Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real
|
|
- Luiz Felipe Rico Neiva
- 6 Há anos
- Visualizações:
Transcrição
1 Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real Amarildo de Vicente 1, Rogério Luis Rizzi 1 1 Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste do Paraná Caixa Postal Cascavel PR Brasil {amarildo,rogerio}@unioeste.br Resumo. Este trabalho mostra a utilização de um algoritmo genético para obter as raízes de uma função real em um intervalo específico. Sua finalidade principal é apresentar um processo alternativo aos métodos convencionais, destinado aos casos em que a função em questão oferece algum tipo de dificuldade a tais métodos. A característica mais importante deste processo é que ele não requer que a função seja derivável. Alguns testes realizados mostraram um desempenho a altura do que era esperado. Palavras chaves. Minimização, Zeros de funções, Algoritmo Genético. 1. Introdução Encontrar os zeros de uma função real é um dos mais antigos problemas da matemática. Os casos mais simples, funções lineares, quadráticas e cúbicas, podem ser resolvidos algebricamente, todavia, para um caso mais geral, não há um modo padrão (fórmula) para resolução. Na maioria dos casos torna-se necessário recorrer a um método numérico para tal fim. No decorrer do tempo, métodos e mais métodos foram sendo criados, na tentativa de se encontrar aquele que fosse o ideal. Pode-se citar, por exemplo, o clássico método de Newton-Raphson, que funciona da seguinte forma: Dado um ponto inicial x 0, gera-se um sequência de pontos x 1, x 2,..., através da fórmula de recorrência x n+1 = x n f(x n )/f (x n ) Dependendo da função f esta sequência de pontos pode convergir para uma raiz r da equação f(x) = 0, inclusive de forma bastante rápida. Um fator importante neste método é a escolha do ponto de partida x 0. Este ponto pode ser decisivo para a convergência da sequência de pontos gerada. Em geral, quanto mais próximo de r ele estiver, maior será a chance de convergência. Outro método bastante conhecido é o método da bisseção. Este método consiste em
2 escolher um intervalo inicial [a 0, b 0 ] contendo uma raiz da equação f(x) = 0 e, a partir daí, dividir sucessivamente este intervalo ao meio, de forma apropriada, até que se cerque a raiz num intervalo de comprimento infinitesimal. Este método funciona muito bem, embora seja muito lento. Maiores detalhes podem ser visto em [BURDEN, FAIRES, 2003]. Assim como no método de Newton-Raphson, que requer um ponto de partida arbitrário, o método da bisseção requer que se tome um intervalo inicial que contenha a raiz procurada. Para um algoritmo genético (AG) uma tentativa inicial também é necessária. A diferença é que os pontos tomados inicialmente devem ser aleatórios dentro de um intervalo específico, que não necessariamente precisa conter a raiz procurada. De um modo geral, um AG é empregado para resolver um problema de otimização (ver [REIS, AKUTSU,.2002], [SILVEIRA, BARONE, 1998]). Neste trabalho está sendo proposta a adaptação de um AG, a fim de que ele sirva para encontrar as raízes reais de uma função. 2. Metodologia Para conseguir a adaptação citada anteriormente, em primeiro lugar é necessário lembrar que se a equação f(x) = 0 possui uma raiz real r então o seu gráfico intercepta o eixo Ox no ponto x = r. Para ilustração considere-se as funções f(x) = x 2 e h(x) = x 2 4x + 3, cujos gráficos estão ilustrados na Figura 1. 7 y 7 y x 1 x Figura 1 Gráficos das funções f e h Nota-se que a função f possui uma raiz r 1 = 2 e que a função h possui duas raízes, r 2 = 1 e r 3 = 3. Ao se fazer as composições gof e goh, onde g(x) = x, obtém-se as funções F(x) = x 2 e H(x) = x 2 4x + 3. Pode-se notar que as raízes destas funções ainda são as mesmas, porém, os gráficos sofrem uma mudança, caracterizada por uma reflexão em torno do eixo Ox (ver Figura 2).
3 7 y 7 y x 1 x Figura 2 Gráficos das funções f e h Com esta composição de funções resolvem-se dois problemas: o primeiro é que eliminam-se os valores negativos da função original, que são impróprios para trabalho com AG (ver seção 3.3); o segundo é que no ponto onde se encontram as raízes aparecem pontos de mínimo, que é o alvo do AG que será apresentado. Este trabalho não tem como pretensão apresentar um método que ofereça rapidez para encontrar a raiz de uma função, já que isto não é característico de um AG. O objetivo é apenas apresentar um processo alternativo para este tipo de problema. 3. Algoritmos Genéticos São algoritmos de pesquisa inspirados na genética e no processo de seleção natural. Eles tornaram possível explorar um espaço de soluções potenciais para um problema mais amplo do que a maioria dos métodos convencionais. Muitos organismos evoluem por meio de dois processos primários: seleção natural e reprodução sexual. O primeiro determina quais membros da população sobrevive para reproduzir e o segundo assegura diversificação e recombinação entre os genes de seus descendentes (ver [MELANIE, 1998]). Os algoritmos genéticos são fundamentados no fato de que na Natureza, apenas os melhores indivíduos de uma espécie conseguem se adaptar ao meio em que vivem, reproduzir e formar novas gerações. Com o passar do tempo, estes indivíduos melhor adaptados tendem a predominar sobre os indivíduos mais fracos até eliminá-los. Os algoritmos genéticos simulam este processo de reprodução natural e, para tal, necessitam de uma representação artificial (codificação) para as criaturas. Dependendo do problema em questão, esta representação pode ser feita por meio de cadeia de caracteres (palavras), vetor, matrizes, etc. Além da representação dos indivíduos, é necessário, também, processos que imitem a troca de informações genéticas que ocorre durante o cruzamento de duas espécies, bem como a evolução ocorrida por causa de mutações. Tomando-se então uma população inicial de indivíduos, deve-se escolher alguns destes para que sejam
4 feitos cruzamentos e mutações, a fim de que uma nova população seja obtida. É preciso lembrar, no entanto, que os indivíduos que vão gerar esta nova população devem ser aqueles melhor adaptados ao meio. A escolha destes indivíduos é feita de modo aleatório, mas de forma que os indivíduos melhor adaptados tenham mais chances de serem contemplados. Portanto, é necessário também criar um processo de seleção para tal fim Codificação Dado um problema cuja solução pretende-se buscar por meio de algoritmos genéticos, torna-se necessário primeiramente criar as estruturas que vão representar os indivíduos que, por sua vez, vão formar a população. Estes indivíduos são nada mais que um conjunto de elementos da mesma espécie da solução do problema, como, por exemplo, vetores de números reais para um problema de otimização de uma função real, caminhos de mínimo custo para a solução de um problema de roteirização, etc. A forma como os indivíduos são representados varia de problema para problema e também de acordo com a criatividade do pesquisador. Para o caso de uma população de números reais, a forma mais tradicionalmente utilizada é a representação binária. Cada indivíduo é representado por uma cadeia de caracteres, que por analogia à genética, recebe o nome de cromossomo, formada por 0 s e 1 s (zeros e uns). Ao ser dado um número a m a m-1...a 0,b 1 b 2...b n na base binária, composto por n dígitos na parte inteira e m dígitos na parte fracionária, sua representação na base 10 será o número a m 2 m + a m-1 2 m a b b b n 2 -n Assim, o cromossomo ,01, por exemplo, representa o número 9,25, já que = 9,25. O número de bits da cadeia (oito no exemplo dado) vai de acordo com a conveniência ou do interesse do programador. O processo inverso, isto é, passar da base decimal para a binária, pode ser feito através das divisões sucessivas para a parte inteira e das multiplicações sucessivas para a parte fracionária (ver [SPERANDIO et al., 2003]) Cruzamento Dados dois cromossomos, o cruzamento é o processo pelo qual um novo ser é gerado através destes. A ideia é que este novo indivíduo herde as características genéticas de seus genitores (que geralmente são os melhor adaptados ao meio) para constituir um indivíduo à altura ou melhor. Com repetidos processos de cruzamento espera-se que o espaço de pesquisa seja devidamente explorado, de forma que as futuras populações convirjam para a solução do problema. Existem várias formas de se fazer o cruzamento entre dois cromossomos. Uma forma simples, para o caso da cadeia de caracteres, é escolher um ponto aleatório para os dois cromossomos genitores e permutar entre si os caracteres situados após o ponto escolhido. Por exemplo, cruzando os cromossomos e a partir da 4 a posição, resulta nos cromossomos e respectivamente.
5 Esquematicamente tem-se: genitores descendentes Outro modo também simples é escolher dois pontos dos cromossomos, ao invés de um único ponto, e permutar entre ambos a parte compreendida entre tais pontos. Por exemplo, cruzando-se os cromossomos e entre a 2 a e a 5 a posição, resulta nos cromossomos e , respectivamente. De um modo esquematizado tem-se: genitores descendentes Pode-se, alternativamente, escolher apenas um ou ambos os cromossomos gerados para compor a nova população Seleção A seleção é o processo pelo qual dois indivíduos são escolhidos para gerarem um novo ser. Os indivíduos são escolhidos aleatoriamente na população e, a rigor, todos têm oportunidade de serem escolhidos. Todavia, o processo deve dar privilégio àqueles melhor adaptados, qualidade dos indivíduos que é medida pelo seu fitness, termo que em um problema de otimização representa o nível da função objetivo para o indivíduo considerado. Uma forma comumente utilizada para fazer a escolha é a regra da roleta. Ela consiste em tomar um círculo e atribuir um setor do mesmo a cada um dos indivíduos. Estes setores correspondem numericamente aos percentuais que os fitness dos indivíduos representam sobre o todo (soma dos fitness de todos os indivíduos da população). Assim, numa população de cinco indivíduos i 1, i 2,..., i 5, com fitness 12, 15, 18, 30 e 45, na mesma ordem, o setor da roleta correspondente a cada um deles seria de 10.0%, 12.5%, 15.0%, 25.0% e 37.5%, respectivamente (Figura 3). Figura 3 - Setores relativos aos cinco indivíduos considerados
6 A ideia é girar então a roleta e tomar como indivíduo sorteado aquele ao qual pertencer o setor da mesma que parar sobre um ponto previamente marcado. Evidentemente os indivíduos que possuem uma maior fatia na roleta têm mais chances de serem selecionados. Existem muitas outras maneiras de se fazer a seleção (ver [MELANIE, 1998]). De acordo com o problema deve-se adotar aquela que for mais conveniente. Seja f a função que representa o fitness (adaptabilidade) dos indivíduos de uma população. Se o objetivo do problema é procurar o máximo valor de f, então, pela regra da roleta, a probabilidade de um indivíduo ser escolhido para reprodução pode ser calculada por p i = N i =1 f i f i onde i é um indivíduo da população, e N é o tamanho desta (n o de indivíduos). Observe que para que esta expressão faça sentido, é necessário que f(i) 0 i e que f(i) > 0 para algum i. Com os processos descritos, fica estabelecido um ciclo que pode ser sintetizado pelo esquema apresentado na Figura 4 abaixo. População antiga Cruzamentos e Mutações Populaçãonova Figura 4 Esquema do funcionamento de um algoritmo genético De forma resumida, um algoritmo genético bastante simples funciona de acordo com as etapas a seguir. Algoritmo 1 Dados iniciais: K: Número de indivíduos da população. N: Número de descendentes a serem gerados em cada geração. M: Número máximo de gerações. 1. Gere uma população inicial com K indivíduos. 2. Calcule o fitness de cada indivíduo da população. 3. Para m = 1 até M faça: 4. Para n = 1 até N faça: 5. Selecione dois indivíduos da população (pais). 6. Faça o cruzamento entre eles gerando um novo indivíduo e aplique a ele uma mutação se for necessário. 7. Calcule o fitness deste novo indivíduo. 8. Fim n.
7 9. Substitua alguns ou todos os elementos da população atual pelos indivíduos gerados, formando uma nova população. 10. Fim m. Os parâmetros K, N e M são tomados de forma arbitrária, e o desempenho devido a eles depende do problema em questão. Obviamente esta escolha está também condicionada às limitações do computador que está sendo utilizado. 4. Cálculo do Fitness para um Problema de Minimização Em um AG, a escolha de pais que vão gerar novos descendentes é feita com base no valor esperado de cada indivíduo da população (número esperado de filhos que deve gerar) e, este valor esperado por sua vez, é calculado com base no fitness de cada um destes indivíduos. Há uma diversidade muito grande de métodos para se fazer o cálculo do valor esperado dos indivíduos. Neste contexto será utilizado o método da proporcionalidade do fitness. Só que, como se trata de um problema de minimização, será utilizada a proporcionalidade inversa, isto é, quanto menor for o fitness do indivíduo, maior será a sua chance de ser escolhido. O processo utilizado para determinar a probabilidade de um indivíduo i ser selecionado será p i = 1/ f i N i=1 1/ f i onde N é o tamanho da população e f(i) é o fitness do indivíduo i. Outra questão que dever ser notada é que, como está sendo procurado um ponto de mínimo, que no caso é a raiz da função f, poderemos ter uma divisão por zero na fórmula anterior. Isto no entanto pode ser contornado facilmente, bastando para isto acrescentaremos um valor c pequeno e positivo, à função f. Isto não muda seu ponto de mínimo e resolve o problema mencionado. 5. Intervalo de Pesquisa Ao se estipular uma quantidade de k bits para um número binário x não negativo, contendo m dígitos na parte inteira e n dígitos na parte fracionária, o maior valor possível para x é 2 m 2 n. Desta forma, os valores x possíveis de serem produzidos se encontram no intervalo [0, 2 m 2 n ]. Para distribuir estes valores em um intervalo de pesquisa específico I = [a, b], basta aplicar a bijeção f(x) = a + (b a)/( 2 m 2 n )x. Por exemplo, o número binário y = corresponde ao número decimal x = 12. A imagem aproximado de y no intervalo [-2, 2] é f(12) = -2 + (2 (2))/( )12 = 0,4516. O procedimento para achar as raízes de uma função f por meio de um AG, com uma precisão ε, pode ser descrito como segue:
8 Algoritmo 2 Dados iniciais f: função cujas raízes se deseja obter. p: precisão a ser atingida pelas raízes na fase de isolamento. ε: precisão final a ser atingida pelas raízes. 1. Construa a função F(x) = f(x) + c, onde c > 0 e pequeno. 2. Especifique um intervalo de pesquisa I = [a, b]. 3. Aplique um AG para minimizar F(x) e guarde uma cópia de cada ponto que satisfaz a precisão p. Estes pontos são candidatos a raízes. 4. Enquanto houver candidatos a raízes faça: 5. Selecione um destes pontos 6. Repita 7. Reduza gradativamente o intervalo de pesquisa em torno desta raiz. 8. Aplique o AG para minimizar F. 9. Até que a precisão ε seja atingida. 10. Fim enquanto. Notas: Se a precisão exigida for muito grande, isto é, se ε for muito pequeno, o procedimento acima pode ser demorado. Por este motivo este processo é mais recomendado a funções para as quais os métodos tradicionais podem apresentar algum tipo de insegurança (funções não deriváveis, funções descontínuas, funções com diversos pontos de mínimo, etc.). Outro detalhe é que no final do passo 3 pode-se obter muitos pontos, todos candidatos a uma mesma raiz (ver seção a seguir). Neste caso basta nos preocuparmos com apenas um deles. Também é possível encerrar o processo no passo 3 se a precisão p for suficiente para satisfizer o interesse do pesquisador. 6. Testes computacionais Considere-se a função f(x) = e x x + l e uma precisão ε = De acordo com o Algoritmo 2, tomando-se c = 10-4, então a função a ser minimizada é F(x) = e x - x + l Executando-se o algoritmo acima com uma população de 40 indivíduos, 60 gerações, cromossomos com k = 10 bits (2 na parte inteira e 8 na parte fracionária), precisão p = 0.05 e intervalo de pesquisa [0,10], foram encontrados, dentre outros mais ou menos próximos, os seguintes pontos de mínimo (raízes aproximadas): , , e Note-se que à primeira vista estes pontos parecem representar aproximações para uma mesma raiz. Fazendo-se então refinações sucessivas no intervalo de pesquisa e empregando a precisão ε chega-se a raízes aproximadas, dentre as quais r 1 = e r 2 = Evidentemente r 1 e r 2 são aproximações de uma mesma raiz para f. O último intervalo pesquisado foi [1, 1.5]. Seja a função h(x) = x x x x x e uma precisão ε = Da mesma forma como foi feito anteriormente, deve-se minimizar a função H(x) = x x x x x Trabalhando-se com as mesmas configurações do caso anterior foi possível encontrar, no intervalo [-10, 10], os seguintes pontos candidatos (raízes aproximadas): , e Note que há
9 três possíveis raízes neste intervalo. Fazendo-se um refinamento do intervalo de pesquisa para cada uma deste valores, agora com precisão ε, chega-se às seguintes raízes: r 1 = , r 2 = e r 3 = Os intervalos finais pesquisados para cada uma destas raízes foram [-2.4, -2.5], [-1.4, -1.5] e [0, 0.5], respectivamente. 7. Conclusões 1. Conforme explicitado ao longo do texto, o objetivo do trabalho era apresentar um método alternativo aos convencionais, destinado principalmente aos casos de funções que oferecem algum tipo de dificuldade a estes métodos. Como poder ser observado, a função f(x) = e x x + l pode ser enquadrada nestes casos, visto que ela não possui derivada no ponto onde ocorre sua raiz. Mesmo com este problema o processo proposto funcionou bem, de acordo com as expectativas. Evidentemente o processo funciona também para as funções de composição mais simples, como a função h ilustrada na seção anterior. 2. Outro fato que não foi levado em consideração foi o tempo de processamento consumido pelo processo. Embora seja sabido que, sob este aspecto ele não é competitivo com os métodos convencionais, pode-se dizer que o tempo gasto nos exemplos apresentados em um computador de 3.06 Ghz foi irrisório (cerca de 0,06 segundos). 8. Referências BURDEN, R. L; FAIRES, D. J. Análise Numérica. Editora Pioneira Thomson Learning, São Paulo, p. GOLDBERG, David. Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley, p. MELANIE, M. An Introduction to Genetic Algorithms. Bradford Bood, Disponível em Acesso em 22/set/2010. REIS, L. F. R.; AKUTSU, J. Estratégias Operacionais para Sistemas de Reservatórios Via Algoritmos Genéticos (Ags). Revista Brasileira de Recursos Hídricos, Vol. 7, n. 2, 5-7, jul/set Disponível em Acesso em 22/09/2010. SILVEIRA, S. R.; BARONE, D. A. C. Jogos Educativos Computadorizados Utilizando a Abordagem de Algoritmos Genéticos, IV Congresso RIBIE, Brasília, 1998.Disponível em Acesso em 22/set/2010. SPERANDIO, D.; MENDES, J. T.; SILVA, L. H. M. Cálculo Numérico: Características Computacionais dos Métodos Numéricos. Ed. Prentice Hall, São Paulo, p.
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
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Introdução Um Algoritmo Genético (AG), conceitualmente, segue passos inspirados no processo biológico de evolução natural segundo a teoria de Darwin Algoritmos Genéticos seguem a idéia
Leia maisCálculo Numérico BCC760 Raízes de equações algébricas e transcendentes
Cálculo Numérico BCC760 Raízes de equações algébricas e transcendentes Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ Introdução Dada uma função y = f(x), o objetivo deste
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Edirlei Soares de Lima Algoritmos Genéticos Método de busca local. Boa abordagem para lidar com espaços de busca muito
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Leia maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisf(1) = 6 < 0, f(2) = 1 < 0, f(3) = 16 > 0 x [2, 3].
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Métodos Numéricos Para Solução
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisCálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015
Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de
Leia maisTE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia maisC alculo Num erico Ra ızes de Equa c oes Ana Paula Ana Paula C alculo Num erico
Raízes de Equações Sumário 1 Introdução 2 3 Revisão Introdução Introdução Introdução Introdução Serão estudados aqui métodos numéricos para a resolução do problema de determinar as raízes de uma equação
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisCálculo Numérico. Aula 4 Zeros de Funções /04/2014. Prof. Rafael mesquita Adpt. por Prof. Guilherme Amorim
Cálculo Numérico Aula 4 Zeros de Funções 2014.1-09/04/2014 Prof. Rafael mesquita rgm@cin.ufpe.br Adpt. por Prof. Guilherme Amorim gbca@cin.ufpe.br Últimas aulas... Aritmética de máquina Erros Sistema de
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP
ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP Gilson Rogério Batista, Gideon Villar Leandro Universidade Regional do Noroeste do Estado do Rio
Leia maisCálculo Numérico Ponto Fixo
Cálculo Numérico Ponto Fixo Método do Ponto Fixo (MPF) Dada uma função f(x) contínua no intervalo [a,b] onde existe uma raiz única, f(x) = 0, é possível transformar tal equação em uma equação equivalente
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisAprendizado Evolutivo: Introdução aos Algoritmos Genéticos
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos SCC-230 Inteligência Artificial Thiago A. S. Pardo Solange O. Rezende 1 Computação Evolutiva (CE) Trata de sistemas para a resolução de problemas
Leia maisAula 2- Soluções de Equações a uma Variável (zeros reais de funções reais)
Cálculo Numérico IPRJ/UERJ Sílvia Mara da Costa Campos Victer ÍNDICE Aula 2- Soluções de Equações a uma Variável (zeros reais de funções reais) FASE I: Isolamento das raízes. FASE 2: Refinamento: 2.1-
Leia maisCálculo Numérico. Aula 6 Método das Secantes e Critérios de Parada /04/2014
Cálculo Numérico Aula 6 Método das Secantes e Critérios de Parada 2014.1-22/04/2014 Prof. Rafael mesquita rgm@cin.ufpe.br Adpt. por Prof. Guilherme Amorim gbca@cin.ufpe.br Aula passada? Método Iterativo
Leia maisMétodos Numéricos - Notas de Aula
Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 Zeros de equações transcendentes e Tipos de Métodos polinomiais São dois os tipos de métodos para se achar a(s) raízes de uma equação:
Leia maisMétodo do Ponto Fixo
Determinação de raízes de funções: Método do Ponto Fixo Marina Andretta ICMC-USP 07 de março de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisMetahuerísticas: 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
Leia maisLista de Exercícios de Métodos Numéricos
Lista de Exercícios de Métodos Numéricos 1 de outubro de 010 Para todos os algoritmos abaixo assumir n = 0, 1,, 3... Bisseção: Algoritmo:x n = a+b Se f(a) f(x n ) < 0 então b = x n senão a = x n Parada:
Leia mais3 Métodos de Otimização
3 Métodos de Otimização Problemas de otimização são relacionados a minimização ou maximização de função de uma ou mais variáveis num determinado domínio, possivelmente com a existência de um conjunto de
Leia maisétodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisAlgoritmos Genéticos 1
Algoritmos Genéticos 1 Esquema de um GA Algoritmos Genéticos são um ramo da computação evolucionária Seu funcionamento pode ser resumido algoritimicamente através dos seguintes passos: Inicialize a população
Leia maisAula 6. Zeros reais de funções Parte 3
CÁLCULO NUMÉRICO Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/48 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO: Uma das condições de convergência é que onde I é um intervalo
Leia maisNeste capítulo estamos interessados em resolver numericamente a equação
CAPÍTULO1 EQUAÇÕES NÃO-LINEARES 1.1 Introdução Neste capítulo estamos interessados em resolver numericamente a equação f(x) = 0, onde f é uma função arbitrária. Quando escrevemos resolver numericamente,
Leia maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade
1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de
Leia maisInteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Leia maisCálculo Numérico A - 2 semestre de 2006 Prof. Leonardo F. Guidi. 2 a Lista de Exercícios - Gabarito. 1) Seja a equação não linear x e x = 0.
Cálculo Numérico A - 2 semestre de 2006 Prof. Leonardo F. Guidi 2 a Lista de Exercícios - Gabarito 1) Seja a equação não linear x e x = 0. A solução é dada em termos da função W de Lambert, x = W 1) 0,
Leia maisEXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR. QUESTÃO 1: Indique as afirmativas verdadeiras.
EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR QUESTÃO 1: Indique as afirmativas verdadeiras. ( ) O número Pi não pode ser representado de forma exata em sistemas numéricos de
Leia maisO USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES
O USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES RESUMO Ediany Batista Silva Universidade Católica de Brasília Curso de Matemática Os algoritmos genéticos utilizam conceitos
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia maisOTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/47 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO:
Leia maisAlgoritmos Genéticos
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Algoritmos Genéticos David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Algoritmos Genéticos 2 Objetivos Introduzir os principais
Leia maisModelagem Computacional. Parte 2 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 2 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 2 e 3] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 04/2014 Zeros reais de funções Parte 2 Voltando ao exemplo da aula anterior, vemos que o ponto médio da primeira iteração
Leia maisEquações não lineares
DMPA IM UFRGS Cálculo Numérico Índice 1 Método da bissecção 2 Método Newton-Raphson 3 Método da secante Vamos estudar métodos numéricos para resolver o seguinte problema. Dada uma função f contínua, real
Leia maisOtimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
Leia maisCapítulo 5 - Optimização Não-Linear
Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios não lineares; Equações transcendentais equações que envolvem funções
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisOtimização. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia maisEquações não lineares
Capítulo 2 Equações não lineares Vamos estudar métodos numéricos para resolver o seguinte problema. Dada uma função f contínua, real e de uma variável, queremos encontrar uma solução x que satisfaça a
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia maisTP062-Métodos Numéricos para Engenharia de Produção Introdução. Prof. Volmir Wilhelm Curitiba, Paraná, Brasil
TP062-Métodos Numéricos para Engenharia de Produção Introdução Prof. Volmir Wilhelm Curitiba, Paraná, Brasil TP062-Métodos Numéricos para Engenharia de Produção Ementa Matrizes. Sistemas lineares. Zeros
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 9 04/2014 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/42 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO
Leia maisMÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA
MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br
Leia maisMarina Andretta/Franklina Toledo. 18 de outubro de Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires.
Determinação de raízes de funções: Marina Andretta/Franklina Toledo ICMC-USP 18 de outubro de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta/Franklina Toledo (ICMC-USP)
Leia maisTeorema Do Ponto Fixo Para Contrações 1
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência 20 anos c Publicação Eletrônica do KIT http://www.dma.uem.br/kit Teorema Do Ponto Fixo
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisétodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisMétodos iterativos dão-nos uma valor aproximado para s. Sequência de valores de x que convergem para s.
Análise Numérica 1 Resolução de equações não lineares ou Cálculo de zeros de funções Problema: Dada a função f(x) determinar o valor s tal que f(s) = 0. Slide 1 Solução: Fórmulas exemplo: fórmula resolvente
Leia mais( ) ( ) 60 ( ) ( ) ( ) ( ) R i. Método de Newton. Método de Newton = Substituindo i por x, teremos: 1.Introdução 2.
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I R A = + i ( i ) n
Leia maisMétodo de Newton. 1.Introdução 2.Exemplos
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Método de Newton Prof.:
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisAPLICAÇÃO 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
Leia maisTP062-Métodos Numéricos para Engenharia de Produção Zeros: Introdução
TP062-Métodos Numéricos para Engenharia de Produção Zeros: Introdução Prof. Volmir Wilhelm Curitiba, 2015 Os zeros de uma função são os valores de x que anulam esta função. Este podem ser Reais ou Complexos.
Leia maisEstruturas de Dados Tabelas de Espalhamento
Estruturas de Dados Tabelas de Espalhamento Prof. Eduardo Alchieri (introdução) Uma estrutura como, as árvores binárias de busca, que trabalhe na ordem de log n é muito eficiente, mas em algumas situações
Leia maisBreve 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
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Prof. Augusto Baffa Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido.
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia maisMétodo de Hardy-Cross Capitulo 13- Algoritmo genético engenheiro Plínio Tomaz 24 dezembro de Algoritmo genético 13-1
1 Algoritmo genético 13-1 2 Capítulo 13-Algoritmo genético 13.1 Introdução As tecnologias recentes para dimensionamento de redes de água são: Algoritmo genético Programação Dinâmica Decision Support System
Leia mais