partcle Swarm Optmzaton e suas aplcações problemas de Guerra Eletrônca. CC (EN) Alexandre de Vasconcelos Sclano sclan@ta.br, Tel +--- Dretora de Sstemas de Armas da Marnha (DSAM) Rua
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia mais3 Algoritmo de Busca Tabu
3 Algortmo de Busca Tabu 3.1 Introdução A forma básca do algortmo de Busca Tabu está fundamentada nas déas propostas em [Glover Laguna, 1997] e é baseado em procedmentos heurístcos que permtem explorar
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisBalanceamento das cargas nas respectivas fases do circuito [8]: Posicionamento do transformador abaixador: Recondutoramento dos circuitos:
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN PLANEJAMENTO DE CIRCUITOS SECUNDÁRIOS DE DISTRIBUIÇÃO USANDO ALGORITMO EVOLUTIVO ESPECIALIZADO Antono Marcos Coss Grupo
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais4 Sistema Híbrido de Otimização de Estratégia de Controle de Válvulas de Poços Inteligentes sob Incertezas
44 4 Sstema Híbrdo de Otmzação de Estratéga de Controle de Válvulas de Poços Intelgentes sob Incertezas Conforme dscutdo no capítulo 2, na engenhara de reservatóro a atvdade de gerencamento é uma tarefa
Leia maisTRAJETÓRIA ÓTIMA DE ROBÔS MANIPULADORES AO INTERCEPTAR OBJETOS EM MOVIMENTO
16º POSMEC Unversdade Federal de Uberlânda Faculdade de Engenhara Mecânca TRAJETÓRIA ÓTIMA DE ROBÔS MANIPULADORES AO INTERCEPTAR OBJETOS EM MOVIMENTO Rogéro Rodrgues dos Santos Faculdade de Engenhara Mecânca,
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia mais3 Desenvolvimento do Modelo
3 Desenvolvmento do Modelo Neste capítulo apresentaremos como está estruturado o modelo desenvolvdo nesta dssertação para otmzar o despacho de geradores dstrbuídos com o obetvo de reduzr os custos da rede
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia mais