SÍNTESE DE CIRCUITOS ELETRÔNICOS ANALÓGICOS POR COMPUTAÇÃO EVOLUTIVA
|
|
- Vera Madureira Barata
- 6 Há anos
- Visualizações:
Transcrição
1 SÍNTESE DE CIRCUITOS ELETRÔNICOS ANALÓGICOS POR COMPUTAÇÃO EVOLUTIVA LUIZ H. R. PEIXOTO, WILIAN S. LACERDA, CLAUDIO F. M. TOLEDO Departamento de Ciência da Computação - Universidade Federal de Lavras C.P Lavras MG CEP s: henriquerowan@yahoo.com.br, lacerda@dcc.ufla.br, claudio@dcc.ufla.br Abstract This article investigates the use of Evolutionary Computation in the synthesis of analog electronic circuits, an area known as evolutionary electronics, and has as main objective to provide methodologies for new tools for Computer Aided Design (CAD) of analog electronic circuits. In this research, the use of evolutionary algorithms was beyond the classical operators selection, crossover and mutation, and also provides new operators, methods and strategies specific to this type of application. The experimental results obtained through the synthesis of voltage multipliers, underscored the potential of evolutionary electronics applied in the construction of basic blocks of analog systems. Therefore, the main feature of this work is to present a new design methodology: evolving instead of design. Keywords Evolutionary Electronics, Evolutionary Computation, Analog Circuits. Resumo Este artigo investiga o uso de Computação Evolutiva aplicada à síntese de circuitos eletrônicos analógicos, área conhecida como Eletrônica Evolutiva, e tem como maior objetivo oferecer uma metodologia para ferramenta de Computer Aided Design (CAD) de circuitos eletrônicos analógicos. Nesta pesquisa, a utilização de algoritmos evolutivos foi além dos clássicos operadores de seleção, cruzamento e mutação, apresentando também novos operadores, métodos e estratégias específicas para este tipo de aplicação. Os resultados experimentais obtidos, por meio da síntese de multiplicadores de tensão, ressaltam o potencial da Eletrônica Evolutiva aplicada na construção de blocos básicos de sistemas analógicos. Portanto, a principal característica desse trabalho é apresentar uma nova metodologia de projeto: evoluir ao invés de projetar. Palavras-chave Eletrônica Evolutiva, Computação Evolutiva, Circuitos Analógicos. 1 Introdução O projeto de circuitos analógicos é mais complexo do que projetos de natureza digital e depende mais da experiência e intuição do projetista (Zebulum, Pacheco e Vellasco, 2002). Assim, a complexidade desta classe de projetos caracteriza uma motivação econômica para a automação nesta área que é carente de projetistas experientes. E para poder prover uma solução automatizada de problemas que até o momento só é possível com inteligência humana, é investigado neste trabalho a utilização de computação evolutiva como forma de substituir os métodos tradicionais de construção de circuitos analógicos. Este artigo propõe a utilização de algoritmos e- volutivos implementados em linguagem de programação C++ que trabalhando em conjunto com um simulador de circuitos eletrônicos, sintetiza circuitos para aplicações específicas. Para ser possível a síntese é necessário configurar os parâmetros ideais do circuito desejado e os parâmetros de configuração da aplicação evolutiva. Este artigo está estruturado da seguinte forma: na seção 2 há uma caracterização de Computação Evolutiva; na seção 3 o conceito de Eletrônica Evolutiva é introduzido mostrando como ocorre o mapeamento genótipo-fenótipo adotado neste trabalho; na seção 4 mostram-se algumas dificuldades encontradas dentro deste trabalho e são descritas estratégias que possibilitaram efetuar a síntese de circuitos; na seção 5 é mostrado como ocorre a execução do sistema evolutivo e também são descritas as plataformas de hardware e software utilizadas nos casos estudados; na seção 6 são apresentadas três sínteses como Estudo de Casos deste trabalho e na seção 7 são revistas as principais contribuições deste artigo. 2 Computação Evolutiva Computação evolutiva é definida pela IEEE Computational Intelligence Society como um ramo da Inteligência Computacional inspirada na evolução biológica descrita por Darwin, e tenta imitar os métodos empregados pela natureza que em bilhões de anos culminaram em vida complexa na face da Terra. Baseado no paradigma Darwinista (Linden, 2006), os algoritmos evolutivos resolvem problemas computacionais considerados difíceis demais para serem resolvidos por técnicas tradicionais. Processos de evolução natural são modelados utilizando mecanismos de reprodução, mutação, recombinação, seleção natural e sobrevivência dos mais aptos para se determinar soluções adequadas ao problema em questão. Estes algoritmos utilizam, por meio dos genótipos, uma forma de aprendizado coletivo de uma população de indivíduos, levando ao paralelismo na busca por soluções (Delai, 2008). Inspirado no processo de seleção natural de seres vivos, os algoritmos evolutivos selecionam os melhores indivíduos (soluções para o problema) da população inicial para gerar descendentes (que são variantes dos pais) e através dos operadores de cruzamento e mutação executam buscas dentro do domínio de soluções. Uma população intermediária (também chamada de mating pool) é utilizada para alocar os cromossomos dos descendentes dos pais seleciona- 4767
2 dos para cruzamento, onde a chance de um indivíduo ser selecionado para cruzamento é proporcional ao seu fitness (ou aptidão). Um algoritmo clássico é mostrado na Figura 1, onde S(t) é uma população de indivíduos na geração t. Aplicações extrínsecas são aquelas em que os circuitos são avaliados através de simuladores; por outro lado, nas aplicações intrínsecas, a avaliação é realizada com base no comportamento dos indivíduos ao serem carregados em circuitos integrados programáveis (Zebulum, 1999). A representação é uma das escolhas cruciais dentro de um projeto evolutivo, pois é a partir dela que são definidos posteriormente os operadores evolutivos. Em Eletrônica Evolutiva os operadores devem ser capazes de modificar arranjos dos circuitos, alterarem as características dos componentes eletrônicos e atuar aumentando ou diminuindo o tamanho dos circuitos. Além disso, a representação deve ser intuitiva e facilitar o mapeamento genótipo-fenótipo. Figura 1. Algoritmo evolutivo clássico. Um algoritmo evolutivo é uma metáfora de fenômenos biológicos, o que explica porque estes algoritmos possuem muitos termos originados da biologia (Lacerda e Carvalho, 1999). Para exemplificar, a Tabela 1 traz algumas analogias, feitas entre o sistema natural e a Computação Evolutiva. Tabela 1. Analogias entre a biologia e a Computação Evolutiva. Natureza Gene Cromossomo Adaptação ao meio Indivíduo Genótipo Fenótipo População Geração Computação Evolutiva Característica do problema. Possível Solução. Fitness ou aptidão, indicando a qualidade da solução. Cromossomo e sua aptidão. Informação contida no cromossomo. Decodificação do genótipo na solução (em Eletrônica Evolutiva representa um circuito eletrônico). Conjunto de possíveis soluções. Ciclo de vida de uma população. 3 Eletrônica Evolutiva A área que estuda a aplicação de algoritmos evolutivos na solução de problemas no domínio de eletrônica é denominada Eletrônica Evolutiva (Sipper, 1997). Esta área pode ser classificada de acordo com as seguintes propriedades indicadas na Tabela 2 (DeGaris, 1993). Tabela 2. Classificações em Eletrônica Evolutiva. Plataforma Evolutiva Natureza do Projeto Tipo de Projeto Extrínseca (software) Eletrônica Analógica Otimização de circuitos Intrínseca (hardware) Eletrônica Digital Síntese de circuitos 3.1 Genes O gene é a estrutura mais simples em um projeto evolutivo e neste trabalho um gene deve mapear um componente eletrônico e suas características como tipo, nós de conexão e valor (quando o tipo exigir). A Figura 2 mostra como ocorre o mapeamento do genótipo descrito por uma estrutura de dados em seu fenótipo decodificado em arquivo de descrição de circuito conhecido como netlist. Figura 2. Mapeamento genótipo-fenótipo no gene. Para os casos de estudo apresentados neste artigo os genes mapeiam resistores, capacitores, indutores, diodos e transistores NPN/PNP. Para este ultimo, o valor físico é convertido em NPN ou PNP com igual proporcionalidade. O valor físico do componente e a conexão de seus terminais deverão ser mapeados dentro de um domínio pré-estabelecido de valores. Para este projeto estes domínios são mostrados na Tabela 3. Tipo (inteiro) Tabela 3: Domínio dos valores. Componente Faixa de valor 0 Resistor 1 10k Ohm 1 Capacitor 1nF 1mF 2 Indutor 1uH 1H 3 Diodo S/Valor 4 Transistor NPN/PNP 4768
3 Já o número de nós é estipulado de tal forma que o circuito possa adquirir qualquer arranjo, desde todos os componentes em paralelo até todos os componentes em série. Para isso, o terminal do componente pode conectar desde o nó 0 até o nó N, onde N é o número máximo de componentes que um circuito pode conter. 3.2 Indivíduos Em Computação Evolutiva o indivíduo é a representação de uma possível solução que em Eletrônica Evolutiva se traduz em um circuito eletrônico, e os atributos deste indivíduo são: Um vetor de genes, ou cromossomo, representando o conjunto de componentes eletrônicos que constituem um circuito; Fitness, ou aptidão, que indica a qualidade da solução que o circuito representa; Máscara de ativação, ou vetor de binários que funcionam como chaves de liga-desliga dos genes. Este último atributo atua ativando ou desativando genes (Figura 3) e tem como finalidade definir quais componentes participam do circuito eletrônico quando ocorre a tradução do genótipo em fenótipo. Inspirado no processo biológico, a máscara de ativação faz a discriminação entre os genes que produzem fenótipo e os que não produzem, conhecido na biologia como DNA codificante e não codificante (Zebulum, 1999). Além do mais é um ótimo aliado em manter a variabilidade genética na população. A Figura 3 demonstra o mapeamento genótipofenótipo no nível de indivíduo, onde o algoritmo mapeia todos os seus genes e verifica quais são ativos para poder escrever o seu fenótipo em arquivo de descrição de circuitos para simulação. Figura 3. Mapeamento genótipo-fenótipo no indivíduo. 3.3 População A população é implementada por um vetor de tamanho fixo contendo todos os circuitos (ou indivíduos) de determinada geração. Ela possui os métodos responsáveis pela execução da evolução como avaliação geral, seleção para reprodução (utilizando o tradicional método da roleta), seleção dos circuitos considerados elites e coordenação dos operadores genéticos. 4 Estratégias Evolutivas e de Otimização Podemos destacar que a maioria das dificuldades encontradas neste trabalho foram geradas por limitações no processo de simulação de circuitos. Isso se deve ao fato de simplesmente não existir um software para simulação de circuitos eletrônicos analógicos capaz de retornar resultados mesmo em circuitos problemáticos, abortando extensos loops e evitando travamentos. A aplicação desenvolvida para síntese de circuitos parte de uma geração inicial de circuitos totalmente aleatórios que gera uma grande quantidade de circuitos não simuláveis, e que geralmente resultam em problemas na execução do simulador. A estratégia adotada para suprir esta dificuldade foi desenvolver na aplicação a capacidade de detectar estouro de tempo e finalizar a execução do software simulador dando continuidade a sua execução. E para combater a convergência prematura que se dá quando muitos circuitos têm seu fitness zerado por conta de não ter sido simulado corretamente, um método faz a troca de circuitos sem aptidão por circuitos aleatórios na geração seguinte, combatendo a dominância de poucos que ocorre principalmente nas gerações iniciais. Muita das vezes os circuitos gerados possuem alguns componentes que não estão ligados ao circuito alimentado, o que leva a um circuito não simulável e consequentemente sem aptidão, mesmo que possua ótimas características em seu genótipo. Para solucionar este impasse foi necessário implementar um operador que efetua junção de componentes ao circuito conexo de forma aleatória e assim possibilita sua simulação. Inspirado na propriedade de célulastronco repararem conexões entre tecidos danificados, esta nomenclatura foi atribuída ao novo operador. Este operador lista todos os nós conexos à alimentação e identifica quais componentes eletrônicos ativados pela máscara que não estão conexos, e por meio de sorteios de valores da lista de nós conexos, atribui novas conexões aos componentes desligados do circuito alimentado. O exemplo da Figura 4 mostra como o operador célula-tronco atua em um circuito que possui componentes desconexos da alimentação. Sem utilizar uma estratégia de pré-correção nos circuitos de forma aleatória, seria inviável executar simulações em alta escala diante da quantidade de simulações abortadas que ocorreriam, e isto justifica o emprego do operador célula-tronco nesta aplicação. Outra estratégia adotada que também contribui para a eficácia do sistema evolutivo, é desativar por meio da máscara de ativação os componentes redundantes que possuem seus terminais interconectados (em curto-circuito). 4769
4 objetos. O compilador utilizado foi MinGW ("Minimalistic GNU for Windows") em ambiente Netbeans. Os experimentos descritos na seção 6 foram realizados em processador Core 2 Duo 2.4GHz com 4GB de memória RAM executando o sistema operacional Windows XP Professional com Service Pack 3. Figura 4. Exemplo de aplicação do operador célula-tronco. 5 Sistema Evolutivo O fluxograma apresentado na Figura 5 traz a sequência de processos utilizados neste trabalho para a síntese de circuitos analógicos em plataforma extrínseca a partir de uma população inicial aleatória, permitindo através de várias gerações, o surgimento de soluções melhores que as anteriores. Primeiramente a aplicação faz a leitura de um arquivo que configura os parâmetros evolutivos como quantidade de gerações, tamanho da população, taxa de mutação, taxa de elitismo e também os parâmetros dos circuitos como alimentação, tipos de componentes, domínio de valores. Depois da leitura do arquivo de configuração, o sistema gera uma população de circuitos aleatórios que são escritos em netlist s no padrão de simulação Spice. Logo em seguida o sistema faz a chamada ao simulador passando cada netlist e recolhe o relatório de simulação para poder efetuar a avaliação de cada circuito. Quando uma geração termina de ser simulada, o sistema verifica se algum circuito obteve avaliação máxima ou se estourou o numero de gerações. Se as respostas forem falsas o sistema reconstrói a geração a partir dos melhores da geração anterior, de circuitos aleatórios e de cruzamentos dos genótipos da geração anterior, aplicando mutação em cada circuito recém-gerado. Um circuito que possui nota máxima pode nunca ser encontrado dependendo do circuito desejado porque de acordo com Delai (2008) ao lidar-se com amplos e complexos espaços de busca, uma ótima solução pode ser algo de difícil obtenção com Algoritmos Evolutivos, sendo possível obter soluções satisfatórias. Foi adotada para construção do sistema evolutivo a linguagem de programação C++, por possuir alto nível de abstração e elevado desempenho, além de ser largamente utilizada no meio acadêmico e ter todas as vantagens de uma linguagem orientada a Figura 5. Fluxograma de execução. Dentre os softwares gratuitos para simulação de circuitos eletrônicos analógicos, o adotado no sistema evolutivo foi o LTspice IV (LTspice Users Guide, 2010) desenvolvido pela Linear Technology Corporation baseado no tradicional Spice 3f4/5 que oferece bons recursos em sua interface gráfica intuitiva e na execução em modo batch, e também por ser atualizado periodicamente. 6 Estudo de Casos Esta seção investiga a síntese de circuitos multiplicadores de tensão que possibilitam obter uma tensão contínua na saída, sendo esta múltipla inteiro do valor de pico de uma tensão alternada de entrada. 6.1 Avaliação A avaliação desta natureza de circuitos deve se preocupar em encontrar dois nós no circuito gerado que entre eles haja uma tensão contínua de valor desejado. Para isto é executada no simulador uma análise transiente com um período de 100 ciclos da frequência do sinal de entrada. Então é analisada a componente contínua, apenas dos últimos 10 ciclos, de todos os nós. Isto garante que o resultado obtido será analisado após a estabilização do circuito depois que entra em funcionamento. Os dois nós que melhor se aproximarem do desejado pontuam o circuito de acordo com a aptidão (Equação 1). 4770
5 1 Aptidão ( N Vin Vout 1) (1) Onde: N indica o fator de multiplicidade de tensão da saída desejada em relação à entrada, Vin indica a tensão de pico da alimentação senoidal do circuito, e Vout indica a melhor componente contínua de saída entre dois nós. 6.2 Procedimentos Além da representação e das estratégias descritas nas seções anteriores, outros procedimentos foram adotados nos casos estudados nesta seção, como a utilização de crossover de 2 pontos para os cruzamentos, seleção por meio do método da roleta, além de uma taxa de mutação de 5% aplicada a todo atributo de um indivíduo recém gerado. Já a divisão da população foi definida da seguinte forma: Uma faixa de 10% é constituída das melhores soluções da geração anterior, garantindo que não haja perda das soluções ao longo das gerações; Uma segunda parte da população é constituída de indivíduos aleatórios que são inseridos para suprir os indivíduos sem aptidão da geração anterior; A terceira parte da população é obtida por meio dos operadores de cruzamento e mutação. 6.3 Resultados Nesta subseção apresentam-se os resultados obtidos nos experimentos de síntese de três classes de multiplicadores de tensão, onde cada experimento foi executado 5 vezes com 100 gerações cada um e 100 indivíduos por geração, sendo num total circuitos simulados por experimento. Os componentes utilizados e seus domínios são descritos na Tabela 3 deste artigo. Além disso, todos os experimentos foram executados com alimentação fixa de 12 Volts de pico senoidal e apenas o número máximo de componentes do circuito e a multiplicidade da tensão desejada, o N da função de avaliação, variam de um experimento para outro. O número máximo de componentes estipulado nas três sínteses foram 8, 10 e 12 para os multiplicadores de fator 2, 3 e 4 respectivamente, devido a maior complexidade dos circuitos desejados. Com o aumento do número de componentes o espaço de busca do algoritmo evolutivo também aumenta o que resulta em mais gerações para obter soluções satisfatórias. O gráfico da Figura 6 mostra a evolução da aptidão da melhor solução ao longo das gerações na melhor execução de cada síntese. Figura 6. Aptidão do melhor indivíduo ao longo das gerações. O esquemático da Figura 7 mostra que o melhor circuito dobrador de tensão obtido é no mínimo curioso, pois durante a evolução dois terminais de um transistor foram utilizados como um diodo. Além disso, a multiplicação da tensão é acentuada devido ao processo de ressonância entre indutor e capacitor em série. Com estas características o circuito mostrado na Figura 7, apresentou em seus terminais de saída uma tensão contínua de 23,99 Volts. Figura 7. Esquemático do melhor circuito obtido nos experimentos de síntese de dobrador de tensão. O melhor circuito evolutivo sintetizado nos experimentos do triplicador de tensão apresenta em seus terminais de saída uma tensão de 35,92 Volts contínuos. Não possui nenhum componente redundante, sendo importante até o curto existente entre o coletor e o emissor do transistor Q2 que causa uma queda de tensão necessária para que a saída fique mais próxima de 36 Volts. O esquemático da Figura 8 mostra este circuito, que conseguiu ter melhor aptidão em relação ao resto da população. Figura 8. Esquemático do melhor circuito obtido nos experimentos de síntese de triplicador de tensão. 4771
6 Devido ao teto de 12 componentes estabelecido para a evolução do circuito quadruplicador de tensão, esta se mostrou mais custosa que os dois experimentos anteriores como pode ser visto pelo gráfico de melhor solução na Figura 6. O esquemático da Figura 9 é o melhor circuito quadruplicador de tensão obtido nos experimentos e surpreende pela simplicidade e pelo fato de possuir três componentes redundantes (C4, D11 e Q9). Nos terminais de saída apresenta 48,33 Volts contínuos. Figura 9. Esquemático do melhor circuito obtido nos experimentos de síntese de quadruplicador de tensão. É importante observar que nos três resultados há ocorrência de indutores e que geralmente estes são componentes caros, não sendo interessante sua utilização em circuitos desta natureza. Por isso pode-se limitar os componentes eletrônicos a apenas diodos e capacitores para evolução de multiplicadores de tensão e assim seriam obtidos os circuitos clássicos da literatura. 7 Conclusão Neste artigo foi apresentada uma metodologia para síntese de circuitos analógicos de forma autônoma utilizando computação evolutiva. Esta aplicação tem custo elevado de tempo e exige estratégias bem elaboradas que surgem para solucionar problemas encontrados em experimentos, tendo como objetivos: minimizar o número de circuitos não simuláveis, o tempo de simulação, a convergência prematura da população e também tratar adversidades que por ventura possam ocorrer durante o processo evolutivo. Para estudo de casos os métodos apresentados foram aplicados na síntese de circuitos multiplicadores de tensão, que são circuitos de média complexidade. Entretanto tais circuitos são dificilmente reprisados, onde é necessário re-executar a evolução para obter outro circuito com a mesma funcionalidade, porém com arquitetura e valores totalmente diferentes. Além disso, o circuito sintetizado por Computação Evolutiva deve passar por uma triagem humana onde devem ser retirados os componentes nãofuncionais que participaram da evolução. Os resultados apresentados neste trabalho demonstram que a síntese de circuitos analógicos por computação evolutiva é uma ferramenta viável que pode ser aplicada na construção de blocos básicos de sistemas analógicos. Agradecimentos Os autores agradecem a FAPEMIG e CNPq pelo apoio financeiro para execução e publicação deste trabalho de pesquisa. Referências Bibliográficas DeGaris, H. (1993). Evolvable Hardware: Genetic Programming of a Darwin Machine. In: International Conference on Artificial Neural Networks and Genetic Algorithms, Innsbruck, Austria, Delai, A. L. (2008), Aplicação de Controlador Evolutivo a Pêndulo Servo Acionado, Dissertação de Mestrado. Campinas: Universidade Estadual de Campinas. Lacerda, E.G.M, Carvalho, A.C.P.L (1999), Introdução aos algoritmos genéticos, in Estéfane G. M. de Lacerda e André Carlos P. L. F. de Carvalho (orgs.), Sistemas inteligentes: aplicações a recursos hídricos e ciências ambientais. Porto Alegre: Ed. Universidade/UFRGS: Associação Brasileira de Recursos Hídricos, Linden, R. (2006). Algoritmos Genéticos Uma importante ferramenta da inteligência computacional. Rio de Janeiro-RJ, Brasport. Linear Technology (2010). LTspice Users Guide. Disponível em: < Acesso em 25 de fevereiro de Sipper M. (1997). EvoNet - The Network of Excellence in Evolutionary Computation: Report of the Working Group in Evolutionary Electronics (EvoElec), s. l.: Relatório Técnico, Novembro, 25. Zebulum, R. S., Pacheco, M. A. and Vellasco, M. (2002), Evolutionary Electronics Automatic Design of Electronic Circuits and Systems by Genetic Algorithms. Nova York, CRC Press. Zebulum, R. S. (1999), Síntese de circuitos eletrônicos por computação evolutiva. Tese de Doutorado. Rio de Janeiro: Pontifica Universidade Católica do Rio de Janeiro. 4772
Luiz H. R. Peixoto, Wilian S. Lacerda Departamento de Ciência da Computação Universidade Federal de Lavras C.P Lavras, Minas Gerais, Brasil
COMPUTAÇÃO EVOLUTIVA APLICADA NO PROJETO AUTOMÁTICO DE CIRCUITOS ELETRÔNICOS Luiz H. R. Peixoto, Wilian S. Lacerda Departamento de Ciência da Computação Universidade Federal de Lavras C.P. 3037 Lavras,
Leia maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia 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 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 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 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 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 maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia 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 mais3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
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 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 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 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 maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia 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 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 maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia 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 mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Leia maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Leia 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 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 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 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 mais3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
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 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 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
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 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 mais3 Computação Evolucionária
34 3 Computação Evolucionária Computação Evolucionária compreende diversos algoritmos inspirados no princípio Darwiniano da evolução das espécies e na genética. São algoritmos probabilísticos, que fornecem
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 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 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 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 maisESTUDO 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
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 maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
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 maisDESENVOLVIMENTO 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
Leia maisIntrodução à Computação
Introdução à Computação Jordana Sarmenghi Salamon jssalamon@inf.ufes.br jordanasalamon@gmail.com http://inf.ufes.br/~jssalamon Departamento de Informática Universidade Federal do Espírito Santo Agenda
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisAlgoritmos Genéticos. 1 Semestre de Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Algoritmos Genéticos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 2 Introdução Darwin Naturalistas: cada espécie havia sido criada separadamente
Leia 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 maisAplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas
Aplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas Resumo Gardiego Luiz da Silva 1 Henrique Faria de Oliveira 2 Faculdade
Leia maisIF-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
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 maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisCréditos. Introdução a Sistemas Inteligentes. Agenda Introdução Breve Histórico. Introdução. Introdução aos Algoritmos Evolutivos
Introdução a Sistemas Inteligentes Introdução aos Algoritmos Evolutivos Créditos Este material consiste de adaptações e extensões dos originais gentilmente cedidos: pelo Prof. Dr. Eduardo Raul Hruschka
Leia maisALGORITMOS GENÉTICOS EM EQUAÇÕES NÃO LINEARES PARA ESTIMATIVA DA TAXA MÁXIMA DE CRESCIMENTO DO FRUTO DA LICHIA
ALGORITMOS GENÉTICOS EM EQUAÇÕES NÃO LINEARES PARA ESTIMATIVA DA TAXA MÁXIMA DE CRESCIMENTO DO FRUTO DA LICHIA Lucas Eduardo de Oliveira APARECIDO 1 ; Nilva Alice GASPAR 2 ; Tiago Gonçalves BOTELHO³ RESUMO
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 maisSistemas Inteligentes if684. Germano Vasconcelos Página da Disciplina:
Sistemas Inteligentes if684 Germano Vasconcelos gcv@cin.ufpe.br Página da Disciplina: www.cin.ufpe.br/~îf684/ec 1 1 Algoritmos Genéticos 2 Algoritmos Genéticos n Técnicas de busca e otimização n Metáfora
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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação plicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada -
Leia maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisOTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS C. de O. GONÇALVES 1, E. M. QUEIROZ 2, F. L. P. PESSOA 2, F. S. LIPORACE 3, S. G. OLIVEIRA 3 e A. L. H. COSTA 1
Leia maisProf. André Rabelo LÓGICA DIGITAL INTRODUÇÃO
Prof. André Rabelo LÓGICA DIGITAL INTRODUÇÃO INTRODUÇÃO Um sistema pode ser definido como sendo um conjunto de elementos que são interligados de alguma maneira para compor um todo e assim realizar funcionalidade
Leia maisAlgoritmos Evolutivos para Otimização
Algoritmos Evolutivos para Otimização A área de aplicação que tem recebido mais atenção é a otimização. Uma das razões é que existem uma variedade de problemas de otimização e a maioria deles sem solução
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisAula 06 - Máquina Multinível e Von Neumann
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte Campus Currais Novos Instalação e Organização de Computadores Aula 06 - Máquina Multinível e Von Neumann Prof. Diego Pereira
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 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 maisSíntese Evolucionária em Nanotecnologia
Síntese Evolucionária em Nanotecnologia Cristina Costa Santini, Marco Aurélio C. Pacheco ICA : Laboratório de Inteligência Computacional Aplicada Departamento de Engenharia Elétrica, PUC-Rio [santini,
Leia mais4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
Leia maisLUIZ HENRIQUE ROWAN PEIXOTO SÍNTESE DE CIRCUITOS ELETRÔNICOS ANALÓGICOS/DIGITAIS POR COMPUTAÇÃO EVOLUTIVA EM PLATAFORMA PARALELA
LUIZ HENRIQUE ROWAN PEIXOTO SÍNTESE DE CIRCUITOS ELETRÔNICOS ANALÓGICOS/DIGITAIS POR COMPUTAÇÃO EVOLUTIVA EM PLATAFORMA PARALELA LAVRAS - MG 2011 LUIZ HENRIQUE ROWAN PEIXOTO SÍNTESE DE CIRCUITOS ELETRÔNICOS
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia maisProjeto e Implementação de um Fatorial em Hardware para Dispositivos Reconfiguráveis
Projeto e Implementação de um Fatorial em Hardware para Dispositivos Reconfiguráveis Álamo G. Silva, Leonardo A. Casillo Departamento de Ciências Exatas e Naturais Universidade Federal Rural do Semi- Árido
Leia maisde petróleo. Um novo domínio chamado computação de propósito geral em processadores gráficos (GPGPU) surgiu quando os pipelines de gráficos de
12 1 1.1. Motivações Dentre os tipos de técnicas de Inteligência Artificial existentes, as técnicas de Programação Genética (PG) continuam mudando rapidamente conforme os pesquisadores e profissionais
Leia maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
Leia maisSIMULADOR EVOLUTIVO PARA CONTROLE DE SISTEMAS DINÂMICOS 1
SIMULADOR EVOLUTIVO PARA CONTROLE DE SISTEMAS DINÂMICOS 1 Rodolfo Berlezi 2, Eldair Fabrício Dornelles 3, Rogério Samuel De Moura Martins 4, Sandro Sawicki 5, Edson Luiz Padoin 6, Tales Ruan Scheffler
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 mais8 Conclusões e Trabalhos Futuros
8 Conclusões e Trabalhos Futuros Este trabalho propôs investigar o apoio das técnicas de Inteligência Computacional no desenvolvimento da Nanociência e Nanotecnologia. Tal apoio é aqui denominado de Nanotecnologia
Leia maisArquitetura e Organização de computadores
Arquitetura e Organização de computadores Aula 1: Organização e evolução de computador, parte 1 Prof. MSc. Pedro Brandão Neto pedroobn@gmail.com Sistemas de Informação - UNDB Introdução Computador Digital
Leia maisInteligência 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
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 maisVERIFICAÇÃO 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
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 maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
Leia maisAlgoritmos 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
Leia mais4 Processo de Transformação
Tecnologias Relacionadas 43 4 Processo de Transformação Com a constante mudança nos requisitos (funcionais e não funcionais) do domínio da aplicação, há uma grande necessidade de que os sistemas estejam
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
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 maisHardware Evolucionário
Hardware Evolucionário EVOLVABLE HARDWARE Aplicação de Computação Evolucionária no Projeto, Otimização e Síntese de Sistemas Sumário O que é Evolvable Hardware? Taxonomia Exemplos de Aplicação; Projeto
Leia maisComputação Bioinspirada: Aplicações
Computação Bioinspirada: Aplicações Prof. Eduardo do Valle Simões Grupo de Sistemas Embarcados e Evolutivos LCR Laboratório de Computação Reconfigurável Departamento de Sistemas de Computação Projeto de
Leia maisESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS
ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS Laercio Brito Gonçalves, Marco Aurélio Cavalcante Pacheco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada
Leia maisGA Conceitos Básicos. Capítulo 3 Prof. Ricardo Linden
GA Conceitos Básicos Capítulo 3 Prof. Ricardo Linden Algoritmos Evolucionários Algoritmos evolucionários usam modelos computacionais dos processos naturais de evolução como uma ferramenta para resolver
Leia maisAlgoritmos Genéticos em Ambientes Paralelos
Algoritmos Genéticos em Ambientes Paralelos Michele Alves de Freitas Batista Instituto Nacional de Pesquisas Espaciais michele.afreitas@gmail.com Lamartine Nogueira Frutuoso Guimarães Instituto Nacional
Leia maisPUC-Rio. Dispositivos Lógicos Programáveis
Dispositivos Lógicos Programáveis 1 Dispositivos Lógicos Programáveis PLDs (Programmable Logic Devices) são circuitos integrados cujas conexões internas podem ser programadas pelo usuário de modo a realizar
Leia mais1 Introdução 1.1 Motivação
13 1 Introdução 1.1 Motivação A preocupação e os esforços empregados para melhorar as práticas de desenvolvimento de software buscando o aumento da produtividade e da qualidade, bem como a redução de custos
Leia maisComputação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
Leia maisSintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Filipe Sacchi ICA: Applied Computational Intelligence Department of Electrical
Leia maisFPGA & VHDL. Tutorial Aula 1. Computação Digital
FPGA & VHDL Tutorial Aula 1 Computação Digital FPGA Field Programmable Gate Array Dispositivo lógico contendo uma matriz de: Células lógicas genéricas Configuráveis ( programáveis ) para desempenhar uma
Leia maisIN-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
Leia mais