INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO. Lamartine N. F. Guimarães.

Transcrição

1 INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO Lamartine N. F. Guimarães.

2 Roteiro Inteligência Computacional: Problemas. Os BEOWULFS do IEAv. Possibilidades de Paralelismo. Redes neurais: tipos e formas. Lógica nebulosa. Algoritmos genéticos.

3 Inteligência Computacional: metodologias Redes neurais, conexionista. Lógica Nebulosa, simbólica. Algoritmos Genéticos, simbólica. Sistemas especialistas, simbólica. Agentes, simbólica. Raciocínio Baseado em Casos, simbólica. Linguagem Natural, simbólica.

4 Inteligência Computacional: problemas Reconhecimento de faces, padrões, objetos e coisas. Otimização. Controle. Diagnóstico: falhas, clínico... Jogos. Entendimento do aprendizado. Simulação sem modelo analítico. Educação a Distância. Tutores Inteligentes.

5 BEOWULFs do IEAv. BELIEVe 1. 8 Nós Athlon 1,33 MHz, 256MB RAM, HD 20GB. 1 Front end 512MB RAM, 30 GB. BELIEVe Nós + 1 front end Athlon MHz, 1GB RAM, HD 40 GB.

6 BEOWULFS do IEAv BELIEVe 1.

7 BEOWULFS do IEAv BELIEVe 2.

8 Redes Neurais Neurônio Biológico.

9 Redes Neurais representação esquemática de um neurônio artificial.

10 Rede neural com aprendizado supervisionado.

11 Redes Neurais Identificação de rostos.

12 Redes Neurais Mapa de Kohonen vetores peso vizinhança gaussiana entrada saída alteração maior alteração menor

13 Detecção de texturas em imagens Extrair parâmetros de textura de imagens, os quais identificam regiões desejadas: rios, pontes, ruas, aeroportos, plantações, etc. Testes iniciais estão sendo feitos em um álbum de texturas de nome Brodatz. Parâmetros são obtidos de uma filtragem Gabor. Classificação inicial feita por um mapa de Kohonen. Classificação fina feita por LVQ. Há interesse de estender este trabalho para a área de biologia (genética).

14 Lógica Nebulosa Representação lingüística da função de pertinência.

15 Lógica Nebulosa Representação de controlador nebuloso.

16 Logica Nebulosa modelo de núcleo de reator.

17 Algoritmo Genético É um método de otimização que simula a evolução de uma população de indivíduos, onde cada indivíduo representa uma possível solução do problema. O método é baseado na teoria da evolução natural, proposta por Charles Darwin. A aptidão de um indivíduo representa o quão próxima da solução ótima está a solução representada pelo indivíduo. Normalmente os indivíduos mais aptos são selecionados para a reprodução. A população é evoluída até ser obtido um indivíduo cuja solução, representada por ele, seja a mais próxima da solução real do problema.

18 Algoritmo Genético Simuladores trabalham com um conjunto de equações diferenciais ordinárias do tipo dx/dt = Ax + b. Problema está na dificuldade de encontrar a solução de maneira eficiente e rápida. Em geral, permite-se que o simulador execute de forma livre, até que todas as variáveis de estado apresentem um comportamento estacionário. (Algorítmo da força bruta) Algorítmo genético é uma excelente maneira de encontrar estados estacionários (EE), sem recorrer ao algorítmo da força bruta.

19 Função de aptidão. x1 x2... x nc X a11 a12... a1 nc x1 b1 a a... a nc x 2 b2 = = anc1 anc2... ancnc x nc b nc = A X + B = O A avaliação da aptidão de um indivíduo consiste na sequência de passos a seguir. X Passo 1 Obter o vetor {x 1i, x 2i,..., x nci } representado pelo indivíduo de índice i,e aplicá-lo ao sistema AX + B. Passo 2 Aplicar o vetor na função de aptidão dada por F i [{x 1i, x 2i,..., x nci }] = Onde : nc é a ordem do sistema; nc j= 1 x j i representa o índice do indivíduo na população, isto é, i [ 1,..., tp ].

20 Método de Divisão do Espaço de Busca e Populações A divisão do espaço de busca consiste em dividir o domínio do problema, definido pelos domínios de cada variável de estado (componente de um indivíduo) de um sistema dinâmico. O espaço de busca é dado por x 1 [ li 1, ls 1 ] ; x [ 2 li2, ls 2 ] ;... x k [ LI = li k, LS = ls k ];... x nc [ li nc, ls nc ]. Onde k é índice do componente (pivô) do vetor X de maior domínio. Domínios em R Domínios em R 1 2 Domínios em R 3... Domínios em R np x 1 [li 1, ls 1 ] x 1 [li 1, ls 1 ] x 1 [li 1, ls 1 ]... x 1 [li 1, ls 1 ] x 2 [li2, ls 2 ] x 2 [li 2, ls 2 ] x 2 [li 2, ls 2 ]... x 2 [li 2, ls 2 ] x 3 [li 3, ls 3 ] x 3 [li 3, ls 3 ] x 3 [li 3, ls 3 ]... x 3 [li 3, ls 3 ] x k [LI, ls k1 ] x k [li k2, ls k2 ] x k [li k3, ls k3 ]... x k [li knp,ls] x nc [li nc, ls nc ] x nc [li nc, ls nc ] x nc [li nc, ls nc ]... x nc [li nc, ls nc ]

21 Alunos envolvidos Kelly Maria Rangel e Thalita Biazzuz Veronese reconhecimento de imagens. Michele Alves de Freitas Batista problemas de otimização com AG. Felipe Simões da Silva dinâmica de sistemas + caos. Fabio Cesar Solano de Freitas, Aldo Cesar de Oliveira Souza e Fabio Alexandre Neto Neves reconhecimento de faces.

22 Conclusões No momento, nenhuma conclusão objetiva pode ser produzida, uma vez que estamos começando as pesquisas. Procura-se valorizar nestes trabalhos a formação de recursos humanos e aplicações que possam ser revertidas em favor do MD.

23 Conclusões As linhas escolhidas de aplicação são consistentes com trabalhos anteriores já realizados e para os quais já se produziu resultados, seja na forma de dissertações ou trabalhos de congresso.

24 Conclusões Não se abordou nesta apresentação trabalhos de outros colegas participantes do LEV. Ex. Adhemar e Angelo que envolve otimização de dispositivos eletromagnéticos usando entre outras técnicas AGs. A oportunidade para se propor trabalhos é agora.