Soluções otimizadas via Algoritmo Genético para o controle do mosquito transmissor da Dengue
|
|
- Miguel Gomes Lancastre
- 6 Há anos
- Visualizações:
Transcrição
1 Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. Trabalho apresentado no XXXV CNMAC, Natal-RN, 4. Soluções otimizadas via Algoritmo Genético para o controle do mosquito transmissor da Dengue Luiz G. Lyra, Helenice de O. F. Silva, Fernando L. P. dos Santos, Daniela R. Cantane Depto. de Bioestatística, IBB, UNESP, , Botucatu, SP {lglyra,helenice,flpio,dcantane}@ibb.unesp.br Resumo: Neste trabalho é apresentado estratégias otimizadas como propostas para o controle do mosquito transmissor da Dengue. Estas estratégias foram obtidas por meio do desenvolvimento do Algoritmo Genético (AG) capaz de resolver o problema de otimização proposto. O modelo matemático baseia-se em Thomé, 7, [4]. Este modelo descreve a dinâmica de mosquitos nas fases aquática e alada e considera variáveis de controles químicos, por inseticidas, e biológico, pela inserção de mosquitos machos estéreis no meio ambiente, [, ]. Soluções otimizadas para as variáveis de controle sugeridas pelo AG proposto são apresentadas. O AG aqui proposto mostrou ser uma ferramenta versátil e de grande aplicabilidade no controle das populações de mosquitos. Palavras-chave: Aedes aegypti, controle ótimo, controle químico, controle biológico, mosquitos esteréis. Introdução A Dengue é uma doença febril causada pelo vírus do gênero Flavivírus da família Flaviviridae. A transmissão ocorre pela picada do mosquito fêmea, do gênero Aedes aegypti, contaminada por este vírus. Atualmente há quatro sorotipos: DEN-, DEN-, DEN- e DEN-4. Tal enfermidade é característica de regiões tropicais e subtropicais; Em particular, no Brasil, sua incidência tem crescido nas últimas décadas, [6]. O ciclo de vida do Aedes aegypti é compreendido por duas fases: aquática (ovo, larva e pupa) e alada (mosquito adulto). Devido à grande resistência dos ovos do Aedes às épocas secas, aliada às condições favoráveis ao seu desenvolvimento, sua erradicação ainda está longe de ser atingida. Assim, a única forma é estabelecer mecanismos de controle da doença que reduzam a população do mosquito transmissor. Atualmente, os mecanismos de controles existentes são: químico (uso de inseticidas), biológico (inserção de organismos vivos no meio ambiente) e mecânico (remoção de criadouros). O objetivo principal deste trabalho é obter estratégias otimizadas para o controle da Dengue. Para atingir este objetivo é proposto um AG que permite um amplo espaço de busca de soluções no problema e a inserção de valores de referências na resposta final e, de fácil implementação. Modelo Matemático Neste trabalho considera-se o modelo matemático desenvolvido e amplamente discutido por Thomé, [4, 5]. Com base neste modelo, tem-se o seguinte problema de otimização: DOI:.554/ SBMAC
2 Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. Minimizar J = J[u,u ] = sujeito a T (c u +c u +c F c 4 S )dt, () ( da dt = φ A ) F (γ +µ A )A [ C di βm dt = rγa M +S + β ] SS M +S +(µ I +u ) I df dt = βmi M +S (µ F +u )F dm = ( r)γa (µ M +u )M dt ds dt = u (µ S +u )S φrγβ R = (γ +µ A )(β +µ I )µ F A() = A = C(R ) R I() = I = rγa µ I +β F() = F = (γ +µ A)CA φ(c A ) M() = M = ( r)γa µ M S() = S = u u, sendo T é o período de uso do controle; c, c, c e c 4 são as importâncias relativas do custo com inseticidas, da produção de mosquitos estéreis, do número de fêmeas fertilizadas φrβ e de preservação de mosquitos estéreis, respectivamente; R = (γ+µ A )(β+µ I )µ F é a taxa de reprodutividade que mede o potencial máximo de reprodução de uma doença infecciosa; R > representa o equilíbrio endêmico estável. A variável de estado U, relacionada aos mosquitos fêmeas não-fertilizadas, é desacoplada do sistema dinâmico, () e dada por: du dt = β SSI M +S (µ U +µ )U. () As taxas de mortalidade per capita dos mosquitos são µ A na fase aquática; µ I para fêmeas imaturas; µ F parafêmeas fertilizadas; µ U parafêmeas não-fertilizada; µ M para machos naturais; µ S para machos estéreis. A taxa de oviposição da fêmea fertilizada F é proporcional a sua densidade,dependedonúmerodecriadouroseédadaporφ ( C) A,sendoφataxadeoviposição intrínseca; C é a capacidade do meio relacionada com o número de nutrientes e espaço. Os mosquitos na fase aquática A passam para a fase alada com uma taxa per capita γ, onde uma proporção r são de fêmeas e ( r) são de machos. A mudança de fase das fêmeas imaturas I para as fases fertilizadas F e não-fertilizadas U depende principalmente do número de encontros com os machos naturais M e com os machos estéreis S (irradiados). A probabilidade de encontro M entre uma fêmea I com um macho natural M é dada por M+S. A taxa per capita com que as fêmeas são fertilizadas é dada por βm M+S, sendo β a taxa de acasalamento dos mosquitos naturais. A probabilidade de encontro de um macho estéril S com uma fêmea I não depende apenas do ps M+S número de mosquitos machos irradiados e é dada por, em que p é a proporção com que os mosquitos estéreis são colocados nos locais adequados. A taxa de acasalamento efetiva dos mosquitos estéreis é dada por qβ, com q, sendo q a redução do interesse em acasalamento do mosquito macho após o processo de irradiação. A taxa per capita com que as fêmeas I são fertilizadas pelos mosquitos estéreis S é dada por β SS M+S, em que β S = pqβ. () DOI:.554/ SBMAC
3 Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. Finalmente, u é a taxa em que a população de mosquitos estéreis S são colocadas no meio ambiente. A Figura abaixo ilustra a dinâmica completa. Propõe-se a resolução do problema de controle ótimo mono-objetivo ()-() e da Eq. () com uso de heurísticas. A Equação () representa a medida de desempenho do controle. Portanto, neste problema de controle ótimo, o objetivo é minimizar o valor do funcional J. Discute-se, assim, o AG proposto para resolução deste problema. ( φ A ) C ( r)γ A µ A rγ u M βm (M +S) I βss (M +S) S u µ M u µ I u F U µ S u µ F u µ U Figura : Diagrama da dinâmica populacional considerando as populações A, I, F, M, S e U; u e u são os controles químico e biológico, respectivamente. Algoritmo Genético proposto Nesta seção apresentamos um Algoritmo Genético (AG) para resolução do problema de controle ótimo mono-objetivo ()-(), que consiste em determinar (u,u ) que minimiza J[u,u ] sujeito às restrições propostas, []. Os passos a seguir resumem o AG. Passo [Indivíduos]: definir a estrutura do indivíduo, ou cromossomo, (u,u ); Passo [População inicial]: gerar aleatoriamente uma populacao de n indivíduos; Passo [Avaliação]: Calcular a aptidão de cada indivíduo da população, isto é, calcular a função fitness, f i, para cada u i = (u,u ) i : sendo P i = {, se u i é factível, 5, caso contrário. f i = J[u i ] P i, J[u i ] é o valor dafunção objetivo avaliada em u i, obtido pelo método clássico de integração numérica / de Simpson Generalizada. Passo 4 [Elite]: Armazenar os indivíduos de melhor aptidão no conjunto nomeado Elite; Passo 5 [Seleção]: Selecionar ps% de indivíduos da população e armazenar na população intermediária para o cruzamento (próximo passo); Passo 6 [Crossover]: Fazer o cruzamento dois a dois entre os indivíduos selecionados no Passo 5; Passo 7 [Mutação]: Selecionar com a probabilidade pm os indivíduos da população que sofrerão mutação; DOI:.554/ SBMAC
4 Passo 8 [Nova população]: Selecionar os n indivíduos de melhor aptidão dentre a população intermediária e a população anterior; Passo 9 [Avaliação]: Calcular a aptidão de cada indivíduo da população e atualizar o conjunto Elite; Passo [Critério de parada]: Se o critério de parada for satisfeito (número de gerações), vá para o Passo ; Caso contrário, vá para o Passo 5. Passo [Fim]: A solução é o melhor indivíduo u i presente no conjunto Elite. Dessa forma, as propriedades deste algoritmo são: (i) fácil de ser implementado; (ii) permite inserir novas restrições ao problema, sem dificultar sua resolução. Assim, pode-se inserir valores de referências sobre as saídas dos estados (A, I, F, M, S e U) do sistema (), satisfazendo (i) e (ii). Considerando o estado F, seja F fixo o tamanho máximo de fêmeas fertilizadas para um dado tempo t fixo. Com isso, F(t) F fixo, para todo t t fixo, é uma restrição fundamental no processo de controle. Como consequência imediata, tem-se que o crescimento desta população será, assim, controlado. A seção seguinte apresenta os resultados obtidos por meio do AG proposto neste trabalho. 4 Resultados Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. A Tabela apresenta os parâmetros utilizados no problema de otimização ()-(). Utilizando estes parâmetros, obtêm-se as condições iniciais apresentadas na Tabela. Estas condições traduzem o equilíbrio do sistema e pior situação da doença para R >. Assim, o controle é aplicado quando a população de mosquitos é densa. As Tabelas e 4 mostram, respectivamente, o valor para a restrição sobre F e os parâmetros utilizados no AG. Na Tabela 4, T é o período de uso do controle; G é o número de gerações; n é o número de indivíduos da população; P é a penalização imposta aos indivíduos infactíveis; K é o número de elementos da elite; ps% é a porcentagem de indivíduos selecionados para o crossover e pm é a probabilidade de um indivíduo sofrer mutação. Tabela : Parâmetros utilizados no modelo, [4]. C γ φ r β µ A µ I µ F µ U µ M,7,5,5,5,5,5,5, Tabela : Condições iniciais utilizadas, [4]. A() I() F() M() S() 8,,77 5,5467,9 Tabela : Parâmetros para a restrição em F. t fixo F fixo, Tabela 4: Parâmetros utilizados no Algoritmo Genético. T G n P K ps% pm %,5 Tabela 5: Parâmetros utilizados nos coeficientes c i, i =,...,4. c c c c 4 DOI:.554/ SBMAC
5 Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. Com base em [], normaliza-se as parcelas do funcional J, tal que tenham a mesma magnitude. Os coeficientes c i, i =,...,4, são dados conforme a Tabela 5. As equações diferencias que descrevem a dinâmica das populações de mosquitos é resolvido aplicando-se o método de Runge-Kutta de quarta ordem. O problema de controle ótimo, bem como o AG proposto foi implementado em linguagem C. Para esta implementação foi utilizado o período de tempo T igual a dias. Para avaliar a aplicabilidade e a versatilidade do AG em sugerir estratégias otimizadas de controle de mosquitos, elaborou-se as situações e abaixo. Situação : u (t) e u (t) constantes em períodos de aplicação de em dias ao longo do tempo T. As Figuras e mostram as variáveis de controle u (t) e u (t), respectivamente, sugeridas de forma otimizada pelo AG aqui proposto. Estes valores são então utilizados na resolução do sistema (). As Figuras 4 e 5 mostram os efeitos desses controles na dinâmica da população de mosquitos fêmeas. Em particular, pode-se notar o decrescimento da população de fêmeas fertilizadas, Figura 4.,5 Variável de controle u(t),8,6,4, Variável de controle u(t),5,5, Figura : Variável de controle u (t) referente ao investimento com inseticida. Figura : Variável de controle u (t) referente ao investimento com mosquitos machos estéreis. 6,8 Fêmeas fertilizadas F(t) 5 4 Fêmeas não-fertilizadas U(t),7,6,5,4,,, t Figura 4: População de mosquitos fêmeas fertilizadas F. Figura 5: População de mosquitos fêmeas nãofertilizadas U. Situação : Iniciar com u (t) e u (t) constantes. Neste caso, o AG determina a melhor forma de aplicação. Nesta situação, o AG sugere a quantidade que se deve aplicar de cada controle e o melhor período de aplicação. Aqui, AG aponta que quando o investimento de um dos controles é alto, o outro deve ser baixo. Este comportamento pode ser visto nas Figuras 6 e 7 que apontam altos valores para u (t) e baixos valores para u (t), no período entre e dias. Isto resulta em DOI:.554/ SBMAC
6 Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. baixos investimentos na aplicação desses controles e mostra a versatilidade do AG aqui proposto. As Figuras 8 e 9 mostram os efeitos desses controles na dinâmica da população de mosquitos fêmeas. Novamente, é possível notar o decrescimento da população de fêmeas fertilizadas, Figura 8.,5 Variável de controle u(t),8,6,4, Variável de controle u(t),5,5, Figura 6: Variável de controle u (t) referente ao investimento com inseticida. Figura 7: Variável de controle u (t) referente ao investimento com mosquitos machos estéreis. Fêmeas fertilizadas F(t) Fêmeas não-fertilizadas U(t),8,7,6,5,4,,, t Figura 8: População de mosquitos fêmeas fertilizadas F. Figura 9: População de mosquitos fêmeas nãofertilizadas U. A Tabela 6 apresenta os valores do funcional J para as situações e. Como o objetivo é minimizar o valor de J, segue que a situação (J =,96) representa, dentre as duas, a melhor estratégia que otimizará a aplicação dos controles ao longo do tempo considerado. Tabela 6: Comparação dos valores de J. Situação J,57,96 5 Conclusões Como conclusões acerca deste trabalho, cujo objetivo foi a obtenção de estratégias otimizadas para o controle da Dengue via método heurístico, tem-se que o AG aqui proposto: mostrou ser uma ferramenta versátil e de grande aplicabilidade na obtenção de resultados otimizados para o problema em questão; possui as propriedades: (i) fácil de ser implementado; (ii) vantagem de inserir novas restrições ao problema, sem impor novas dificultades na resolução; DOI:.554/ SBMAC
7 com o Passo, permitiu impor penalidades sobre as soluções infactíveis, ampliando o espaço de busca na região de factibilidade; sugeriu como melhor estratégia de controle, dentre as situações analisadas, aquela em que as variações dos controles e os períodos de aplicações são ambos determinados pelo algoritmo. Referências Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. [] A. C. Bartlett; R. T. Staten, The sterile release method and other genetic control strategies, Radcliffe s IPM World Textbook, University of Minesota, 996. [] Kalyanmoy Deb and Deb Kalyanmoy. Multi-Objective Optimization Using Evolutionary Algorithms. John Wiley & Sons, Inc., New York, NY, USA,. [] L. Esteva & H. M. Yang: Mathematical Model to Assess the Control of Aedes aegypti Mosquitoes by Sterile Insect Technique, Mathematical Biosciences, 98: -47 (5). [4] R. C. A. Thomé. Controle ótimo aplicado na estratégia de combate ao Aedes aegypti utilizando inseticida e mosquitos estéreis, Tese de Doutorado, IMECC/UNICAMP, 7. [5] R. C. A. Thomé; H. M. Yang, L. Esteva. Optimal control of Aedes aegypti mosquitoes by the sterile insect technique and insecticide, Mathematical Biosciences, Elsevier, (), -. [6] World Health Organization. Dengue: Guidelines for Diagnosis, Treatment, prevention and control, nd edn. Geneva: WHO, 9. DOI:.554/ SBMAC
Controle populacional do mosquito Aedes aegypti na fase aquática
Controle populacional do mosquito Aedes aegypti na fase aquática Helenice de O. Florentino Daniela R. Cantane Depto de Bioestatística, IB, UNESP 18618-670, Botucatu, SP E-mail: helenice@ibb.unesp.br e
XLVSBPO. Algoritmo Genético Aplicado ao Controle da Dengue. 16 a 19
Algoritmo Genético Aplicado ao Controle da Dengue Daniela R. Cantane UNESP - Univ. Estadual Paulista, IBB - Instituto de Biociências, Departamento de Bioestatística, Distrito de Rubião Júnior, S/N, CEP:
Algoritmo de Busca em Vizinhança Variável para Determinação de Controle Otimizado para a População de Aedes aegypti
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo de Busca em Vizinhança Variável para Determinação
ESTUDO PARA ESTIMAÇÃO DAS TAXAS DO MODELO MATEMÁTICO PARA PREVER O COMPORTAMENTO POPULACIONAL DO MOSQUITO TRANSMISSOR DA DENGUE
ESTUDO PARA ESTIMAÇÃO DAS TAXAS DO MODELO MATEMÁTICO PARA PREVER O COMPORTAMENTO POPULACIONAL DO MOSQUITO TRANSMISSOR DA DENGUE Ariane C. Cristino 1, Daniela R. Cantane 1, Rogério A. Oliveira 1, Fernando
INTELIGÊNCIA COMPUTACIONAL APLICADA AO CONTROLE DO AEDES AEGYPTI
INTELIGÊNCIA COMPUTACIONAL APLICADA AO CONTROLE DO AEDES AEGYPTI Laura E. M. Santos Carlos A. Silva lauraesantos@hotmail.com carlos.silva@ifmg.edu.br Instituto Federal de Minas Gerais Av. Serra da Piedade
Um modelo de otimização multiobjetivo com influência da pluviosidade no controle do mosquito da dengue
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 5, N., 27. Trabalho apresentado no CNMAC, Gramado - RS, 26. Proceeding Series of the Brazilian Society of Computational
Bettina Fiorini Bannwart
OTIMIZAÇÃO MULTIOBJETIVO NO CONTROLE DA DENGUE Bettina Fiorini Bannwart Dissertação apresentada à Universidade Estadual Paulista Júlio de Mesquita Filho para a obtenção do título de Mestre em Biometria.
Validação de modelo entomológico com dependência da pluviosidade para o Aedes aegypti
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 4, N., 26. Trabalho apresentado no DINCON, Natal - RN, 25. Proceeding Series of the Brazilian Society of Computational
Otimização mono-objetivo no controle do mosquito Aedes aegypti por meio de um modelo de duas populações com influência da pluviosidade
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, v. 6, n. 1, 218. Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 217. Proceeding Series of the Brazilian
Análise de um modelo populacional do mosquito transmissor da dengue via linearização exata
Capítulo XX Análise de um modelo populacional do mosquito transmissor da dengue via linearização exata Célia A. dos Reis 1, Diego Colón 2, Helenice O. Florentino 3, Daniela Cantane 3, Suélia S. R. F. Rosa
Técnicas de Otimização Aplicadas ao Controle da Dengue
Técnicas de Otimização Aplicadas ao Controle da Dengue Daniela R. Cantane, Helenice O. Florentino, Depto. de Bioestatística, Instituto de Biociências, UNESP, 18618-970, Botucatu, SP E-mail: dcantane@ibb.unesp.br,
Análise da Coexistência de Sorotipos de Dengue
Análise da Coexistência de Sorotipos de Dengue Thomas Nogueira ilches Claudia Pio Ferreira Depto. de Bioestatística BB UNESP 18618-97 - Botucatu SP E-mail: thomas vilches@ibb.unesp.br pio@ibb.unesp.br
4 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)
Técnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
COMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Modelo matemático espaço-discreto para análise de propagação da dengue
Modelo matemático espaço-discreto para análise de propagação da dengue Mathematical discrete-space model for analysis of the spread of dengue fever ISSN 36-9664 Volume 7, dez. 6 Edição ERMAC Gabriela Colovati
Introdução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
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
IMPLEMENTAÇÃO DE UM ALGORITMO GENÉTICO PARA DETERMINAÇÃO DO PONTO DE MÁXIMO E/OU MÍNIMO DA FUNÇÃO DO 2 e 3 GRAU
IMPLEMENTAÇÃO DE UM ALGORITMO GENÉTICO PARA DETERMINAÇÃO DO PONTO DE MÁXIMO E/OU MÍNIMO DA FUNÇÃO DO 2 e 3 GRAU Ana Cláudia M. SILVEIRA 1 ; Renato Machado PEREIRA 2 RESUMO A história da equação de segundo
Uma Abordagem direta para o Problema de Controle Ótimo de Pragas
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Uma Abordagem direta para o Problema de Controle Ótimo
Exemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Controle da dengue na estação seca da cidade de Curvelo-MG através de um modelo preditivo
Trabalho apresentado no XXXV CNMAC, Natal-RN, 24. Controle da dengue na estação seca da cidade de Curvelo-MG através de um modelo preditivo Lillia S. Barsante, Flávia S. Cordeiro, Rodrigo T. N. Cardoso,
Técnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Max Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Dengue: Modelo Matemático para Evolução das População de Mosquitos e Humanos Infectados em Diferentes Estratégias de Controle
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS CEFET/MG DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO - DPPG PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM MATEMÁTICA E COMPUTACIONAL - PPGMMC Dengue: Modelo Matemático
Método q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
Manejo de plantas daninhas: o problema econômico
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 4, N., 6. Trabalho apresentado no DINCON, Natal - RN, 5. Proceeding Series of the Brazilian Society of Computational
Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Dengue: otimização via algoritmo genético
Dengue: otimização via algoritmo genético Luiz G. Lyra, Helenice O. Florentino, Fernando L. P. Santos, Daniela R. Cantane Depto. de Bioestatística, IBB, UNESP, 868-97, Botucatu, SP E-mail: luizgustavolyra@yahoo.com.br,
Algoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
4 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
1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Algoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Otimização. 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
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Modelagem para a dinâmica populacional do Aedes aegypti via simetrias de Lie
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 3, N. 1, 2015. Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Modelagem para a dinâmica populacional do Aedes
Algoritmos 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
Simulação de um modelo epidemiológico com renovação de população em redes Small World
Simulação de um modelo epidemiológico com renovação de população em redes Small World Diego Robles Vieira Ribeiro, Reginaldo A. Zara UNIOESTE - Universidade Estadual do Oeste do Paraná Centro de Ciências
Inteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Otimização Multiobjetivo no Controle de Gastos com Inseticidas e Machos Estéreis no Combate da Dengue
Otimização Multiobjetivo no Controle de Gastos com Inseticidas e Machos Estéreis no Combate da Dengue L. S. Barsante 1, R. T. N. Cardoso 2, J. L. Acebal 2 1 Mestranda em Modelagem Matematica e Computacional
ESTUDO 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
Estudos de Modelos Dispersivos para
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Estudos de Modelos Dispersivos para Dinâmica de Populações William M. S. Yamashita 1, Lucy T. Takahashi 2, Grigori Chapiro 2 1 Modelagem Computacional,
Análise da Taxa de Infestação Vetorial do Aedes
Trabalho apresentado no XXXVIII CNMAC, Campinas - SP, 218. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Análise da Taxa de Infestação Vetorial do Aedes Bruna Azevedo
Aplicação 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
Aplicação de algoritmos genéticos. Problema da Mochila (knapsack problem)
Aplicação de algoritmos genéticos Problema da Mochila (knapsack problem) Algoritmos genéticos Passos inspirados no processo biológico de evolução Ideia de sobrevivência dos mais adaptados Soluções cada
Tópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Uma nova taxa de convergência para o Método do Gradiente
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 2, N. 1, 2014. Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uma nova taxa de convergência para o Método
Estratégias de Vacinação na Dinâmica da Varicela
Trabalho apresentado no CNMAC, Gramado - RS, 216. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estratégias de Vacinação na Dinâmica da Varicela Eliza Maria Ferreira
Modelagem e controle do Aedes aegypti durante as estações do ano através do Algoritmo Genético
Trabalho apresentado no DINCON, Natal - RN, 15. Proceeding Series of the Brazilian Society of Comptational and Applied Mathematics Modelagem e controle do Aedes aegypti drante as estações do ano através
Comparação de Desempenho entre o Método dos Elementos de Contorno com Integração Direta e o Método dos Elementos Finitos em problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vitória-ES, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Desempenho entre o Método dos Elementos de Contorno
Um Estudo Empírico de Hiper-Heurísticas
Flávio Soares Corrêa da Silva (Orientador) Instituto de Matemática e Estatística Universidade de São Paulo Julho de 2007 Definição de Hiper-Heurística Para Que Servem Dois Exemplos Definição Uma hiper-heurística
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Computação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
ALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
METAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Tema Tendências em Matemática Aplicada e Computacional, 17, N. 2 (2016),
Tema Tendências em Matemática Aplicada e Computacional, 17, N. 2 (216), 129-142 216 Sociedade Brasileira de Matemática Aplicada e Computacional www.scielo.br/tema doi: 1.554/tema.216.17.2.129 Controle
Queda transiente de uma partícula esférica num fluido viscoso: Transformação da equação íntegro-diferencial em uma equação diferencial
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Queda transiente de uma partícula esférica num fluido viscoso: Transformação da equação íntegro-diferencial em uma equação diferencial Antônio Santos
de equações diferenciais
Método de otimização para resolução de equações diferenciais José Mario Martínez Fedor Pisnitchenko Sandra Augusta Santos Matemática Aplicada - IMECC/UNICAMP, 13083-859 Campinas, SP, Brasil E-mail: martinez@ime.unicamp.br,
O Algoritmo Talus para Otimização Global
O Algoritmo Talus para Otimização Global André Leite Luís Henrique de Santana Programa de Pós-Graduação em Eng. Elétrica Programa de Pós-Graduação em Eng. de Produção leite.andre@gmail.com santanalh@ahoo.com.br
PRÉ-ANAIS. Modelagem do Aedes aegypti utilizando a bactéria Wolbachia como agente de controle
Modelagem do Aedes aegypti utilizando a bactéria Wolbachia como agente de controle Guilherme Baptista, Roberto C. A. Thomé, Dayse H. Pastore CEFET/RJ - Centro Federal de Educação Tecnológica Celso Suckow
Considerações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Otimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Estabilidade e Estabilização de Sistemas Lineares via
Trabalho apresentado no DINCN, Natal - RN, 2015 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estabilidade e Estabilização de Sistemas Lineares via Programação Semidefinida
AEDES AEGYPTI NO BRASIL Relação entre a saúde e meio ambiente FERREIRA, A.T.N.; VILELA, V.L.D.
AEDES AEGYPTI NO BRASIL Relação entre a saúde e meio ambiente FERREIRA, A.T.N.; VILELA, V.L.D. RESUMO A dengue é uma doença viral de regiões tropicais com importância na Saúde Pública. Tendo como levantamento
O Efeito dos Mosquitos Transgênicos e da Profilaxia na Dinâmica Sazonal de Transmissão da Malária
Trabalho apresentado no CNMAC, Gramado - RS, 016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics O Efeito dos Mosquitos Transgênicos e da Profilaxia na Dinâmica Sazonal
2 Métodologia para a Resolução do NEP
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Algoritmos para o Problema de Equilíbrio de Nash Euda Mara da Silva Ferreria Universidade Federal do Paraná, UFPR, Curitiba, PR E-mail: diretoria@facel.com.br
Teoria de Controle aplicada à modelagem e análise da transmissão da dengue, do zika e da chikungunya
Teoria de Controle aplicada à modelagem e análise da transmissão da dengue, do zika e da chikungunya M. Soledad Aronna Escola de Matemática Aplicada, FGV, Rio de Janeiro, Brasil Trabalho conjunto com:
Modelagem Computacional. Aula 5 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Aula 5 2 Prof. Thiago Alves de Queiroz 2 [Cap. 5] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
UM ESTUDO SOBRE MODELOS EPIDEMIOLÓGICOS ENVOLVENDO EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
UM ESTUDO SOBRE MODELOS EPIDEMIOLÓGICOS ENVOLVENDO EQUAÇÕES DIFERENCIAIS ORDINÁRIAS Valdir Junior Florentin de Aguiar 1 ; Maristela Missio 1 Estudante do curso de Matemática da UEMS, Unidade Universitária
OTIMIZANDO CUSTOS NO COMBATE DA DENGUE ATRAVÉS DE ALGORITMOS
OTIMIZANDO CUSTOS NO COMBATE DA DENGUE ATRAVÉS DE ALGORITMOS GENÉTICOS L. S. Barsante, R. T. N. Cardoso, J. L. Acebal Mestranda em Modelagem Matematica e Computacional Centro Federal de Educação Tecnológica
Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Problemas de programação geométrica signomial via otimização DC
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Problemas de programação geométrica signomial via otimização DC Clarissa Pessoa Borges Fernandes Faculdade Maurício de Nassau João Pessoa, PB E-mail:
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Controlador Preditivo Otimizado Aplicado ao Controle de Velocidade de Motor CC
Controlador Preditivo Otimizado Aplicado ao Controle de Velocidade de Motor CC CARVALHO, Douglas F. 1,,, CALIXTO, Wesley P. 2,,, GANZAROLI, Cleber A. 3,,,,, DIAS, Rafael N. H. M.,, COUTO, Luiz A.. Resumo:
Métodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Algoritmos 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
Introdução à Otimização Multiobjetivo - Algoritmos Evolutivos para Otimização Multiobjetivo
Introdução à Otimização Multiobjetivo - Algoritmos Evolutivos para Otimização Multiobjetivo V ERMAC - Encontro Regional de Matemática Aplicada e Computacional Angelo Aliano Filho e Helenice Florentino
ORIENTADOR(ES): ANTÔNIO FERNANDO BERTACHINI DE ALMEIDA P, DENILSON PAULO SOUZA DOS SANTOS
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: MODELAGEM DE TRANSFERÊNCIAS ORBITAIS NO SISTEMA TERRA-LUA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS
1. 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
Aprendizado 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
UNIVERSIDADE 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
Densidade de Probabilidade com Distribuições Exponencial e Pareto Intervalares
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Soluções Numéricas com Exatidão Máxima para as Funções Densidade de Probabilidade com Distribuições Exponencial e Pareto Intervalares Alice F. Finger,
UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS
UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS Uma visão geral dos GAs Um algoritmo genético é uma classe de algoritmo de busca. O algoritmo procura uma solução dentro de um espaço para um problema de otimização.
3 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
Modelo matemático simples de angiogênese tumoral com protocolos de quimioterapia
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 5. Trabalho apresentado no III CMAC - SE, Vitória-ES, 5. Proceeding Series of the Brazilian Society of Computational
MODELAGEM, ANÁLISE E PREVISÃO EPIDEMIOLÓGICA DETERMINÍSTICA SOBRE DADOS DA GRIPE SUÍNA (H1N1) NO BRASIL NO ANO DE 2009.
1 MODELAGEM, ANÁLISE E PREVISÃO EPIDEMIOLÓGICA DETERMINÍSTICA SOBRE DADOS DA GRIPE SUÍNA (H1N1) NO BRASIL NO ANO DE 2009. Hildmir do Nascimento Rocha hildmir.rocha@icen.ufpa.br Leriana Chaves da Silva
Codificação 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
Universidade Federal do Espírito Santo - Departamento de Informática. Estruturas de Dados I INF09292
Universidade Federal do Espírito Santo - Departamento de Informática Estruturas de Dados I INF09292 1 o Trabalho Prático de 2017/01 Prof.ª Patrícia Dockhorn Costa, Email: pdcosta@inf.ufes.br Data de Entrega:
1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada