UTILIZANDO TÉCNICAS DE ALGORITMO GENÉTICO PARA RESOLUÇÃO DO PROBLEMA DE GERAÇÃO DE GRADE HORÁRIA PARA ENFERMARIAS
|
|
- Derek Álvares Ferreira
- 6 Há anos
- Visualizações:
Transcrição
1 Conferência IADIS Ibero-Americana Computação Aplicada 2013 UTILIZANDO TÉCNICAS DE ALGORITMO GENÉTICO PARA RESOLUÇÃO DO PROBLEMA DE GERAÇÃO DE GRADE HORÁRIA PARA ENFERMARIAS Ricardo Soares Bôaventura 1, Bruno Queiroz Pinto 1 e Keiji Yamanaka 2 1 Instituto Federal do Triângulo Mineiro Câmpus Uberlândia Centro Rua Blanche Galassi, 150 CEP Uberlândia/MG, Brasil 2 Universidade Federal de Uberlândia Faculdade de Engenharia Elétrica Av. João Naves de Ávila, 2121 CEP Uberlândia/MG, Brasil RESUMO A teoria da evolução inspirou a criação da computação evolutiva, ramo da computação capaz de solucionar problemas de otimização. Esta categoria de problemas pode ser solucionada eficientemente através da adoção de técnicas como algoritmos genéticos. Problemas de geração de grade horária são identificados em diversos contextos, o objetivo deste trabalho é descrever a aplicação de algoritmos genéticos na criação de uma grade horária otimizada para enfermarias. PALAVRAS-CHAVE Algoritmo Genético, Geração de Horário, Horários de Enfermarias e Inteligência Artificial 1. INTRODUÇÃO Uma importante tarefa na computação é a otimização na resolução de problemas, existe diversos problemas que apresentam grande quantidade de soluções possíveis e a identificação de uma solução eficiente é uma tarefa complexa, podendo demandar um esforço computacional considerável [Linden 2012]. Há diversas técnicas que podem ser utilizadas na solução deste tipo de problema, tais como: Algoritmos Genéticos (AG), GRASP (Greedy Randomized Adaptive Search Procedure), Busca Tabú, Algoritmo da colônia de formigas, Redes neurais artificiais, Simulated annealing, entre outras. Este trabalho utilizou a técnica de algoritmo genético. Tal técnica é baseada em três partes distintas: a codificação do problema, a função objetivo que se deseja maximizar ou minimizar e o espaço de soluções associado. A escolha da técnica de algoritmos genéticos é baseada na ampla utilização desta técnica na elaboração de escala de trabalho, devido principalmente à diversificação promovida pelo AG para obter os melhores resultados. O Problema de Geração de Horários, também conhecido como Timetabling Problem, trata da alocação de horários para as atividades em um determinado contexto, considerando-se restrições nestes horários. Este problema pode ser identificado em diversos contextos, tais como: escalonamento de enfermeiros, horários de aulas em instituições de ensino, horários de médicos e planejamento de transporte publico, entre outros. O desenvolvimento de uma solução para este problema de forma manual, além de ser trabalhosa e lenta, pode gerar soluções não tão boas. Este tipo de problema tem sido constantemente solucionado através do uso da técnica de algoritmos genéticos [Poltosi and Goméz 2007]. Desta forma, este trabalho desenvolveu um algoritmo, utilizando técnicas de algoritmos genéticos, capaz de encontrar uma boa solução na montagem de grade horária para enfermarias. 2. ALGORITMO GENÉTICO Algoritmo Genético é uma técnica baseada em computação evolutiva, tais técnicas se inspiram em princípios da teoria da evolução e seleção natural e utiliza modelos destes processos naturais para encontrar soluções de problemas [Bergamaschi and Bonfim 2010]. 71
2 ISBN: IADIS Uma atividade essencial nesta técnica é a definição da representação de cada individuo que fará parte do processo de seleção natural, tal individuo é definido como cromossomo. Existem diversas formas de representá-lo, tais como: binária, inteira, real ou alfanumérica. Esta representação também é conhecida como alfabeto do Algoritmo Genético [Bergamaschi and Bonfim 2010]. A Figura 1 mostra um exemplo de representação do tipo alfanumérica, onde cada gene pode possuir somente um caractere. a b a b 0 1 a a 1 5 T r k v Figura 1. Representação alfanumérica do cromossomo. A primeira atividade na elaboração de um algoritmo genético é a criação de uma população aleatória de cromossomos (indivíduos). Os indivíduos que possuírem os cromossomos que representem uma boa solução receberão valores maiores, indicando uma maior probabilidade de ser uma boa solução do problema. A seleção de um bom indivíduo é dependente de uma função objetivo, que indica aquele que atende de forma mais adequada o problema que está sendo solucionado. A função objetivo informa o quanto um cromossomo está próximo da solução. Essa função fornece um valor que será usado para o cálculo de sua probabilidade para ser selecionado para reprodução. Esta função também é conhecida como função de aptidão [Linden 2012]. Dois indivíduos (pais) deverão ser selecionados para permitir a geração de dois novos indivíduos (filhos). Existem vários métodos de seleção utilizados nas aplicações de Algoritmos Genéticos: seleção por roleta, seleção Boltzmann, seleção por torneio, entre outros [Mattioli and Yamanaka 2009]. A seleção por roleta divide os indivíduos em grupos e faz aleatoriamente a sua seleção. Os melhores indivíduos ganham maiores espaços na roleta e piores indivíduos ganham espaços menores na roleta. Esta técnica permite selecionar indivíduos mais aptos, mas não exclui os indivíduos que não possuem um bom material genético [Russel and Norvig 2004]. Para a otimização ou substituição da seleção por roleta é possível adotar a técnica de seleção por torneio, que limita o tamanho (k) da população colocada na roleta. Esta técnica permite que indivíduos com baixa probabilidade participe de alguns cruzamentos. A geração dos novos indivíduos é possível pelo cruzamento entre os cromossomos dos indivíduos selecionados. Tal operação é essencial para o funcionamento de um Algoritmo Genético. Há diversas formas de realizar o cruzamento como: ponto de cruzamento único, dois pontos de cruzamento, cruzamento uniforme e cruzamento aritmético [Poltosi and Goméz 2007]. Garantir uma varredura ampla no espaço de possíveis soluções é essencial em todos os problemas de otimização. Para atender esta necessidade, algoritmos genéticos aplicam a operação de mutação após a operação de cruzamento. Esta operação evita que o algoritmo genético encontre precocemente mínimos ou máximos locais. A mutação é efetuada alterando-se o valor de um ou mais genes de um indivíduo sorteado aleatoriamente com uma determinada probabilidade, denominada probabilidade de mutação [Russel and Norvig 2004]. A reinserção dos indivíduos na população é a última etapa necessária, na qual os indivíduos capazes são preservados e os indivíduos com menor aptidão são descartados. Nesta etapa é possível utilizar a técnica de Elitismo, que permite manter os k melhores indivíduos e aleatoriamente preencher o restante, outra abordagem é o Elitismo Total, que mantém apenas os melhores indivíduos [Poltosi and Goméz 2007]. 3. GERAÇÃO DE GRADE HORÁRIA EM ENFERMARIAS A geração de horário em enfermaria geralmente apresenta o problema de determinar um cronograma de trabalho, geralmente no prazo de um mês, para os enfermeiros, que seja razoável e eficiente. Apesar de parecer trivial, este é um problema complexo devido às suas diversas restrições e muitas combinações possíveis [Camillo and Stelle 2008][Beppler and Leite 2009]. Este problema pode ser classificado como NP(Non-Deterministic Polynomial time), implicando a necessidade de utilizar técnicas não determinísticas na solução do problema [Camillo and Stelle 2008]. 72
3 Conferência IADIS Ibero-Americana Computação Aplicada 2013 Neste problema é necessário realizar a atribuição de turnos e férias para cada enfermeiro. Cada enfermeiro tem a sua vontade e suas preferências. A solução deve atender ao máximo possível estas preferências e também atender as necessidades das enfermarias. Normalmente um enfermeiro pode trabalhar nos turnos da manhã, tarde e noite (seis primeira horas) [Dias 2010]. Um enfermeiro também pode realizar plantão de 12 horas, que durante o dia compreende os turnos da manhã e tarde e durante a noite compreende toda a noite [Burke et. al. 2001]. As restrições das enfermarias são definidas por regras internas ou mesmo leis nacionais ou do órgão que regula a profissão. Uma enfermaria precisa respeitar estas regras para não ter problemas trabalhistas [Dias 2010]. A definição de uma grade horária eficaz permite a geração de quadros de horários otimizados garantindo a cobertura correta de profissionais ao longo do período e diminuindo o montante necessário de horas extras exigidas dos funcionários, o que implica em uma significativa redução de custos. Já os enfermeiros têm como benefício uma melhor qualidade de vida, visto que a escala gerada permite uma distribuição mais uniforme do trabalho. A melhoria no ambiente de trabalho permite que se ofereça um melhor atendimento à população [Camillo and Stelle 2008]. 4. DESENVOLVIMENTO DA APLICAÇÃO 4.1 Representação do Indivíduo Neste problema foi utilizado um cromossomo com n genes, onde n é igual a 2*Quantidade de Enfermeiros*Quantidade de Dias no Mês. A representação do cromossomo utiliza valores decimais, onde o gene em uma posição par representa o trabalho realizado pelo enfermeiro e as posições impares representa a enfermaria onde deverá ser realizado tal trabalho. Na representação do cromossomo há valores entre 0 e 6, onde: 0 representa que o enfermeiro irá trabalhar durante a manhã. 1 representa que o enfermeiro irá trabalhar durante a tarde. 2 representa que o enfermeiro irá trabalhar durante a noite. 3 representa que o enfermeiro folga nos três períodos do dia. 4 representa que o enfermeiro está de férias neste dia. 5 representa que o enfermeiro irá trabalhar em plantão durante o dia. 6 representa que o enfermeiro irá trabalhar em plantão durante a noite. Já na representação da enfermaria temos valores entre 1 e n, que indicam a enfermaria no qual o enfermeiro irá fazer seu trabalho, onde n é a quantidade de enfermarias cadastradas. Quando o trabalho é folga ou férias o valor da enfermaria será -1, pois este trabalho não é vinculado a nenhuma das enfermarias. A figura 2 mostra a representação de um cromossomo. Cada par de genes representa um dia especifico e 2*quantidade de dias representa o horário de um enfermeiro. Um cromossomo é um vetor com n*m elementos, onde n é a quantidade de enfermeiros e m é a quantidade de dias no mês multiplicado por dois. A escala de um enfermeiro é representado a cada m elementos Figura 2. Representação de parte do cromossomo. 4.2 Função Objetivo A função de aptidão foi gerada a partir de informações coletadas junto ao hospital das clinicas da USP de Ribeirão Preto. Nesta versão desenvolvida são consideradas 11 regras básicas que quando unidas geram o resultado da função de aptidão. A função de aptidão é definida pela fórmula: temr1*regra1() + temr2*regra2() + temr3*regra3() + temr4*regra4() + temr5*regra5() + temr6*regra6() + temr7*regra7() + temr8a*regra8a() + temr8b*regra8b() + temr9a*regra9a() + temr9b*regra9b(). 73
4 ISBN: IADIS Cada uma das regras pode ser desativada ou ativada pelo usuário. Abaixo a descrição de cada uma das regras: Regra 1: penaliza a solução, quando ela não respeita o período de férias de um enfermeiro. A cada dia de férias não respeitado é acrescido o valor da penalidade. Regra 2: penaliza a solução, quando ela permite que um determinado período (Manhã, Tarde e Noite) fique sem enfermeiro. A cada período não atendido é acrescido o valor da penalidade. Regra 3: penaliza a solução, quando ela não permite a um enfermeiro que trabalhou a noite, folgar no outro dia. A cada ocorrência é acrescido o valor da penalidade da regra. Regra 4: penaliza a solução, quando ela não permite a um enfermeiro que trabalhou em um plantão noturno, folgar 36 horas. A cada ocorrência é acrescido o valor da penalidade da regra. Regra 5: penaliza a solução, quando ela não encontra uma quantidade suficiente de enfermeiros por período, esta quantidade é definida pelo usuário. Quando esta regra esta ativa ela desabilita a regra 2. Regra 6: penaliza a solução, quando ela não respeita a carga horária máxima de trabalho de um enfermeiro. A penalidade nesta regra é a quantidade de horas que excederam o limite mensal multiplicada pelo valor da penalidade da regra. Regra 7: penaliza a solução, quando ela permite a um enfermeiro trabalhar mais de 6 dias seguidos. A cada ocorrência é acrescido o valor da penalidade da regra. Regra 8a: penaliza a solução, quando um determinado dia fica sem plantonista noturno. A cada ocorrência é acrescido o valor da penalidade da regra. Regra 8b: penaliza a solução, quando um determinado dia fica sem plantonista diurno. A cada ocorrência é acrescido o valor da penalidade da regra. Regra 9a: penaliza a solução, quando a preferência do enfermeiro quanto ao período preferido não é atendido, o enfermeiro pode indicar o período de preferência para seu trabalho (Manhã, Tarde ou Noite). A cada ocorrência é acrescido o valor da penalidade da regra. Regra 9b: penaliza a solução, quando a preferência do enfermeiro quanto aos seus plantões não é atendido, o enfermeiro pode indicar o horário de preferência para seus plantões (noturno ou diurno). A cada ocorrência é acrescido o valor da penalidade da regra. A tabela 1 apresenta os pesos e situação padrão de cada regra. O usuário tem opção de modificar tais valores. Tabela 1. Pesos e condição de cada regra. Regra Ativada Peso Regra Ativada Peso Regra 1 Sim 10 Regra 7 Sim 3 Regra 2 Não 5 Regra 8a Sim 5 Regra 3 Sim 4 Regra 8b Não 1 Regra 4 Sim 4 Regra 9a Sim 1 Regra 5 Sim 3 (5 caso, número de enfermeiros = 0) Regra 9b Sim 1 Regra 6 Sim Mutação, Cruzamento e Reinserção Nesta solução foram desenvolvidas as seguintes estratégias: Mutação: Mutação de um ponto. Foi adaptado para permitir mudar uma quantidade de até 10 genes. Mas o padrão é realizar a mutação de apenas um gene. Cruzamento: Foram desenvolvidas as técnicas de roleta e torneio que podem ser utilizados para selecionar os pais para o cruzamento, no cruzamento é considerado um ponto de corte. Reinserção: Foram desenvolvidas soluções baseadas em elitismo total ou parcial, com um máximo de k indivíduos elitizados. 74
5 Conferência IADIS Ibero-Americana Computação Aplicada Interface Gráfica Desenvolvida Neste projeto foi desenvolvido uma interface gráfica, apresentada na figura 3, que contém 5 partes distintas: Enfermaria: Permite ao usuário selecionar um arquivo em formato excel (XLS) que armazena os dados da enfermaria. Horário Mensal da Enfermaria: O usuário pode selecionar o mês e então executar o algoritmo genético. Após a sua execução, o usuário tem três modos de visualizar o resultado: Tabela com todos os dados gerados, grade horária por enfermaria, grade horária por enfermeiro. Preferências: O usuário tem a possibilidade de habilitar ou desabilitar regras, bem como modificar os pesos delas. Configuração do Algoritmo Genético: Esta interface permite definir várias configurações para a execução do algoritmo, tais como: quantidade de gerações, de indivíduos, taxas de mutação e de cruzamento, definição de quantidade de genes mutáveis e seleção do modo de elitismo. Gráfico: apresenta o desempenho do algoritmo genético. Figura 3. Interface Gráfica desenvolvida 5. EXPERIMENTOS O algoritmo genético desenvolvido foi executado em seis experimentos em ciclos contínuos de gerações para evolução da solução. O experimento é finalizado quando um ciclo não apresenta melhorias ou quando apenas erros gerados em regras relacionadas às preferências dos enfermeiros ou horas extras forem identificados. Cada experimento foi executado três vezes, modificando a quantidade de enfermeiros. Em cada uma delas, a quantidade de enfermeiros testará os limites na geração da grade horária, de uma configuração fácil até uma difícil. A tabela 2 apresenta a configuração de cada um dos experimentos. 75
6 ISBN: IADIS Tabela 2. Configurações dos experimentos Experimento Configurações Primeiro Ativa Ativa Segundo Ativa Ativa Terceiro Ativa Ativa Quarto Ativa Ativa Quinto Ativa Ativa Sexto Ativa Ativa Legenda das configurações: 1 : Quantidade de Indivíduos; 2 : Taxa de mutação; 3: Quantidade de genes mutáveis; 4: Taxa de Cruzamento; 5: Seleção por torneio (ativo ou inativo); 7: Quantidade de Enfermarias; 8: Quantidade de Preferências 9: Quantidade de dias de férias dos enfermeiros 10: Necessidade de enfermeiros por dia(manhã+tarde+noite) nas enfermarias 11: Mês (1 à 12); 6: Elitismo Total (ativo ou inativo); A figura 4 apresenta os gráficos gerados pela aplicação, com o desempenho do algoritmo no primeiro experimento. A ferramenta desenvolvida disponibiliza informações quando ao desempenho apresentado, permitindo ao usuário otimizar a sua configuração. Cada gráfico mostra a evolução da solução do problema em cada configuração. Figura 4. Gráfico com o desempenho do algoritmo genético. A tabela 3 apresenta a análise das execuções de cada um dos experimentos, apresentando, a quantidade de enfermeiros (QE) cadastrados para teste, a penalidade identificada (Erros) pela função objetivo e o número de gerações que foram necessárias para encontrar uma solução adequada. Uma solução adequada é aquela no qual todas as regras que apresentam grande penalidade são satisfeitas e geram erro próximo a zero. O segundo número presente no campo Erros, entre parênteses, representa uma descrição do erro. Os experimentos um e dois conseguiram criar soluções que respeitavam as regras da enfermaria, entretanto não conseguiram atender a todas as preferências dos enfermeiros. Quando a quantidade de enfermeiros foi igual a 13 gerou soluções que necessitam de hora extra de alguns enfermeiros. 76
7 Conferência IADIS Ibero-Americana Computação Aplicada 2013 Tabela 3. Resultado dos experimentos Primeira Execução Segunda Execução Terceira Execução QE Erros Gerações QE Erros Gerações QE Erros Gerações (2) (1) (1) (2) (1) (1) (3) (2) (2) (3) (2) (1) (3) (2) (1) (3) (1) (1) 5000 QE: Quantidade de Enfermeiros Erros: valor retornado pela função objetivo, indicando a penalidade da solução, onde: (1): Apenas regras relacionadas a preferências dos enfermeiros não respeitadas. (2) : Regra número 6 não respeitada, necessidade de pagar hora extra. (3) : Regras internas ou leis foram desrespeitadas (regras 1, 2, 3, 4, 7, 8) O experimento três apresentou mais restrições, gerando soluções que acarretaram uma quantidade maior de horas extras e no caso de poucos enfermeiros, o não atendimento da folga de 36 horas após a execução de um plantão. Os demais experimentos mostraram que é possível evoluir a solução propondo configurações diferentes para o algoritmo genético. Os experimentos demonstram que o algoritmo consegue evoluir a solução, entretanto necessita, em alguns casos, de muitas gerações. O algoritmo conseguiu na maioria dos casos encontrar uma solução satisfatória. Tais soluções podem ser evoluídas disponibilizando mais gerações para a sua evolução. 6. RESULTADOS E DISCUSSÕES As regras propostas apresentaram um bom desempenho, permitindo definir um horário que foi capaz de satisfazer tanto restrições das enfermeiras como dos hospitais, entretanto seria possível criar diversas outras, tais como: restringir um enfermeiro a uma enfermaria especifica, definir uma preferência a dias da semana, definir preferências de trabalho em equipe e definir restrições de acessibilidade nas enfermarias. A solução proposta, além de poder ser utilizada para geração do escalonamento da força de trabalho de uma enfermaria, pode ser empregada para o planejamento do quadro necessário de enfermeiros. A configuração do problema gera cromossomos grandes, que oneram muito o processamento. A criação de grades horárias para diversas enfermarias com dezenas de enfermeiros pode gerar cromossomos com milhares de genes. O algoritmo demandou uma grande quantidade de gerações para encontrar uma solução adequada ao problema, isto se deve principalmente a complexidade do cromossomo. A função de aptidão influenciou diretamente no desempenho do algoritmo, uma grande quantidade de regras ativas gera uma necessidade de grande processamento. Para superar tais dificuldades, é proposto como trabalho futuro: paralelizar a solução das regras e os processos de cruzamento e mutação, otimizar a representação do cromossomo e também estudo e implantação de outras técnicas de computação evolutiva para solucionar o problema. A identificação de uma configuração ótima para o algoritmo genético poderia ser obtida através da aplicação de técnicas de redes neurais, que permitiria identificar um padrão ótimo para tal configuração. 77
8 ISBN: IADIS REFERÊNCIAS BIBLIOGRÁFICAS Beppler, A. and Leite, D. P., Sistema para geração de escalas de plantões médicos, in III EPAC Encontro Paranaense de Computação. pp Bergamaschi, P. R. and Bonfim, I. P, 2010). O Método de Otimização Evolução Diferencial: uma análise dos parâmetros fator de perturbação e probabilidade de cruzamento, in Anais do II Simpósio de Matemática e Matemática Industrial SIMMI 2010, Vol. 1, ISSN Burke, E. B., et al, Fitness Evaluation for Nurse Scheduling Problems. In Evolutionary Computation. pp vol. 2. Camillo, C. and Stelle, D., Aplicando Algoritmos Genéticos ao problema de definição de escala de trabalho do corpo de enfermagem de um Hospital Universitário. In XL SBPO Simpósio Brasileiro de Pesquisa Operacional. pp Dias, H. J. C., Escalonamento de equipas de enfermagem de acordo com a previsão das necessidades de serviço. Dissertação de Mestrado. Universidade Técnica de Lisboa. Instituto Superior de Economia e Gestão. Linden, R., Algoritmos genéticos: uma importante ferramenta da inteligência computacional. 3ª Edição. São Paulo: Brasport. Mattioli, F. and Yamanaka, K., Algoritmos Genéticos aplicados à programação de Manutenção de Sistemas Elétricos de Potência. Poltosi, M. R. and Goméz A. T., Elaboração de escalas de trabalho de técnicos de enfermagem com busca tabu e algoritmo genético. In XXXIX Simpósio Brasileiro de Pesquisa Operacional - SBPO. Pp Russel, S. and Norvig P., Inteligência Artificial. São Paulo : Editora Campus. 78
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
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 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 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 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 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 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 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 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 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 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 maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia 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 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 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 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 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 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 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 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 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 maisSistema para Geração de Escalas de Plantões Médicos
Sistema para Geração de Escalas de Plantões Médicos Anderson Beppler 1, Daiana Petry Leite 2 1 UNIPLAC - Universidade do Planalto Catarinense Curso de Sistemas de Informação Av. Castelo Branco, 170. Bairro
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 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. 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 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 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 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 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 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 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 maisUM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO
UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO Bruno Mota Avelar Almeida, Túlio Ângelo Machado Toffolo, Marcone Jamilson Freitas Souza
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 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 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 maisAplicação 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
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
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 maisCOMPUTAÇÃO EVOLUTIVA APLICADA AO PROBLEMA DE PRODUÇÃO DE GRADE HORÁRIA: O CASO DO CURSO DE ANÁLISE E DESENVOLVIMENTO DE SISTEMAS DO IFTM
COMPUTAÇÃO EVOLUTIVA APLICADA AO PROBLEMA DE PRODUÇÃO DE GRADE HORÁRIA: O CASO DO CURSO DE ANÁLISE E DESENVOLVIMENTO DE SISTEMAS DO IFTM Jairo Gervásio de Freitas, Keiji Yamanaka jairo@iftm.edu.br, keiji@ufu.br
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 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 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 maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
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 maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
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 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 mais3 Otimização Aplicada a Reconstituição de Acidentes
27 3 Otimização Aplicada a Reconstituição de Acidentes 3.1. Otimização A otimização é uma metodologia empregada para minimizar ou maximizar uma função e geralmente são utilizados em problemas onde existam
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 maisELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO
ELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO Marcos Oliveira dos Santos (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM),
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 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 maisMarcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
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 maisImplementação De Um Algoritmo Genético Codificado Para A Solução do Problema do Caixeiro Viajante
Implementação De Um Algoritmo Genético Codificado Para A Solução do Problema do Caixeiro Viajante 1 Resumo Neste trabalho será realizada a codificação do algoritmo genético para a solução do problema do
Leia maisPROPOSAL OF AN EVOLUTIONARY COMPUTATION BASED SYSTEM FOR HANDLING THE SPACE ALLOCATION PROBLEM: THE CASE OF UNIVERSIDADE FEDERAL DE UBERLÂNDIA
PROPOSTA DE UM SISTEMA BASEADO EM COMPUTAÇÃO EVOLUTIVA PARA O TRATAMENTO DO PROBLEMA DE ALOCAÇÃO DE ESPAÇO FÍSICO: O CASO DA UNIVERSIDADE FEDERAL DE UBERLÂNDIA Guilherme Palhares Theodoro, Igor Santos
Leia maisMétodos 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
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisUmmétodohíbridoparaescalonar turnosdeenfermeiras
Ummétodohíbridoparaescalonar turnosdeenfermeiras Alexandre Luiz J. H. Albano e Marcio Oshiro Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação Um método
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 maisGAs são indicados em problemas complexos de otimização- onde se busca uma solução melhor:
Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros 1. PROBLEMA GAs são indicados em problemas complexos de otimização-
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 maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Leia 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 maisCOMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO E A FUNÇÃO SOLVER
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ARTES, CIÊNCIAS E HUMANIDADES SISTEMAS DE INFORMAÇÃO COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO
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 maisFigura 4.1: Módulos que compõe o sistema de otimização do OCTOPUS
4 Modelo de Solução O plano de drenagem de um determinado campo de petróleo é construído a partir de algumas informações prévias, como por exemplo, a composição geológica do campo. A partir dessa informação
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia 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 mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
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 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 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 maisAPLICAÇÃO DE REDES NEURAIS RECORRENTES EM AMBIENTES PARCIALMENTE OBSERVÁVEIS 1
APLICAÇÃO DE REDES NEURAIS RECORRENTES EM AMBIENTES PARCIALMENTE OBSERVÁVEIS 1 Eldair Fabrício Dornelles 2, Henrique Augusto Richter 3, Márcia Da Silva 4, Rogério Samuel De Moura Martins 5, Sandro Sawicki
Leia maisUma Ferramenta Baseada em Algoritmos Genéticos para a Geração de Tabela de Horário Escolar
Uma Ferramenta Baseada em Algoritmos Genéticos para a Geração de Tabela de Horário Escolar Cherze C. Freitas 1, Priscilla R. B. Guimarães 1, Manoel C. M. Neto 1, Frederico J. R. Barboza 1 1 Faculdade Ruy
Leia maisGAs são indicados em problemas complexos de otimização- onde se busca uma solução melhor:
Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros 1. PROBLEMA GAs são indicados em problemas complexos de otimização-
Leia maisMotivação Computação Evolucionária e Algoritmos Genéticos. Teoria da Evolução. Teoria da Evolução. Otimização. Algoritmos Genéticos AG
Motivação Computação Evolucionária e Algoritmos Genéticos Sabedoria da natureza aplicada à computação Eduardo J. Spinosa Adaptado por Huei Diana Lee e Newton Spolaôr...Se variações úteispara qualquer organismo
Leia maisProblema de Satisfação de Restrições
Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas para PSRs Problema de Satisfação
Leia maisProblema de Satisfação de Restrições. Problema de Satisfação de Restrições. Grafo de restrições. Exemplo: 4 Rainhas como um PSR
Problema de Satisfação de Restrições Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas
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 maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisEstudo da influência de elitismo e mutação em algoritmos genéticos
https://eventos.utfpr.edu.br//sicite/sicite2017/index Estudo da influência de elitismo e mutação em algoritmos genéticos RESUMO Amanda Gabriele Mello amanda.mello1030@gmail.com Universidade Tecnológica
Leia maisOtimização dos horários de professores e turmas
Discente: Victor Williams Stafusa da Silva Docente: Alfredo Goldman vel Lejbman Disciplina: Introdução ao Escalonamento e Aplicações Instituto de Matemática e Estatística Universidade de São Paulo Novembro/2009
Leia maisElaboração de Grades Horárias Utilizando Algoritmos Genéticos
Elaboração de Grades Horárias Utilizando Algoritmos Genéticos Lucas Bucior, Fabio Asturian Zanin, Marcos A. Lucas Departamento de Engenharias e Ciência da Computação Universidade Regional Integrada do
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 maisUMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS
UMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS Renato da Silva Ramos Discente do curso de Ciência da Computação
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 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 maisUm 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
Leia maisEscalonador de Ordens de Produção Utilizando Algoritmos Genéticos
Escalonador de Ordens de Produção Utilizando Algoritmos Genéticos Nome: Wilian Kohler Supervisor na FURB: Prof. Jomi Fred Hübner Orientador na Empresa: Evaldo Moresco Jr. Empresa: Metalúrgica Siemsen Ltda.
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 maisO USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR RESUMO INTRODUÇÃO
O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR Douglas Peioto de Carvalho,Miquéias Augusto Ferreira Nantes (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
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 maisProjeto de Escalonamento Alocação de médicos
Projeto de Escalonamento Alocação de médicos Atol Fortin de Oliveira 15 de dezembro de 2009 1 Sumário 1 Introdução 3 2 O Problema 4 2.1 Especicação do problema................... 4 2.2 Resumo das variáveis
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 maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
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 mais