2016 Dr. Walter F. de Azevedo Jr.
|
|
- Natan Bacelar Angelim
- 6 Há anos
- Visualizações:
Transcrição
1 2016 Dr. Walter F. de Azevedo Jr
2 Otimização C d CD d AD d AC A D d BC d AB d BD B As ideias da evolução têm sido usadas em problemas de otimização. Entendemos por otimização um método computacional (algoritmo), que procura achar as condições ótimas para um dado problema. Para evitar uma abordagem matemática, vamos ilustrar a otimização com um exemplo, chamado problema do caixeiro viajante (travelling salesman problem). Neste problema temos um vendedor (caixeiro viajante), que tem que passar por diversas cidades, digamos 4 cidades. O objetivo do problema é achar o menor caminho possível, que leva o caixeiro viajante a passar pelas quatro cidades, sem repetir nenhuma cidade. Sabemos as distâncias entre todos os pares de cidades, assim a solução ótima (otimizada) é aquela que leva a um menor percurso total. Este é o típico problema de otimização. 2
3 Conceitos básicos sobre evolução A cor aqui é um traço biológico Indivíduo População Apresentaremos alguns conceitos da evolução, usados como inspiração para os algoritmos evolucionários. Vamos considerar um ambiente que pode sustentar só um número restrito de indivíduos (joaninhas nas figuras aqui), a natureza seleciona aquelas joaninhas que lutam pelos os recursos limitados de forma mais eficiente, em outras palavras, a seleção dos indivíduos mais adaptados da população (as joaninhas mais adaptadas). Outro conceito básico da teoria de Darwin é a variação do fenótipo entre indivíduos da população. Traços do fenótipo são aqueles aspectos físicos e de comportamento de um indivíduo, que estão relacionados com sua reação ao ambiente, por exemplo a cor da joaninha. Os traços do fenótipo determinam seu ajuste (fitness) ao ambiente. 3
4 Conceitos básicos sobre evolução A cor aqui é um traço biológico População Numa população, cada indivíduo mostra um conjunto de traços do fenótipo exclusivo, que estão continuamente sendo testados pelo ambiente. O ajuste de cada indivíduo pode ser quantificado numa análise matemática do sistema, os indivíduos com maior sucesso apresentam um ajuste mais alto, ou seja, uma função ajuste (fitness function) mais alta. Indivíduo 4
5 Conceitos básicos sobre evolução População da primeira geração População da segunda geração Resumindo os conceitos básicos, uma população é um conjunto de indivíduos, cada um sendo considerado um unidade de seleção, seu sucesso depende de o quão bem adaptado ao ambiente eles estão. Indivíduos mais bem adaptados apresentam probabilidade mais alta de gerar descendentes, e, mutações ocasionais, dão origem a novos indivíduos que serão testados pelo ambiente. Desta forma, de uma geração para outra, há variação no genótipo (conjunto de genes) da população. Cada gene codifica uma proteína, e pode ser responsável por uma característica do indivíduo, ou um conjunto de genes ser o responsável por uma característica. Na figura vemos claramente diferenças nos padrões de cores, embora alguns indivíduos tenham sobrevivido de uma geração para outra. 5
6 Conceitos básicos sobre evolução Fitness y x O processo de evolução pode ser visualizado usando uma superfície adaptativa (adaptive surface). Nesta representação a altura z representa a função ajuste (fitness function). Aqui, quanto maior a altura na superfície, maior o ajuste do indivíduo. Os eixos x-y representam todas as combinações possíveis de traços biológicos. Cada ponto nesta superfície representa um indivíduo, com a combinação de traços biológicos representados pelo valores de x e y. Os picos mais altos na figura representam os indivíduos mais bem adaptados. 6
7 Conceitos básicos sobre evolução Fitness y x Os vales indicam indivíduos menos adaptados ao ambiente. Cada pico na superfície indica um ponto ótimo local (ou simplesmente máximo local) e o pico mais alto o ponto de ótimo global (ou máximo global). A partir desta analogia, está clara as implicações da evolução em problemas de otimização, que podemos pensar que é representado pelo ponto de ótimo global. Num problema de otimização, como o do caixeiro viajante, nós podemos ter uma lista de soluções para o problema (diferentes rotas), e tentamos achar a melhor solução. O conjunto de soluções possíveis é chamado de espaço de busca, a superfície da figura ao lado é o espaço de busca. 7
8 Números binários Na abordagem original dos algoritmos genéticos (genetic algorithms) (GAs) foram usados números binários para a representação de cromossomos [GO1989]. Faremos uma introdução (ou revisão) da matemática básica envolvida na conversão de um sistema para outro. Um número binário é um número que usa somente os algarismos zero e um, para representar uma quantidade. Por exemplo, 101 em binário representa 5 no decimal. Veremos exemplos para esclarecer o processo. Vamos converter 75 em decimal para sua representação binária. Para isto temos que dividir continuamente 75 por 2 e o resto da divisão é o último algarismo do número binário equivalente ao 75, como mostrado ao lado. O último resultado da divisão 1 é o algarismo mais significativo do número binário. 8
9 Números binários Para converter de binário (subscrito 2) de volta para decimal (subscrito 10) é ainda mais fácil. Temos que multiplicar 0 e 1 por 2 elevado à potencia que é a posição do número binário, começando na posição zero no lado direito, até o último número na sequência, como segue: = = 75 9
10 Binary numbers Números binários Agora que sabemos como operar com números binários, usaremos tais números nos algoritmos genéticos. Em muitos algoritmos genéticos os cromossomos dos indivíduos são representados por números binários, tal método tem o benefício de ser rápido na aplicação dos operadores genéticos, como mutação e crossover. Num número binário a mutação é simplesmente uma mudança de 0 para 1 ou viceversa. 10
11 Binary numbers Números binários Assim, a implementação de um algoritmo genético usa as ideias da evolução de Darwin, de forma que os indivíduos de uma dada população são submetidos aos princípios da evolução, tais como, seleção natural, recombinação (crossover) e mutação. Veja abaixo, um indivíduo será representado por uma string binária. Uma string binária é uma sequência de 0 e 1. No algoritmo genético a string binária é convertida num número decimal, usando as operações matemática já vistas. String binária Decimal relacionado à string binária Representação do cromossomo de um indivíduo na abordagem de algoritmo genéticos 11
12 Algoritmo genético Um algoritmo genético típico usa três operadores para manipular os cromossomos de uma população de indivíduos gerados aleatoriamente, são eles: seleção, crossover e mutação. Um diagrama esquemático dá uma visão geral destes passos para uma iteração (geração). A população inicial é formada de strings binárias geradas aleatoriamente. Strings binárias (populatção incial) Strings binárias (Nova população) Operador seleção Operador crossover Operador mutação
13 Algoritmo genético O operador seleção é uma implementação computacional da seleção natural. É uma tentativa de aplicar a pressão evolucionária sobre indivíduos de uma população. Indivíduos com função ajuste baixa serão descartados. Os indivíduos de mais alto valor de função ajuste apresentam maior probabilidade de sobreviver. Os sobreviventes farão parte da população, que começará a nova geração (iteração). Strings binárias (populatção incial) Strings binárias (Nova população) Operador seleção Operador crossover Operador mutação
14 Algoritmo genético O operador crossover (também conhecido como recombinação) faz com que os indivíduos (strings binárias) troquem sua informação genética, de forma análoga à reprodução sexuada. Uma forma de implementar tal operador, é selecionar pares de indivíduos promovidos após a etapa de seleção (pais). Depois selecionamos aleatoriamente um local único (locus) (indicado pela barra vermelha vertical), dentro da string binária. Por último trocamos todos os dígitos à direita deste locus entre os dois pais, conforme indicado abaixo. Pais Locus Crossover Descendentes Locus 14
15 Algoritmo genético O operador crossover é aplicado a um par de pais, parar gerar um par de novas strings binárias (descendentes). Um par de pais será submetido ao crossover, se e somente se, um número aleatório (Rn) for menor que a probabilidade de crossover (Pc). Rn está no intervalo [0,1], e um típico valor de Pc está no intervalo [0,4, 0,9]. Gera um número aleatório (Rn) Pais Locus Descendentes Rn<=Pc? Não Sim Crossover Escolha novo par de pais Locus 15
16 Algoritmo genético Para ilustrar os princípios básicos do GA, vamos resolver o seguinte problema simples, qual o número entre 0 e 4095 maximiza a função quadrática (f(x)=x 2 )? OK, não precisamos de um GA para saber a resposta deste problema, tal problema é só para ilustrar o GA. Este problema foi discutido em diversos textos de GA [CO1999, GO1989]. Na implementação deste algoritmo temos strings binárias de comprimento 12 ( = ). Assim vamos gerar números aleatórios entre 0 e 4095, como mostrado parcialmente na tabela abaixo. Esta faixa de número é nosso espaço de busca. String binária Decimal
17 Implementação de um algoritmo genético simples Neste algoritmo simples, o operador seleção escolherá a melhor metade da população, usando a função quadrática como função ajuste (fitness function). Inicialmente temos que gerar a população de forma aleatória. Tal população é formada por strings binárias (genótipo), que serão convertidas em números decimais, e então a função quadrática será calculada (fenótipo). Nós classificamos a metade dos melhores indivíduos da população e então aplicamos o operador crossover. Estes novos indivíduos gerados pelo operador crossover serão submetidos ao operador mutação. Na mutação nem todos os indivíduos sofrem mutação, só aqueles que passarem no critério de probabilidade de mutação (Pm). Na implementação do GA usaremos o critério de número de iterações (gerações), como critério de parada. Um típico conjunto de entrada para tal algoritmo é o seguinte: Population size (tamanho da população): Maximum number of iterations (Número máximo de iterações): Probability of crossover (probabilidade de crossover): Length of strings (tamanho das strings): Probability of mutation (probabilidade de mutação): 17
18 Implementação de um algoritmo genético simples Gera uma população aleatória de strings binárias Ordena aleatoriamente os melhores pais Gera uma nova população Converte cada string binária a um número decimal Seleciona pares de pais seguindo uma ordem aleatória Condição de parada satisfeita? N Calcula a função ajuste para cada indivíduo Operador Crossover S Seleciona parte da população para seguir (operador seleção) Mutação dos descendentes (operador mutação) Retorna os resultados 18
19 Initialização A B D C Inicialização. Números aleatórios são gerados (genótipo), para representar cromossomos dos indivíduos numa população. Para cada cromossomo uma função ajuste será calculada. Esta função ajuste é o fenótipo de cada indivíduo. 19
20 Initialização A B D C Operador seleção (A). Agora um dos maiores processos da evolução é aplicado. Os indivíduos gerados aleatoriamente são selecionados usando como critério a função ajuste. Esta função indica o quão adaptado um indivíduo está. Os indivíduos selecionados são chamados pais. 20
21 Initialização A B D C Operador crossover (B). Cada par de indivíduos selecionados (pais) podem gerar descendentes (filhos). Os pais são gerados aleatoriamente e seus cromossomos são combinados para gerar filhos. A posição de corte é chamada locus e é gerada aleatoriamente também. 21
22 Initialização A B D C Operador mutação (C). É permitido que os descendentes sofram mutação. Em bactéria uma taxa de mutações por genoma por geração é observada. Aqui o operador mutação possibilita a diversidade genética na simulação da evolução. 22
23 Initialização A B D C Aqui os indivíduos (pais mais descendentes) tornam-se a população inicial para um novo ciclo, para manter a abordagem biológica, este ciclo é chamado de geração. Em computação um ciclo é chamado de iteração. 23
24 Initialização A B D C Este ciclo está completo e todo o processo é repetido até que um critério de parada seja satisfeito, como por exemplo, o número de iterações (gerações) máximo. 24
25 Initialização A B D C Agora temos uma visão geral de como os algoritmos genéticos funcionam. Vamos ver alguns conceitos de como o estes são implementados. Os indivíduos nesta população podem ser representados por 0 e 1, ou seja, uma string binária. 25
26 Initialização Strings binárias Na inicialização números aleatórios são gerados para representar cada cromossomo na população. Cada linha (string binária) é um cromossomo de um indivíduo (equivalentes às joaninhas de cores diferentes). 26
27 Initialização A Decimais (x) Strings binárias Strings binárias Converte binário para decimal Decimals (x) Seleção dos melhores resultados f = x Para ilustrar a evolução, vamos considerar que queremos achar o máximo da função quadrática para um inteiro entre 0 e Agora calculamos a função de ajuste (f=x 2 ) para cada cromossomo. As strings binárias são convertidas para decimal e então calculamos a função. Selecionamos a melhor metade da população, segundo a função ajuste. 27
28 Initialização A B Strings binárias Strings de posição aleatória Nesta etapa temos o operador crossover. Somente os melhores pais são submetidos ao crossover (também chamado de recombinação). Inicialmente as strings binárias são aleatoriamente posicionadas e então a posição de crossover é escolhida. Esta posição indica onde a troca dos cromossomos acontecerá. Os novos cromossomos agora fazem parte da população, junto como os melhores pais. Strings filhas Strings pais
29 Initialização A B D Strings filhas Strings pais O operador mutação é usualmente aplicado a um bit da string, mudandoo de 0 para 1, ou vice-versa. Na maioria das aplicações é sugerida uma probabilidade de mutação (Pm) de 0,001, ou seja, uma mutação para cada 1000 bits. 29 C
30 Initialização A B D Strings filhas Strings pais Há diversas formas de implementarmos o operador mutação, uma forma é aplicá-lo a um bit (número 0 ou 1 na string) na posição 1/pm e gerar um número aleatório, se o número aleatório é maior que 0,5 muda o bit, caso contrário deixa como está. 30 C
31 Initialização O operador mutação funciona para aumentar a diversidade genética, evitando que a população fique confinada a um mínimo local. A B Strings filhas Strings pais D Mutação C Strings filhas Strings pais
32 Depois da aplicação do operador mutação, os indivíduos tornam-se a população de uma nova iteração. O ciclo é repetido até que uma condição de parada seja satisfeita. Podemos fixar o número de iterações ou outra condição de parada baseada na variação da população, ou seja, se os indivíduos de uma geração não estão variando com relação à geração anterior, atingimos um critério possível de parada. Strings binárias
33 Implementação de um algoritmo genético simples Para o problema descrito de maximização, temos numa simulação típica de algoritmos genéticos, as seguintes entradas: população inicial de 10 indivíduos, probabilidade de mutação de 0,01, probabilidade de crossover de 0,8 e número de iterações igual à 60. Com estes dados de entrada, observamos uma convergência para o valor correto após poucas iterações (gerações). O gráfico ao lado mostra os resultados de tal simulação. O eixo x indica o número de iterações (gerações) e o eixo y o valor máximo da função quadrática, obtido para cada geração. Como o indivíduo com maior valor para uma string binária de 12 algarismos é , cujo o valor decimal é 4095, temos uma função quadrática de , que é alcançada na iteração 18. Depois disso não há alteração. 33
34 Simulação de docking molecular A simulação de docking é o processo pelo qual localizamos a posição de um ligante (fármaco) no sítio de ligação de uma proteína por meio de computador. Tomando uma enzima como exemplo, mas lembrando que tal abordagem computacional não restringe-se às enzimas, temos que o ligante é um potencial inibidor da enzima. Recorrendo-se à analogia com o modelo chave-fechadura o ligante é a chave e o sítio ativo da enzima a fechadura. A simulação de docking visa achar o posicionamento do ligante no sítio ativo da enzima. Vimos que podemos usar a cristalografia de proteínas para achar a posição do ligante, o problema é que a cristalografia é cara e demorada. Assim, com a simulação de docking temos um método rápido e barato de achar a posição do ligante. Ligante (chave) Sítio ativo (fechadura) 34
35 Simulação de docking molecular Mesmo usando uma abordagem computacional, não estamos livres da informação cristalográfica. A estrutura cristalográfica tem que estar presente como um padrão ouro, ou seja, antes de usarmos a simulação de docking, temos que verificar se o nosso algoritmo de docking está funcionando adequadamente. Neste aspecto o trabalho em Boinformática é similar ao trabalho em bancada experimental. Quando vamos testar um novo protocolo experimental, normalmente recorremos ao um padrão, para validarmos o protocolo novo. No caso do docking, o padrão é a estrutura cristalográfica. Assim, visamos achar a posição cristalográfica usando o docking e comparando com a posição cristalográfica, como mostrado ao lado. Posição cristalográfica (branca) e posição obtida pela simulação de docking (vermelha). 35
36 Simulação de docking molecular A validação da simulação de docking com uma estrutura cristalográfica é o que chamamos de re-docking, onde vamos recolocar o ligante no sítio ativo e comparar com a posição cristalográfica. A comparação se faz por meio do cálculo do desvio médio quadrático, ou RMSD. Podemos pensar no RMSD como uma média das distâncias atômicas entre a posição cristalográfica ( x cristal, y cristal, z cristal ) e a posição do ligante obtida pela simulação de docking ( x pose, y pose, z pose ). Chamamos esta posição de pose. Abaixo temos em vermelho a posição do ligante obtida pela simulação de docking (pose) e em branco a posição cristalográfica. Vemos que temos uma boa concordância entre as duas posições. A equação para o cálculo do RMSD está mostrada abaixo, onde N indica que a soma é feita para todos os átomos do ligante. RMSD j 1 N 2 2 xcristal, j xpose, j ycristal, j y pose, j zcristal, j z pose, j N 2 36
37 Simulação de docking molecular As posições dos átomos nas moléculas são representadas por coordenadas atômicas, x, y e z. As coordenadas identificam a posição do centro do átomo no espaço, como as posições dos átomos mostradas ao lado. São estas coordenadas atômicas que são usadas para o cálculo do RMSD. Como as coordenadas atômicas estão na unidade angstrom (Å), o valor calculado para o RMSD é dado também em Å. Posição do átomo é indicada pelas coordenadas (x,y,z) 37
38 Simulação de docking molecular Abaixo temos a captura da tela do programa Molegro Virtual Docker (MVD), com um inibidor de CDK2 na tela gráfica (lado direito). Ao colocarmos o cursor sobre o átomo, vemos as coordenadas atômicas na janela à esquerda (dentro do retângulo vermelho), as unidades em Å. Coordenadas atômicas do átomo indicado. 38
39 Simulação de docking molecular Uma das formas de realizarmos a simulação de docking molecular, é por meio de algoritmos evolucionários. Nas simulações de docking com algoritmos evolucionários, o primeiro passo é gerar posições aleatórias para a molécula do ligante, como no exemplo das joaninhas. Cada joaninha representa uma posição do ligante. 39
40 Simulação de docking molecular No passo seguinte calculamos a função ajuste, que indica a adaptação de cada indivíduo, no caso do docking a energia de ligação de cada posição da molécula. Como a energia de ligação de Gibbs, só que agora usamos as coordenadas atômicas para calcularmos a energia de ligação. No próximo passo selecionamos os melhores indivíduos, as posições de menor energia para a molécula. Depois aplicamos o operador crossover, onde duas posições da molécula (pais) geram uma posição filha, como mostrado ao lado. Pai 1 crossover Filha Pai 2 40
41 Simulação de docking molecular Por último aplicamos a mutação, onde uma das posições filha é modificada. Terminamos um ciclo da evolução, ou iteração. O processo se repete um número finito de vezes. Filha Mutação Filha mutada 41
42 Simulação de docking molecular Ao final temos a posição obtida da simulação de docking (pose) comparada com a cristalográfica, como mostrada ao lado. Consideramos que a simulação de docking está funcionando bem, se o RMSD da sobreposição for menor que 2,00 Å, no exemplo ao lado o RMSD foi de 1,68 Å. O programa AutoDock é uma implementação do algoritmo genético para docking. 42
43 Algoritmos Evolucionários (Evolução Diferencial) Vimos um tipo de algoritmo evolucionário chamado de algoritmo genético. Há outros algoritmos que usam as ideias de evolução, mas são baseados em métodos computacionais distintos. Todos usam como inspiração a evolução, mas sua implementação computacional varia de algoritmo para algoritmo. Um dos algoritmos evolucionários de maior sucesso é o algoritmo de evolução diferencial. Na evolução diferencial temos os operadores clássicos dos algoritmos genéticos: seleção, crossover e mutação, como mostrados abaixo. Como uma implementação distinta do crossover. Operador seleção Operador crossover Operador mutação Critério de parada satisfeito? Sim Mostra resultados Não 43
44 Algoritmos Evolucionários (Evolução Diferencial) O algoritmo de evolução diferencial executa a parte inicial de geração aleatória de uma população com N cromossomos, em seguida avalia a função ajuste de cada cromossomo. A novidade está na formação cromossomos filhos. O filhos são gerados da seguinte forma, para cada cromossomo pai na população, chamado aqui cromossomo j, são escolhidos aleatoriamente três outros cromossomos pais distintos, cromossomos k, l e m. Calcula-se um novo cromossomo, chamado aqui de n, da seguinte forma: cromossomo(n) = cromossomo(m) + peso.[cromossomo(k) - cromossomo(l)] o peso varia entre 0 e 2. O cromossomo novo (n) será incorporado à população se ao gerarmos um número aleatório entre 0 e 1, este for menor que a probabilidade de crossover, caso não seja, o cromossomo filho não é considerado. Um último teste é realizado no cromossomo filho n, se este apresenta função escore maior que o cromossomo pai j, caso seja, o cromossomo j é deletado e substituído pelo cromossomo n. As etapas seguintes são idênticas ao algoritmo genético original. Estamos considerando aqui que a função ajuste de maior valor é a que representa um indivíduo mais bem adaptado. Veja, este critério depende do tipo de problema a ser resolvido pelo algoritmo evolucionário. 44
45 Algoritmos Evolucionários (Evolução Diferencial) Na implementação do algoritmo de evolução diferencial, como nos algoritmos genéticos, o primeiro passo é gerar indivíduos de forma aleatória, como no exemplo das joaninhas. 45
46 Algoritmos Evolucionários (Evolução Diferencial) No passo seguinte, calculamos a função ajuste, que indica a adaptação de cada indivíduo. Depois aplicamos o operador crossover, descrito anteriormente, onde três joaninhas pais (joaninhas cinza, branca e amarela) geram uma joaninha filha, para cada cromossomo pai (joaninha verde), como mostrado ao lado. Cromossomo k Cromossomo l Cromossomo m Cromossomo n Cromossomo j cromossomo(n) = cromossomo(m) + peso.[cromossomo(k) - cromossomo(l)] 46
47 Algoritmos Evolucionários (Evolução Diferencial) Considerando que o cromossomo n passou no teste da probabilidade de crossover, e que tem função ajuste maior que a do pai (cromossomo j), este ocupa o lugar do pai, ou seja, o cromossomo j é deletado e substituído pelo cromossomo n. Por último, aplicamos a mutação, onde selecionamos aleatoriamente cromossomos filhos. O critério para escolher se um cromossomo filho sofrerá mutação, é a probabilidade de mutação (Pm). Geramos um número aleatório entre 0 e 1, se este número for menor ou igual à probabilidade de mutação, a mutação ocorre, caso contrário não. Testamos a condição de mutação para todos os cromossomos filhos. Terminamos um ciclo da evolução, ou iteração. O processo se repete um número finito de vezes. Cromossomo j é deletado e substituído pelo n Cromossomo n Mutação Cromossomo n mutado 47
48 Referências -BRESSERT, Eli. SciPy and NumPy. Sebastopol: O Reilly Media, Inc., p. -COLEY DA. An Introduction to Genetic Algorithms for Scientist and Engineers. World Scientific Publishing Co. Pte. Ltd. Toh Tuck Link, Singapore, DAWSON, Michael. Python Programming, for the absolute beginner. 3ed. Boston: Course Technology, p. -EIBEN AE, SMITH SJ. Introduction to Evolutionary Computing. Springer-Verlag, Berlin, FOGEL DB. Evolutionary Computation: Toward a New Philosophy of Machine Intelligence, IEEE Press, GOLDBERG DE. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley Longman, Ins.,Indiana, USA, HETLAND, Magnus Lie. Python Algorithms. Mastering Basic Algorithms in the Python Language. Nova York: Springer Science+Business Media LLC, p. -HOLLAND JH. Adaptation in Natural and Artificial Systems. MIR Press. Cambridge MA, IDRIS, Ivan. NumPy 1.5. An action-packed guide dor the easy-to-use, high performance, Python based free open source NumPy mathematical library using real-world examples. Beginner s Guide. Birmingham: Packt Publishing Ltd., p. -KIUSALAAS, Jaan. Numerical Methods in Engineering with Python. 2ed. Nova York: Cambridge University Press, p. -LANDAU, Rubin H. A First Course in Scientific Computing: Symbolic, Graphic, and Numeric Modeling Using Maple, Java, Mathematica, and Fortran90. Princeton: Princeton University Press, p. -LANDAU, Rubin H., PÁEZ, Manuel José, BORDEIANU, Cristian C. A Survey of Computational Physics. Introductory Computational Physics. Princeton: Princeton University Press, p. -LUTZ, Mark. Programming Python. 4ed. Sebastopol: O Reilly Media, Inc., p. -MICHALEWICZ Z.Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag, 3rd, revised and extended edition, MODEL, Mitchell L. Bioinformatics Programming Using Python. Sebastopol: O Reilly Media, Inc., p. -SCHWEFEL H-P. Evolution and Optimum Seeking, Wiley Inter-Science, STORN R,PRICE K. Differential evolution A simple and efficient adaptive scheme for global optimization over continuous spaces. Technical Report TR , International Computer Science Institute, Berkeley, CA, TOSI, Sandro. Matplotlib for Python Developers. Birmingham: Packt Publishing Ltd., p. - XAVIER MM, HECK GS, DE AVILA MB, LEVIN NM, PINTRO VO, CARVALHO NL, AZEVEDO WF Jr. SAnDReS a Computational Tool for Statistical Analysis of Docking Results and Development of Scoring Functions. Comb Chem High Throughput Screen; 2016; 19(9), Última atualização: 21 de novembro de
Evolução Diferencial e Sua Aplicação em Docking do Sistema Proteína-Ligante Prof. Dr. Walter F. de Azevedo Jr.
2017 Dr. Walter F. de Azevedo Jr. 110100111010 101101011100 100110011000 1111111100111 101101011010 100111100111 111110011000 110100111100 Evolução Diferencial e Sua Aplicação em Docking do Sistema Proteína-Ligante
Leia mais2015 Dr. Walter F. de Azevedo Jr.
2015 Dr. Walter F. de Azevedo Jr. 110100111010 101101011100 100110011000 1111111100111 101101011010 100111100111 111110011000 110100111100 Evolução Diferencial e Sua Aplicação em Docking do Sistema Proteína-Ligante
Leia maisDocking de Ligantes em Proteínas
110100111010 101101011100 100110011000 1111111100111 101101011010 100111100111 111110011000 110100111100 Docking de Ligantes em Proteínas Prof. Dr. Walter F. de Azevedo Jr. walter.junior@pucrs.br ou walter@azevedolab.net
Leia maisBiofísica. Métodos Teóricos em Biofísica Algoritmos Evolucionários. Prof. Dr. Walter F. de Azevedo Jr Dr. Walter F. de Azevedo Jr.
2015 Dr. Walter F. de Azevedo Jr. Biofísica Métodos Teóricos em Biofísica Algoritmos Evolucionários Prof. Dr. Walter F. de Azevedo Jr. 110100111010 101101011100 100110011000 1111111100111 101101011010
Leia mais2016 Dr. Walter F. de Azevedo Jr.
2016 Dr. Walter F. de Azevedo Jr. > 1 Download do pyzo A partir do pyzo (disponível em http:///), o processo de instalação do Python fica facilitado. A instalação integra, além do Python, um conjunto de
Leia mais2016 Dr. Walter F. de Azevedo Jr. > >
2016 Dr. Walter F. de Azevedo Jr. > > 1 Download do eclipse www.eclipse.org Antes de fazer o download do eclipse, certifique-se que você tem o Java (JDK) instalado no seu computador. Vá ao site www.eclipse.org.
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 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 mais2016 Dr. Walter F. de Azevedo Jr.
2016 Dr. Walter F. de Azevedo Jr. 000000000000000000000000000000000000000 000000000000000000000000000000000000000 000000000000111111111110001100000000000 000000000001111111111111111111000000001 000000000111111111111111111111111000000
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisGabriela Sehnem Heck 1,2, Prof. Dr. Walter F. de Azevedo Jr 2. (orientador)
Pontifícia Universidade Católica do Rio Grande do Sul Gabriela Sehnem Heck 1,2, Prof. Dr. Walter F. de Azevedo Jr 2. (orientador) 1 Acadêmica de Curso de Ciêncas Biológicas da PUCRS, 2 Laboratório de Bioquímica
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. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia 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 maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia maisAlgoritmos Genéticos. 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 maisBioinformática Aplicada
000000000000000000000000000000000000000 000000000000000000000000000000000000000 000000000000111111111110001100000000000 000000000001111111111111111111000000001 000000000111111111111111111111111000000 000000000111111111111111111111111000000
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 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 maisIF-705 Automação Inteligente Algoritmos Evolucionários
IF-705 Automação Inteligente Algoritmos Evolucionários Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia 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 maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia 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 maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisAlgoritmo Genético. 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 maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
Leia 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 maisUMA 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.
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 maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia 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 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 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 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 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 maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia maisAlgoritmos Genéticos. 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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia mais2018 Dr. Walter F. de Azevedo Jr. azevedolab.net
2018 Dr. Walter F. de Azevedo Jr. azevedolab.net 1 Algoritmo Genético Vimos anteriormente um algoritmo genético simples para resolução de um problema de maximização. O algoritmo visa encontrar o maior
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. 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 maisDETERMINAÇÃO 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,
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 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 maisAlgoritmos Genéticos 1
Algoritmos Genéticos 1 Esquema de um GA Algoritmos Genéticos são um ramo da computação evolucionária Seu funcionamento pode ser resumido algoritimicamente através dos seguintes passos: Inicialize a população
Leia 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 maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia mais2018 Dr. Walter F. de Azevedo Jr. azevedolab.net
2018 Dr. Walter F. de Azevedo Jr. azevedolab.net 1 Turtle A biblioteca Turtle permite a partir de poucos comandos realizarmos desenhos de formas geométricas simples na tela. Não é objetivo da presente
Leia maisCréditos. Introdução a Sistemas Inteligentes. Agenda Introdução Breve Histórico. Introdução. Introdução aos Algoritmos Evolutivos
Introdução a Sistemas Inteligentes Introdução aos Algoritmos Evolutivos Créditos Este material consiste de adaptações e extensões dos originais gentilmente cedidos: pelo Prof. Dr. Eduardo Raul Hruschka
Leia 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 mais"Biologia de Sistemas Computacional Aplicada ao Desenvolvimento de Fármacos. Um Estudo de Inibidores da Quinase Dependente de Ciclina (CDK)"
"Biologia de Sistemas Computacional Aplicada ao Desenvolvimento de Fármacos. Um Estudo de Inibidores da Quinase Dependente de Ciclina (CDK)" print(cdk) Prof. Dr. Walter F. de Azevedo Jr. Laboratório de
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 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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação plicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada -
Leia maisSistemas Inteligentes if684. Germano Vasconcelos Página da Disciplina:
Sistemas Inteligentes if684 Germano Vasconcelos gcv@cin.ufpe.br Página da Disciplina: www.cin.ufpe.br/~îf684/ec 1 1 Algoritmos Genéticos 2 Algoritmos Genéticos n Técnicas de busca e otimização n Metáfora
Leia maisComputação Evolutiva Parte 2
Computação Evolutiva Parte 2 Fabricio Breve fabricio@rc.unesp.br 29/03/2017 Fabricio Breve 1 Computação Evolutiva Evolução pode ser visto como: Processo capaz de localizar soluções para problemas oferecidos
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 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 maisOtimização 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
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 maisEstratégias Evolucionárias (Evolution Strategies - ES) Disciplina: Inteligência Artificial
Estratégias Evolucionárias (Evolution Strategies - ES) Disciplina: Inteligência Artificial UFPR: Departamento de Informática. Aula de Leila e Aurora. Data: 23/05/2005 ES: pertence à Computação Evolucionária
Leia maisRicardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb
Ricardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb Aprendizado de Máquina IA Estatística Computação Diz-se que um algoritmo é capaz de aprender de uma
Leia maisDiâmetro da Pizza (cm) Número de Coberturas Preço (R$) 1 15,0 2 24, ,0 1 31, ,0 0 45, ,0 2 61, ,0 0 63,00
azevedolab.net 1 SciKit-Learn (Regressão Linear Múltipla) www.python.org Vimos anteriormente a análise dos conjuntos treino e teste. Índice do Dado do Conjunto Treino Diâmetro da Pizza (cm) Número de Coberturas
Leia maisAlgoritmos Genéticos
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Algoritmos Genéticos David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Algoritmos Genéticos 2 Objetivos Introduzir os principais
Leia maisBiologia Estrutural. Cálculo da Densidade Eletrônica. Prof. Dr. Walter Filgueira de Azevedo Jr. wfdaj.sites.uol.com.br
Biologia Estrutural Cálculo da Densidade Eletrônica Prof. Dr. Walter Filgueira de Azevedo Jr. Resumo Introdução Cálculo da densidade eletrônica Densidade eletrônica de um cristal unidimensional Densidade
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Prof. Augusto Baffa Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido.
Leia 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 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 maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisGA Conceitos Básicos. Capítulo 3 Prof. Ricardo Linden
GA Conceitos Básicos Capítulo 3 Prof. Ricardo Linden Algoritmos Evolucionários Algoritmos evolucionários usam modelos computacionais dos processos naturais de evolução como uma ferramenta para resolver
Leia mais2018 Dr. Walter F. de Azevedo Jr. azevedolab.net
2018 Dr. Walter F. de Azevedo Jr. azevedolab.net 1 Programação Orientada a Objeto Iremos ver o uso da abordagem de programação orientada a objeto (object-oriented programming (OOP)). Nosso objetivo é usar
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 maisVimos na aula passada um algoritmo genético simples para resolver o problema do máximo da função x 2. Veremos sua implementação em Python.
azevedolab.net Implementação de um Algoritmo Genético Simples Vimos na aula passada um algoritmo genético simples para resolver o problema do máimo da função. Veremos sua implementação em Python. Gera
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 Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisAplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas
Aplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas Resumo Gardiego Luiz da Silva 1 Henrique Faria de Oliveira 2 Faculdade
Leia 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 Introdução Um Algoritmo Genético (AG), conceitualmente, segue passos inspirados no processo biológico de evolução natural segundo a teoria de Darwin Algoritmos Genéticos seguem a idéia
Leia 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 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 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 mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia mais2016 Dr. Walter F. de Azevedo Jr.
2016 Dr. Walter F. de Azevedo Jr. 000000000000000000000000000000000000000 000000000000000000000000000000000000000 000000000000111111111110001100000000000 000000000001111111111111111111000000001 000000000111111111111111111111111000000
Leia maisINTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma
Leia maisBiologia Estrutural. Qualidade de modelos estruturais Prof. Dr. Walter F. de Azevedo Jr. wfdaj.sites.uol.com.br Dr. Walter F. de Azevedo Jr.
Biologia Estrutural Qualidade de modelos estruturais Prof. Dr. Walter F. de Azevedo Jr. Biologia Estrutural Resumo SCOP Modelagem molecular SCOP A primeira versão do SCOP foi liberada em 29 de outubro
Leia maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
Leia mais2017 Dr. Walter F. de Azevedo Jr.
01 Dr. Walter F. de Azevedo Jr. 000000000000000000000000000000000000000 000000000000000000000000000000000000000 000000000000111111111110001100000000000 000000000001111111111111111111000000001 000000000111111111111111111111111000000
Leia maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisFundamentos de Arquiteturas de Computadores
Fundamentos de Arquiteturas de Computadores Cristina Boeres Instituto de Computação (UFF) Conversões Entre Bases Numéricas Material de Fernanda Passos (UFF) Conversões Entre Bases Numéricas FAC 1 / 42
Leia maisExtracção de Conhecimento
Programa Doutoral em Engenharia Informática Mestrado Integrado em Engenharia Informática LIACC/FEUP Universidade do Porto www.fe.up.pt/ ec rcamacho@fe.up.pt Outubro 2007 Algoritmos Genéticos alguns destes
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 maisUtilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real
Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real Amarildo de Vicente 1, Rogério Luis Rizzi 1 1 Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade
Leia mais