Algoritmo Híbrido Genético-Fuzzy aplicado em Câncer de Próstata
|
|
- Otávio Coelho Rocha
- 8 Há anos
- Visualizações:
Transcrição
1 Algoritmo Híbrido Genético-Fuzzy aplicado em Câncer de Próstata Murilo A. Tosatti 1, Júlio C. A. Galvão Filho 1, Felipe R. Forbeck 1, André B. Fonseca 1, João P. M. K. Katayama 1, Emmanuel D. Silva 1, Maria J. P. Castanho 2, Sandra M. G. S. Venske 1, Angelita M. De Ré 1, Fábio Hernandes 1 1 Departamento de Ciência da Computação Universidade Estadual do Centro-Oeste (UNICENTRO) Caixa Postal Guarapuava - PR Brasil 2 Departamento de Matemática Universidade Estadual do Centro-Oeste (UNICENTRO) Caixa Postal Guarapuava - PR Brasil murilotosatti@gmail.com, juliogalvaofilho@yahoo.com.br, hopper.frf@gmail.com, andrebritofonseca@gmail.com, minoru.koka@gmail.com, emmanueldsilva@yahoo.com.br, zeza@unicentro.br, sandravenske@gmail.com, amdre65@yahoo.com.br, hernandes.fabio@gmail.com Abstract. Combining different Computational Intelligence techniques has obtained significant results in several areas. Genetic algorithms combined with fuzzy systems present advantages over their isolated utilization. In this paper a genetic-fuzzy system applied to the medical area is proposed. Two different approaches are implemented and compared. The proposed approach presents better results than the classic one. Resumo. A combinação de diferentes técnicas de Inteligência Computacional vem obtendo resultados significativos em diversas áreas. Algoritmos genéticos combinados com sistemas fuzzy apresentam vantagens sobre a utilização destas técnicas isoladas. Neste trabalho é proposto um sistema genético-fuzzy aplicado à área médica. São implementadas e comparadas duas abordagens diferentes. A abordagem proposta apresenta melhores resultados que a clássica. 1. Introdução Sistemas genético-fuzzy [Cordon et al 1997] ajudam a explorar e questionar a combinação da computação evolucionária e a lógica fuzzy. A técnica de integrar algoritmos genéticos [Goldberg 1989] e lógica fuzzy [Dubois e Prade 1980, Yager e Zadeh 1994] visa melhorar o desempenho dos mecanismos envolvidos visto que, tomados individualmente, cada um apresenta vantagens e limitações que podem ser exploradas nessa combinação. Existem importantes trabalhos publicados abordando os temas, com resultados interessantes especialmente em aplicações médicas. Em [Britto e Lopes 2001] é descrita uma abordagem de treinamento de um sistema fuzzy de apoio ao diagnóstico médico (câncer de mama e desordens do fígado), por meio de um algoritmo evolucionário baseado em exemplos. Em [Peña-Reyes e Sipper 1998, 1999] o diagnóstico de câncer também é alvo de utilização de sistemas genético-fuzzy. Já [Castanho et al 2008]
2 desenvolveu um sistema baseado em regras fuzzy para prever o estágio patológico do câncer de próstata, com dados existentes na literatura e auxílio de especialistas. No caso específico do câncer de próstata, o grau de confinamento do câncer é fator determinante na análise de benefício do procedimento invasivo (cirurgia) para a remoção do tumor. Os riscos da cirurgia justificam-se apenas se o tratamento tiver razoável chance de sucesso, isto é, se o tumor estiver confinado no órgão. Caso contrário, outras terapias podem ser aplicadas. Matemáticos e especialistas procuram refinar as regras para diagnóstico (usando sistemas especialistas, por exemplo) com base na literatura, experiências dos profissionais da área e observações de casos. São utilizados exames que retornam valores contínuos (como o PSA - Prostate-Specific Antigen) e exames sujeitos a variações perceptivas dos profissionais (como os exames de toque e o escore de Gleason da biópsia). O objetivo deste trabalho é propor uma abordagem alternativa baseada em sistemas genético-fuzzy e compará-la com a abordagem clássica de Pittsburgh [Smith 1980], aplicando-as ao problema da determinação do estágio do câncer de próstata. O sistema proposto é baseado em regras fuzzy para auxiliar na determinação das características relevantes aos exames e seus graus de influência. Sua configuração, desde a formulação de funções de pertinência até a agregação de regras, é executada com o auxílio de um algoritmo genético. Este artigo está organizado como segue: a Seção 2 apresenta o sistema genético fuzzy desenvolvido; na Seção 3 alguns resultados principais são descritos; as conclusões e trabalhos futuros estão na Seção 4, seguidos das referências. 2. Metodologia O sistema proposto é denominado híbrido por ser resultado da combinação de duas técnicas de inteligência artificial: 1. Um componente dinâmico para busca em um espaço de soluções (algoritmo genético). 2. Um componente estático, representando a relação e graus de influência dos fatores envolvidos (sistema fuzzy). A Figura 1 retrata os elementos do sistema e suas relações. Os dados da base de casos são utilizados pelo Avaliador para determinar a eficiência das soluções encontradas. Base de Dados Algoritmo Genético (Pittsburgh) Avaliador Algoritmo Genético (proposto) Sistema Fuzzy Figura 1. Arquitetura do sistema.
3 Para encontrar as configurações desejadas para o sistema fuzzy, foram implementadas (utilizando a linguagem Java) duas instâncias do algoritmo genético. A primeira, baseada na abordagem Pittsburgh [Smith 1980], possui o fluxo de execução padrão de um algoritmo genético e requer menor quantidade de recursos computacionais. A segunda é um algoritmo genético que utiliza a sobreposição de execuções como técnica de otimização dos indivíduos. Com isso a segunda ocupa mais espaço e maior poder de processamento. O Sistema Fuzzy (Figura 1) é o componente que avalia as soluções encontradas pelo algoritmo genético. Utilizando um objeto, gerado pelo leitor da base de dados, as funções de pertinência e as regras, obtidas em um indivíduo do algoritmo genético, o sistema fuzzy obtém uma análise computacional sobre o confinamento do câncer do caso clínico em questão. O avaliador utiliza os valores retornados pelo sistema fuzzy para analisar a freqüência de acertos de um indivíduo (solução) do algoritmo genético sobre a base de casos. Com isso, pode-se quantificar a validade dessa solução em relação às outras e sua eficácia. Cada componente do sistema é descrito pormenorizadamente nas subseções seguintes Base de Casos Para configuração e validação do sistema, foi utilizada uma base de dados contendo informações sobre 285 pacientes que se submeteram à prostatectomia radical no Hospital das Clínicas da Faculdade de Medicina da UNICAMP. Formatados em uma planilha eletrônica, os dados representam uma tabela com 285 pacientes e 57 colunas com informações de seus estados pré e pós-cirúrgicos. Entretanto, para a realização do estudo, foram utilizadas as informações sobre os três exames abordados (Gleason, PSA e toque) e o grau de confinamento observado após a análise do tecido removido (comprometimento dos tecidos adjacentes e margens cirúrgicas). Com os resultados dos exames (Gleason. PSA e toque) é possível estabelecer o estado clínico do paciente e prever o grau de confinamento do tumor. Estes três exames combinados produzem melhores resultados do que analisados separadamente. Neste trabalho eles são combinados utilizando um sistema baseado em regras fuzzy. O estágio do tumor, confinado ou não-confinado na próstata, só é conhecido após a análise pós-cirúrgica. Esses dados são utilizados para comparar os resultados obtidos com a realidade. O treinamento do sistema (formulação das funções e regras) é influenciado por essa comparação, buscando-se maximizar a quantidade de acertos Componente Dinâmico: Funcionamento dos Algoritmos Genéticos O sistema genético-fuzzy proposto foi implementado utilizando algoritmos genéticos baseados em duas abordagens, conforme descrito na Figura 1. Porém, apesar da diferença no fluxo de execução, os algoritmos possuem alguns componentes em comum: indivíduos, dinâmica da população, método de seleção e função de aptidão. Neste projeto os cromossomos dos indivíduos são divididos em duas partes: funções de pertinência e regras. Três conjuntos de funções de pertinências são utilizados para caracterizar os exames em análise (PSA, toque e Gleason). Essas funções são da
4 forma trapezoidal e representadas por quatro pontos (vértices do trapézio). As regras possuem um antecedente e um conseqüente. O antecedente é formado por uma combinação de valores para os 3 exames, enquanto o conseqüente é o resultado da análise, se o câncer está confinado ou não. Um exemplo de estrutura de um indivíduo pode ser visualizado na Figura 2. Figura 2. Representação do cromossomo. A população é formada por uma quantidade fixa de indivíduos. Durante a recombinação são gerados novos indivíduos, aumentando o tamanho dessa população. Porém, ao final de cada geração, indivíduos sobressalentes são eliminados. Esse ajuste é realizado baseando-se no fitness (função de aptidão) dos indivíduos: os indivíduos com menores valores de fitness possuem maior probabilidade de serem eliminados. Os operadores genéticos de mutação e recombinação são aplicados em uma parcela selecionada da população. A seleção para mutação ocorre de forma aleatória. Por outro lado, para a recombinação é utilizado o método da Roleta Viciada [Linden, 2006]. Com isso, os indivíduos com os maiores fitness possuem maiores chances de se reproduzirem, ao mesmo tempo em que qualquer indivíduo da população pode sofrer mutações, respeitando-se as quantidades especificadas pelas respectivas taxas. A mutação é realizada em um ponto do cromossomo, podendo: remover, gerar ou alterar uma regra; ou alterar uma função de pertinência. A recombinação também é executada em um ponto, gerando dois novos indivíduos com partes dos cromossomos de ambos os pais. É importante observar que esses operadores possuem restrições na abordagem proposta, sendo que cada instância do algoritmo realiza ações em uma das duas partes do cromossomo: nas regras ou nas funções de pertinência. A responsabilidade do sistema fuzzy está relacionada à mensuração do fitness dos indivíduos do algoritmo genético. O sistema é configurado utilizando-se as funções de pertinência e as regras definidas por um indivíduo, e, sua aptidão é calculada de acordo com a porcentagem de acertos em relação à base de dados. A quantidade de resultados corretos é dividida pelo total de testes obtendo-se um valor entre 0 e 1. O primeiro algoritmo genético implementado neste trabalho seguiu a abordagem Pittsburgh [Smith 1980]. Nessa abordagem, os indivíduos representam uma solução completa para o problema, contendo representações para as funções de pertinência e as
5 regras em seus genes. Os operadores genéticos podem atuar em qualquer posição do cromossomo, respeitando os limites de valores de cada gene. A abordagem proposta foi implementada seguindo o esquema da Figura 3, sendo dividida em duas instâncias, denominadas Algoritmo Externo e Algoritmo Interno. O Algoritmo Externo é o responsável pela evolução das funções de pertinência, sendo que seu funcionamento segue o padrão estabelecido pelos algoritmos genéticos. Entretanto, nessa instância, não são efetuadas alterações nas regras. Quando um indivíduo da população sofre a ação de um operador genético ocorre um desvio de fluxo, sendo executada a próxima instância (Algoritmo Interno). Após a execução dessa segunda instância, um indivíduo otimizado é obtido e inserido na população. No caso do Algoritmo Interno, essa instância proporciona a otimização das regras do indivíduo, de acordo com as funções de pertinência. Agindo sobre um indivíduo da instância externa, esse algoritmo gera uma nova população através da replicação daquele. Com o intuito de perturbar a região de busca, as regras de 50% dessa população são alteradas por valores aleatórios. O melhor indivíduo encontrado através das gerações é retornado para a instância externa. Figura 3. Funcionamento do algoritmo genético (abordagem 2) Componente Estático: Estrutura do Sistema Fuzzy O sistema fuzzy responde à necessidade de avaliação das soluções encontradas pelo algoritmo genético. Cada indivíduo do algoritmo genético possui as configurações necessárias ao funcionamento desse sistema. As funções de pertinência e as regras obtidas em um indivíduo do algoritmo genético são utilizadas para compor os bancos de conhecimentos e de regras do sistema fuzzy. Estes bancos compõem o motor de consulta complementar ao sistema de decisão. As três características analisadas (correspondentes aos três exames) são variáveis lingüísticas representadas por funções de pertinência, sendo que o Gleason possui três termos, o PSA contém quatro e o exame do toque, dois termos. Estas funções são usadas para obter a pertinência dos casos clínicos em cada variável. O processo de inferência é realizado pelo método proposto por Sugeno [Sugeno e Kang 1986]. Dessa maneira, as regras ativadas, combinadas com os respectivos valores de pertinência, são agregadas e produzem resultados contidos no intervalo entre 0 e 1, em que valores próximos de zero indicam câncer confinado e, quanto mais próximo de um, maior a extensão do tumor extra-prostático.
6 A Figura 4 representa o funcionamento do Sistema Fuzzy. Figura 4. Estrutura e fluxo do sistema fuzzy. 3. Resultados Obtidos Os resultados obtidos com a execução do sistema genético-fuzzy implementado são sumarizados nesta seção. Para cada configuração de mutação e cruzamento foram realizadas cinco execuções do algoritmo, com tamanho da população fixa em 100 indivíduos e 50 gerações. A Tabela 1 apresenta os resultados referentes à abordagem Pittsburgh. Configurações Tabela 1. Resultados obtidos com a abordagem Pittsburgh. Operadores Fitness do melhor Indivíduo (%) Média dos melhores fitness (%) Média geral dos fitness (%) Mutação Cruzamento Primeira Última 1 1% 10% 63,50 63,26 42,16 47,67 2 1% 25% 64,21 62,80 40,39 48,56 3 1% 50% 64,21 63,50 40,84 52,89 4 5% 10% 62,45 62,45 40,94 44,33 5 5% 25% 63,85 63,26 40,20 47,03 6 5% 50% 63,85 63,50 39,44 50, % 10% 63,50 62,80 39,72 45, % 25% 63,50 62,91 40,51 48, % 50% 64,56 64,20 40,50 48,13 A Tabela 2 apresenta os resultados referentes à abordagem proposta. Os parâmetros definidos para o Algoritmo Interno foram: 20, 40, 30% e 10% para a quantidade de gerações, tamanho da população, taxa de cruzamento e taxa de mutação, respectivamente. A análise dos resultados permite observar que a taxa de cruzamento de 50% tem as melhores médias de fitness para os indivíduos mais aptos, verificando sua relevância.
7 Configurações Tabela 2. Resultados obtidos com a abordagem proposta. Operadores Fitness do melhor Indivíduo (%) Média dos melhores fitness (%) Média geral dos fitness (%) Mutação Cruzamento Primeira Última 1 1% 10% 66,66 66,42 41,24 60,68 2 1% 25% 67,01 66,89 40,63 63,41 3 1% 50% 67,71 67,59 40,07 62,96 4 5% 10% 67,36 67,12 41,10 60,26 5 5% 25% 67,36 67,01 41,11 61,15 6 5% 50% 68,77 68,28 41,26 62, % 10% 67,36 67,24 41,01 59, % 25% 67,71 67,36 39,82 60, % 50% 68,42 68,30 42,43 61,54 Analisando as Tabelas 1 e 2, verifica-se que as médias de fitness dos melhores indivíduos obtidos com a abordagem Pittsburgh apresentam valores em torno de 64%, enquanto na abordagem proposta as médias estão em torno de 68%. Da mesma forma, a diferença da média geral dos fitness dos indivíduos entre as primeiras e as últimas gerações, observada na abordagem proposta, alcança valores próximos a 21%, enquanto na abordagem Pittsburgh esse valor não chega a 13%. Logo, os resultados mostram que a abordagem proposta apresenta resultados mais significativos que a clássica. 4. Conclusões e Trabalhos Futuros Sistemas genético-fuzzy têm aplicações para ajudar a solucionar problemas nas mais diversas áreas. As aplicações na área da Medicina vêm apontando pontos específicos de aplicações que podem ajudar no diagnóstico médico de doenças. No caso do câncer de próstata, a definição do seu estágio é fator determinante na análise de benefício da realização de cirurgia para a remoção do tumor. Este trabalho apresentou um sistema genético-fuzzy, aplicado ao diagnóstico de estágio de câncer de próstata para auxiliar o profissional da área a aumentar sua acurácia. A configuração do sistema fuzzy é executada com o auxílio de um algoritmo genético, sendo implementadas duas abordagens (proposta e Pittsburgh) e comparados seus desempenhos. Apesar das duas abordagens apresentarem evolução dos indivíduos, a proposta apresentou resultados mais significativos, haja vista que a diferença entre as médias de fitness das primeiras e das últimas gerações atingiu faixas maiores de valores. Além disso, os melhores indivíduos encontrados possuem valores de fitness maiores do que os da abordagem clássica. Por outro lado, a vantagem da abordagem Pittsburgh é a necessidade de menos recursos computacionais. Como trabalhos futuros, pretende-se comparar os resultados obtidos com o sistema genético-fuzzy abordando outras técnicas de Inteligência Computacional, tais
8 como redes neurais e algoritmos SVM (Support Vector Machine). Agradecimento Ao Dr. Athanase Billis, do Hospital das Clínicas da UNICAMP, pelo fornecimento dos dados. Referências Britto, J., Lopes, H. S. Mineração de regras fuzzy em bancos de dados por algoritmos genéticos, In: CBRN - Congresso Brasileiro de Redes Neurais, 2001, Rio de Janeiro. Anais do IV Congresso Brasileiro de Redes Neurais, v. único. p Castanho, M. J. P. ; Barros, L. C. ; Yamakami, A. ; Vendite, L. L. Fuzzy expert system: An example in prostate cancer, Applied Mathematics and Computation, v. 202, p , Cordon O, Herrera F, Lozano M. On the combination of fuzzy logic and evolutionary computation: a short review and bibliography, In: Pedrycz W, editor. Fuzzy Evolutionary Computation. Kluwer, 1997: Dubois, D., Prade, H. Fuzzy Sets and Fuzzy Systems: Theory and Applications, Academic Press, Goldberg, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning, EUA: Addison-Wesley, Linden, R. Algoritmos Genéticos: Uma importante ferramenta da Inteligência Computacional. Rio de Janeiro. Brasport Peña-Reyes, C. A., Sipper, M. Evolving fuzzy rules for breast cancer diagnosis, Proceedings of 1998 International Symposium on Nonlinear Theory and Applications (NOLTA 98), v. 2, pages , Lausanne, Peña-Reyes, C. A., Sipper, M. A fuzzy-genetic approach to breast cancer diagnosis, Artificial intelligence in Medicine, v. 17, v. 2, Smith, S. A Learning System Genetic Adaptive Algorithms, Ph.D. Dissertation, University of Pittsburgh, Pittsburgh, PA, Sugeno, M., Kang, G.T. Fuzzy Modelling and Control of Multilayer Incinerator. Fuzzy Sets and Systems, Vol. 18: , Yager, R. R., Zadeh, L. A. Fuzzy Sets, Neural Networks, and Soft Computing, Van Nostrand Reinhold, New York, 1994.
Algoritmos 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
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO E A FUNÇÃO SOLVER
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ARTES, CIÊNCIAS E HUMANIDADES SISTEMAS DE INFORMAÇÃO COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO
1. 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
3. 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
PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Algoritmos 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
Introdução 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
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
GERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS
o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 GERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS Yván J. Túpac,
Métodos 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
Economia de Energia no Sistema de Abastecimento de Água: Uma Abordagem Usando Algoritmos Genéticos
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Economia de Energia no Sistema de Abastecimento de Água: Uma Abordagem
Introdução 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
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Prof. Daniela Barreiro Claro
O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS Marcelo Henrique dos Santos Universidade de Uberaba, Engenharia
Computação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
6.2 Análise da Viabilidade do Lançamento de um Produto 27
159 6.2 Análise da Viabilidade do Lançamento de um Produto 27 Neste caso, o MAB será aplicado em um problema com o qual, constantemente, se deparam os profissionais de marketing: estudar a viabilidade
Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Computação 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
GT-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...]
Computação 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/
Técnicas 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
IN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
ALGORITMOS 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
Estratégias de Treinamento de Redes Neurais Artificias com Função de Base Radial: Um Estudo Aplicado ao Prognóstico do Câncer de Próstata
Estratégias de Treinamento de Redes Neurais Artificias com Função de Base Radial: Um Estudo Aplicado ao Prognóstico do Câncer de Próstata Sandro Rautenberg, Angelita Maria de Ré, Fábio Hernandes, Paulo
Uso 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
Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Algoritmo 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
UM ALGORITMO BASEADO NO MÉTODO SIMPLEX PARA REDES APLICADO NO PROBLEMA DE FLUXO DE CUSTO MÍNIMO COM INCERTEZAS
UM ALGORITMO BASEADO NO MÉTODO SIMPLEX PARA REDES APLICADO NO PROBLEMA DE FLUXO DE CUSTO MÍNIMO COM INCERTEZAS Felipe Ribas Forbeck, João Paulo M. K. Katayama, Fábio Hernandes Departamento de Ciência da
CONSTRUÇÃO DE FUNÇÕES DE PERTINÊNCIA PARA CONTROLADORES LÓGICOS DIFUSOS VIA ALGORITMOS GENÉTICOS
I SBAI - UNESP - Rio. Claro/SP - Brasil CONSTRUÇÃO DE FUNÇÕES DE PERTINÊNCIA PARA CONTROLADORES LÓGICOS DIFUSOS VIA ALGORITMOS GENÉTICOS ARAN B. TCHOLAKlAN STANGE E-MAIL: EPS3ABC AT BRUFSe.BITNET Prof.
REGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM
REGRESSÃO SIMBÓLICA COM SELEÇÃO POR AMOSTRAGEM Rodrigo Morgon¹, Silvio do Lago Pereira² ¹Aluno do Curso de Análise e Desenvolvimento de Sistemas FATEC-SP ²Prof. Dr. do Departamento de Tecnologia da Informação
O uso da Inteligência Articial no auxílio à tomada de decisões para alocação dinâmica de recursos. F. C. Xavier
O uso da Inteligência Articial no auxílio à tomada de decisões para alocação dinâmica de recursos F. C. Xavier Technical Report - RT-INF_001-11 - Relatório Técnico June - 2011 - Junho The contents of this
Métodos modernos de pesquisa e Optimização
Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Inteligência 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
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde Cristiane Koehler Universidade de Caxias do Sul (UCS) Centro de Informática Médica (CIM) ckoehler@ucs.br Lucimar Fossatti de Carvalho Universidade
Otimização. 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
Otimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
ESTUDO DO COMPORTAMENTO DE UM GÁS POR DINÂMICA MOLECULAR.
ESTUDO DO COMPORTAMENTO DE UM GÁS POR DINÂMICA MOLECULAR. João Paulo Smykaluk (ICV-UNICENTRO), Eduardo Vicentini (Orientador), e-mail: evicentini@unicentro.br. Universidade Estadual do Centro-Oeste, Setor
Um Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico
Um Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico Amarísio da S. Araújo 1, Haroldo F. de Campos Velho 2, Vitor C.
Inteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
Aprendizado 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
OTIMIZAÇÃO 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)
Sistemas de Apoio à Decisão Optimização V 2.0, V.Lobo, EN/ISEGI, 2011
V.0, V.Lobo, EN/ISEGI, 0 ópicos Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Métodos matemáticos clássicos Método de Monte Carlo Hill- Climbing Simulated Annealing Algoritmos Genéticos
Estratégias 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
Uso do Perceptron como Modelo Substituto na Otimização Multiobjetivo com Algoritmo Genético
Uso do Perceptron como Modelo Substituto na Otimização Multiobjetivo com Algoritmo Genético Alexandre N. Barbosa 1, José Demisio S. Silva 2, Rafael D. C. dos Santos 2 1 Instituto de Aeronáutica e Espaço
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Determinação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Tópicos 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
Redes Neurais Evolucionárias
Redes Neurais Evolucionárias André L. N. Muniz e Cícero Augusto M. da S. Neves Departamento de Ciência da Computação Universidade Federal da Bahia (UFBA) Salvador BA Brasil {amuniz,cicero}@im.ufba.br Resumo.
Sistemas de Apoio à Decisão Optimização V 1.0, V.Lobo, EN/ISEGI, 2005
Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Problema de optimização Dada uma função f(x) encontrar o seu óptimo (máximo ou mínimo) Cada um faz a sua pesquisa!!! Problema de pesquisa
Um 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
ALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO 1. INTRODUÇÃO
ALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO SILVA, Frederico Corrêa da 1 ; AGUIAR, Marilton Sanchotene de 1. 1 Programa de Pós-Graduação
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA 1. Técnicas Inteligentes Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ A expressão Técnicas Inteligentes é utilizada neste
ALGORITMO 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
IA: 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
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS
UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS Uma visão geral dos GAs Um algoritmo genético é uma classe de algoritmo de busca. O algoritmo procura uma solução dentro de um espaço para um problema de otimização.
5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
Técnicas 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
3 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
Inteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Ambiente de Data Warehouse Para Imagens Médicas Baseado Em Similaridade
Universidade de São Paulo - USP Instituto de Ciências Matemáticas e de Computação - ICMC Programa de Pós-Graduação em Ciências da Computação e Matemática Computacional Ambiente de Data Warehouse Para Imagens
Max 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
CÁLCULO DE CINEMÁTICA INFERSA PARA MANIPULADORES UTILIZANDO ALGORITMOS GENÉTICOS
5ª Jornada Científica e Tecnológica e 2º Simpósio de Pós-Graduação do IFSULDEMINAS 06 a 09 de novembro de 2013, Inconfidentes/MG CÁLCULO DE CINEMÁTICA INFERSA PARA MANIPULADORES UTILIZANDO ALGORITMOS GENÉTICOS
VERIFICAÇÃO DO DECAIMENTO DE INFORMAÇÃO EM REDES NEURAIS RECORRENTES APLICADAS AO PROBLEMA DO MUNDO DE WUMPUS 1
VERIFICAÇÃO DO DECAIMENTO DE INFORMAÇÃO EM REDES NEURAIS RECORRENTES APLICADAS AO PROBLEMA DO MUNDO DE WUMPUS 1 Henrique Augusto Richter 2, Eldair Fabrício Dornelles 3, Márcia Da Silva 4, Rogério Samuel
Metahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
JADEX: A BDI REASONING ENGINE. Alexander Pokahr, Lars Braubach e Winfried Lamersdorf Springer US - Multi-Agent Programming 2005 pp.
JADEX: A BDI REASONING ENGINE Alexander Pokahr, Lars Braubach e Winfried Lamersdorf Springer US - Multi-Agent Programming 2005 pp. 149-174 Volume 15 Motivação Existem muitas plataformas para desenvolvimento
AO SEU LADO. Homem que e homem se previne.
AO SEU LADO Homem que e homem se previne. Novembro foi escolhido como o mês para conscientizar sobre o câncer de próstata. De tabu a solução, o Novembro Azul tem ajudado milhares de homens a se prevenir
Inteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Algoritmos Genéticos na obtenção de uma Grade de Horários com Múltiplos Cursos para uma Instituição de Ensino
239 Algoritmos Genéticos na obtenção de uma Grade de Horários com Múltiplos Cursos para uma Instituição de Ensino Alexandre Brasil da Silva 1, Carlos Michel Betemps 1, Milton Heinen 1 1 Universidade Federal
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Deep Learning for Chinese Word Segmentation and POS Tagging
Deep Learning for Chinese Word Segmentation and POS Tagging Lin Yu Han Universidade Federal do Paraná Novembro 2015 Tagging: Sumário Sumário Introdução. Arquitetura da Rede Neural Experimentos Considerações
Algoritmos 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
Título do Case: Categoria: Temática: Resumo: Introdução:
Título do Case: Diagnóstico Empresarial - Vendendo e Satisfazendo Mais Categoria: Prática Interna. Temática: Mercado Resumo: Na busca por uma ferramenta capaz de auxiliar na venda de mais consultorias
Algoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
Algoritmos 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
1. 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
Assim, no algoritmo BIOCLIM, qualquer ponto do espaço pode ser classificado como:
ANEXO A ALGORITMOS BIOCLIM E GARP A.1 Algoritmo BIOCLIM O algoritmo BIOCLIM implementa o conceito de envelope bioclimático (Nix, 1986). O algoritmo calcula a média e o desvio-padrão para cada variável
O 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)
Fundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Classificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
IF-705 Automação Inteligente Algoritmos Evolucionários
IF-705 Automação Inteligente Algoritmos Evolucionários Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Aluno: Larissa Lages de Oliveira (llo@cin.ufpe.br) Orientador: Daniel Carvalho da Cunha (dcunha@cin.ufpe.br)
Algoritmos 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
Comparação de métodos de seleção de reprodutores alternativos com o método da roleta
Comparação de métodos de seleção de reprodutores alternativos com o método da roleta A.R. Pinto, Paulo Sérgio da Silva Borges INE-CTC Universidade Federal de Santa Catarina Florianópolis - SC arpinto@inf.ufsc.br,
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
2 Aspectos inerentes às empresas para obtenção de vantagens competitiva
2 Aspectos inerentes às empresas para obtenção de vantagens competitiva O presente capítulo aborda os aspectos inerentes às empresas para a geração de vantagens competitiva, tendo com isso, o intuito de
Indução de Regras Nebulosas via Sistemas Classificadores para o Controle da Arquitetura em Redes Neurais Construtivas para Navegação Autônoma
Indução de Regras Nebulosas via Sistemas Classificadores para o Controle da Arquitetura em Redes Neurais Construtivas para Navegação Autônoma Rodrigo Calvo, Myriam R. Delgado, Heitor S. Lopes, Maurício
1 Introdução 1.1 Motivação
1 Introdução 1.1 Motivação Na engenharia civil, toda estrutura deve ser projetada para suportar a carga a que está submetida da forma mais segura possível utilizando o mínimo de material. Neste sentido,
TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Estudo e Avaliação da Seleção de Atributos para Pré-processamento no Processo de Mineração de Dados
Estudo e Avaliação da Seleção de Atributos para Pré-processamento no Processo de Mineração de Dados Silvani Weber da Silva Borges 1 (PIBIC/CNPq/Unioeste), Renato B. Machado (Orientador), Newton Spolaôr
CLASSIFICAÇÃO DE DADOS RELATIVOS À CIRURGIA DE CÂNCER DE MAMA, UM COMPARATIVO ENTRE SOLUÇÃO POR REDES NEURAIS E FUZZY.
V. 2 N o 2, dezembro, 2013 50 CLASSIFICAÇÃO DE DADOS RELATIVOS À CIRURGIA DE CÂNCER DE MAMA, UM COMPARATIVO ENTRE SOLUÇÃO POR REDES NEURAIS E FUZZY. Ademir C. Gabardo 1, Martín Pérez 2 1,2 Universidade
Sistema Imunológico Artificial com Parâmetros Fuzzy
52 REIC - Revista de Iniciação Científica, volume 11, número 1, 2011 Sistema Imunológico Artificial com Parâmetros Fuzzy Luiz Antonio Carraro, Angelita Maria De Ré (Orientadora) Departamento de Ciência
UTILIZANDO TÉCNICAS DE ALGORITMO GENÉTICO PARA RESOLUÇÃO DO PROBLEMA DE GERAÇÃO DE GRADE HORÁRIA PARA ENFERMARIAS
Conferência IADIS Ibero-Americana Computação Aplicada 2013 UTILIZANDO TÉCNICAS DE ALGORITMO GENÉTICO PARA RESOLUÇÃO DO PROBLEMA DE GERAÇÃO DE GRADE HORÁRIA PARA ENFERMARIAS Ricardo Soares Bôaventura 1,
ARTIGO. Sobre monitoramento a Distancia e aplicação automática de medicamentos. Sistema de monitoração a distancia e aplicação de medicamentos.
ARTIGO Sobre monitoramento a Distancia e aplicação automática de medicamentos. Autor: Marcos José Sanvidotti Sistema de monitoração a distancia e aplicação de medicamentos. Resumo: O monitoramento a distância
Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Exemplo 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)