Paulo Augusto da Costa Filho e Ronei Jesus Poppi Instituto de Química - Universidade Estadual de Campinas - CP Campinas - SP
|
|
- João Lucas Ribeiro Beltrão
- 6 Há anos
- Visualizações:
Transcrição
1 DIVULGAÇÃO ALGORITMO GENÉTICO EM QUÍMICA Paulo Augusto da Costa Filho e Ronei Jesus Poppi Instituto de Química - Universidade Estadual de Campinas - CP Campinas - SP Recebido em 30/4/98; aceito em 2/9/98 GENETIC ALGORITHM IN CHEMISTRY. Genetic algorithm is an optimization technique based on Darwin evolution theory. In last years its application in chemistry is increasing significantly due the special characteristics for optimization of complex systems. The basic principles and some further modifications implemented to improve its performance are presented, as well as a historical development. A numerical example of a function optimization is also shown to demonstrate how the algorithm works in an optimization process. Finally several chemistry applications realized until now is commented to serve as parameter to future applications in this field. Keywords: chemometrics; optimization; genetic algorithm. INTRODUÇÃO Em química muitas vezes surgem situações onde se deve considerar uma série de fatores que exercem influência sobre um determinado processo. Devemos então decidir qual desses fatores, ou em quais níveis (quantidades), que irão produzira a melhor resposta baseada em algum parâmetro pré-estabelecido. Neste caso, deseja-se realizar uma otimização numérica do sistema, ou seja, pretende-se encontrar as condições que irão fornecer a melhor resposta desejada baseada nos parâmetros quantificáveis. Por exemplo, em uma determinada síntese, deseja-se determinar quais valores de temperatura, ph e quantidade de catalisador que irão fazer com que numa determinada reação obtenha-se o maior rendimento possível. Outro exemplo seria encontrar quais as melhores condições operacionais de um equipamento para realizar-se uma análise. Como em cromatografia gasosa, onde seria determinada qual a melhor temperatura da coluna e a melhor vazão do gás de arraste que proporcione a separação dos picos. A utilização de métodos para otimização numérica em química já é explorada há bastante tempo, podendo ser considerada uma das primeiras aplicações da disciplina que hoje se conhece como quimiometria 1. A quimiometria, na definição atualmente mais aceita, pode ser considerada como a disciplina que utiliza métodos matemáticos e estatísticos, assim como de lógica matemática, a problemas de origem química. Os métodos normalmente utilizados para a otimização de sistemas químicos podem ser divididos em dois grandes grupos. Tem-se os métodos baseados em gradientes e os que não são. Nos métodos baseados em gradiente 2 explora-se o fato de que a partir de processos derivativos pode-se encontrar os mínimos e máximos. Os métodos que não são baseados em derivadas encontram-se assim no outro grupo, e dentre os mais largamente conhecidos e empregados em química destaca-se o método simplex 3. Este se baseia no deslocamento do simplex, que é uma figura geométrica, sobre a superfície de resposta para encontrar os máximos e mínimos. Mais recentemente tem surgido na literatura e causado grande impacto na comunidade científica o chamados métodos de inteligência artificial 4. A inteligência artificial faz parte dos processos que simulam via software ou hardware, o talento dos seres racionais para a representação e processamento de ronei@iqm.unicamp.br informações. Na área de otimização uma técnica de inteligência artificial que vem sendo muito estudada atualmente é o algoritmo genético. Este é um processo de otimização baseado nos processos biológicos da evolução das espécies, simulando matematicamente a teoria de Darwin. Este método de otimização tem recentemente recebido grande destaque na área de química, e neste artigo pretende-se introduzir os seus conceitos básicos, pois se percebe que ele ainda não está difundido dentro da comunidade química do país. Pretende-se também apresentar várias aplicações realizadas até o momento, para que seja possível ter uma visão do potencial da técnica e estimular a sua utilização. ALGORÍTMO GENÉTICO Histórico A teoria da evolução das espécies originou-se das observações realizadas por Charles R. Darwin, durante uma expedição cientifica ao redor do mundo. Nesta ocasião Darwin assumia a tarefa de naturalista do navio Eagle 5. Durante esta jornada que durou cinco anos, Darwin presenciou inúmeras situações que o levaram a pensar sobre a possível seleção natural das espécies. No arquipélago dos Galápagos, ele verificou que cada ilha possuía uma fauna característica, principalmente com relação a pássaros, tartarugas e lagartos. Em 1858, Darwin apresentou a teoria da seleção natural, numa sessão da Academia Britânica de Ciências. No ano seguinte publicou um resumo do livro Natural Selection, onde introduzia a teoria da Evolução das espécies. Segundo Darwin, no mecanismo de seleção natural, os indivíduos mais adaptados têm maior probabilidade de sobrevivência do que os menos adaptados. Como conseqüência disso, os mais adaptados teriam maior número de descendentes, o que provocaria, na geração seguinte, um aumento no seu número, em relação aos não adaptados. Tais adaptações levam a evolução biológica, a qual ocasiona mudanças nas propriedades das populações dos organismos que transcendem o período de vida de um único indivíduo. As mudanças nas populações que são consideradas evolutivas são aquelas herdáveis via material genético, de uma geração para a outra. A evolução biológica pode ser pequena ou substancial, sendo estes efeitos responsáveis pelas adaptações dos organismos a diferentes ambientes 5. Com base na teoria evolutiva das espécies, John H. Holland um pesquisador da Universidade de Michigan, propôs nos anos 60 a construção de um algoritmo matemático para otimização QUÍMICA NOVA, 22(3) (1999) 405
2 em sistemas complexos, sendo denominado de Algoritmo Genético 6. Este algoritmo pretendia simular matematicamente todo o mecanismo da evolução biológica, com todas as características e vantagens desse processo. A partir dos anos oitenta, o algoritmo genético recebeu um grande impulso em diversas áreas de aplicação cientifica, devido principalmente à versatilidade e excelentes resultados apresentados. A popularização dos computadores e o aparecimento de sistemas cada vez mais rápidos e potentes, também auxiliaram muito o seu desenvolvimento. O algoritmo genético tem sido aplicado nas mais variadas áreas, podendo-se destacar sua utilização em processamento de imagem; modelagem e identificação de sistemas; filtros para cancelamento de ruídos; robótica; e seleção de parâmetros de redes neurais 7. Mais recentemente, o algoritmo genético começou a ser utilizado em química, uma vez que nesta área problemas complexos de otimização também são normalmente encontrados. A primeira aplicação de algoritmo genético em química foi realizada no início dos anos noventa por Lucasius e Kateman 8, num trabalho exploratório para seleção de comprimentos de onda em espectros no ultravioleta para análise de quatro nucleotídeos. As aplicações deste algoritmo cresceram muito nos últimos anos, principalmente devido às vantagens que este apresenta quando comparado a outros métodos de otimização. Como principais vantagens pode-se destacar 6 : i - Não requer informações sobre o gradiente da superfície ii de resposta; - Eventuais descontinuidades da superfície de resposta não afetam a performance da otimização; iii - A presença de mínimos locais não reduzem a eficiência do algoritmo; iv - A performance do algoritmo tem apresentado excelentes resultados para problemas de otimização de grande escala. Figura 1. Codificação dos parâmetros Temperatura, Catalisador, Agitação e Tempo de valores decimais para valores binários de 6 bits. Por exemplo, para a Temperatura que tem valor decimal igual a 35, após a conversão tem-se a seguinte sequência de zeros e uns : codificar para binário o valor de temperatura igual a 35 graus, o valor do catalisador igual a 8 gramas, o valor de agitação igual a 43 rpm e o valor do tempo igual a 56 minutos. Tomando como 6 bits cada um dos parâmetros a serem otimizados, tem-se assim o cromossomo formado por 24 unidades binárias, sendo que os seis primeiros formam o gene correspondente à temperatura, e na seqüência de 6 bits os genes para catalisador, agitação e tempo. CRIAÇÃO DA POPULAÇÃO INICIAL Através de um gerador randômico, cria-se uma população inicial de cromossomos, como mostrado na Figura 2 (neste caso uma população de sete indivíduos, ou cromossomos). Algoritmo Genético básico O algoritmo genético foi estruturado de forma que as informações referentes a um determinado sistema pudessem ser codificadas de maneira análoga aos cromossomos biológicos. Desta forma o algoritmo proposto assimila-se muito ao processo evolutivo natural. O algoritmo genético básico envolve cinco passos: codificação das variáveis, criação da população inicial, avaliação da resposta, cruzamento e mutação. Codificação das variáveis O cromossomo biológico é composto de genes, que são responsáveis por determinadas características do indivíduo, como por exemplo, cor dos olhos, altura, cor da pele, etc. Através de uma analogia é possível construir um cromossomo artificial. Num processo químico cada gene representará um determinado parâmetro que será otimizado como, por exemplo: temperatura, agitação, tempo, quantidade de catalisador (conforme figura 1). Neste tipo de sistema, a forma mais simples de representar as informações relativas a cada parâmetro que será otimizado (como temperatura, catalisador, agitação e quantidade de catalisador), é codificando-as em números binários. Assim cada cromossomo artificial será representado por uma seqüência de zeros e uns (forma binária para cada parâmetro). Esse tipo de codificação apresenta inúmeras vantagens no decorrer do processo de otimização como tornar as operações genéticas mais fáceis de serem executadas; tornar possível o trabalho com variáveis que assumam valores contínuos; facilitar a variação da faixa de trabalho dos parâmetros; além de apresentar relativa simplicidade na variação da precisão dos valores de cada parâmetro. A Figura 1 mostra a codificação dos valores relativos aos quatro parâmetros que serão otimizados. Neste caso deve-se Figura 2. Representação de 7 cromossomos gerados de maneira aleatória que serão utilizados para o início do processo de seleção, onde a sequência de bits está relacionada com as variáveis Temperatura, Catalisador, Agitação e Tempo conforme mostrado na figura 1. Sendo a população inicial aleatória, garantimos que não haverá nenhum tipo de influência tendenciosa do meio externo. Desta forma tenta-se garantir a idoneidade da pesquisa. Entretanto há casos onde existem informações adicionais que podem ser introduzidas na geração da população inicial, minimizando o tempo de computação, ou seja, o tempo para encontrar o valor ótimo. Avaliação da resposta (Aptidão) Deve-se encontrar o valor associado à performance de cada cromossomo, relacionado ao sistema de interesse. A avaliação da resposta de cada cromossomo é o resultado mais importante no procedimento do algoritmo genético. A resposta (aptidão) é uma característica intrínseca ao indivíduo. Esta indicará, a nível biológico, qual é a habilidade que um indivíduo possui para sobreviver a predadores, pestes e a outros obstáculos para a subseqüente reprodução. Transportando para o 406 QUÍMICA NOVA, 22(3) (1999)
3 algoritmo matemático, seria sua habilidade de produzir a melhor resposta. Esta resposta, na maioria das vezes, é avaliada em termos de um erro calculado pela diferença entre o valor esperado e o valor previsto. O objetivo é encontrar o menor erro possível, e este será o responsável direto pela vida ou morte dos indivíduos. Em alguns algoritmos, será esta resposta que irá determinar qual a probabilidade com que um determinado cromossomo irá cruzar. Neste caso, determinados indivíduos poderão realizar mais de um cruzamento durante uma mesma geração. adaptados, estas novas características serão transmitidas para os demais indivíduos ao longo das próximas gerações. Este mecanismo ajuda a solucionar o problema do confinamento a mínimos locais na otimização, pois promove alterações que direcionam a pesquisa para outros locais da superfície de resposta. A Figura 4 representa dois cromossomos, onde ocorreu mutação no material genético. A mutação na representação binária é realizada pela troca de um por zero e viceversa, conforme pode ser notado na Figura 4. Cruzamento Nesta etapa do algoritmo é realizado o cruzamento entre material genético de diferentes indivíduos. A partir da atual população, uma nova é formada pelo cruzamento aleatório entre os cromossomos. Portanto os filhos recebem informações de seus progenitores, através do material genético proveniente deste cruzamento. Durante a permuta de material genético entre os indivíduos, haverá uma tendência da transmissão das características dominantes para as gerações futuras. Após algumas gerações podese observar que uma elevada taxa dos indivíduos possuem a presença de variáveis dominantes. O cruzamento é responsável pela convergência para a situação de otimização desejada. O processo de cruzamento dá-se pela escolha aleatória dos indivíduos e da posição onde ocorrerá a ruptura seguida pela troca de material genético. O número de rupturas geralmente varia entre 1 e 2. Isto se deve ao fato de que quanto maior for o número de rupturas menor será a semelhança entre os pais e os filhos, portanto dificultando a convergência. A Figura 3 mostra a etapa do cruzamento entre dois indivíduos, para o gene (pedaço do cromossomo) relacionado à variável catalisador, a qual está sendo otimizada. Figura 4. Operação de mutação nos cromossomos após o cruzamento. Neste caso, em uma das posições, tem-se a troca de um bit cujo valor é 0 pelo valor 1, gerando um novo indivíduo. PRINCIPAIS ETAPAS DO ALGORITMO GENÉTICO BÁSICO A Figura 5 mostra as principais etapas do algoritmo genético básico. Os passos 2 a 6 são continuamente repetidos até que um critério de parada seja satisfeito. Como critério de parada para o algoritmo genético, normalmente adota-se um número máximo de gerações ou até que um erro mínimo desejado seja alcançado. Figura 3. Etapa de cruzamento no gene referente à variável Catalisador. Neste caso ocorre : (a) o emparelhamento de dois cromossomos (um representado pela cor branca e outro pela cor negra) ; (b) rompimento e permuta do material genético ; (c) geração de dois novos cromossomos. Mutação Durante o processo de reprodução pode ocorrer uma perturbação das informações contidas dentro dos genes ocorrendo uma mutação. Esta promove alterações no código genético de uma pequena parcela da população, onde muitas vezes pode atuar de forma benigna. Se a alteração gerar indivíduos mais Figura 5. Fluxograma mostrando as principais etapas do algoritmo genético básico. QUÍMICA NOVA, 22(3) (1999) 407
4 Basicamente existem quatro tipos principais de algoritmos genéticos: Algoritmo genético de Holland 6, programa genético de Koza 9, programa evolucionário de Fogel 10 e estratégica evolucionária de Rechenberg 11. Eles se diferem pelo mecanismo de código genético, procedimento de seleção, e reprodução. Entretanto, o mais popular é o de Holland, que codifica as informações na forma de código binário (0,1), e é o algoritmo que está sendo tratado neste trabalho. Para uma boa performance do algoritmo faz-se necessário otimizar parâmetros como: probabilidade de mutação, probabilidade de cruzamento, tamanho da população inicial e número de gerações. O tamanho da população inicial é escolhido normalmente entre indivíduos 6,7. Utiliza-se probabilidade de mutação de aproximadamente 1%, e probabilidade de cruzamento por volta de 90% 6,7. O número de gerações irá depender do tamanho da população inicial, existindo um comprometimento entre o tamanho da população inicial e o número de gerações. Para um tamanho de população muito grande, muitas vezes torna-se impraticável, em termos de tempo de processamento, realizar-se um grande número de gerações. Por outro lado, com uma população maior pode-se realizar uma pesquisa mais completa em torno da superfície de resposta. OPERAÇÕES E TÉCNICAS AVANÇADAS Após o desenvolvimento do primeiro algoritmo genético inúmeras modificações foram propostas com o intuito de aperfeiçoar a performance e robustez do programa. Os primeiros algoritmos eram compostos de basicamente quatro etapas: geração da população inicial, cruzamento, mutação e avaliação. Atualmente em programas mais sofisticados pode-se encontrar inúmeros outros operadores genéticos como: dominância, distinção de sexo e mecanismos para evitar incestos. Também para diminuir o tempo de processamento do programa, a computação paralela tem sido implementada nesse algoritmo. DOMINÂNCIA A dominância é estabelecida quando um determinado gene é responsável por uma característica que faz com que um indivíduo se destaque entre um determinado grupo. Desta forma, torna-se interessante a preservação desta informação, e a propagação para as gerações futuras. Isso pode fazer com que ocorra uma aceleração do processo de convergência para o ótimo. O operador de dominância possui a função de localizar e preservar os genes responsáveis pelo destaque em sua performance. Isso é implementado no algoritmo matemático fazendo com que após um determinado número de gerações, inicie-se uma sub-rotina que emparelhe dois cromossomos e crie um novo indivíduo que possua as características dominantes dos progenitores. Por exemplo, pode-se considerar que os bits zeros conterão informações dominantes e os bits uns recessivas. Neste tipo de operação, conforme pode observado no esquema apresentado na Figura 6, nos cruzamentos entre zeros e uns prevalecerá sempre o bit zero. Portanto além da população proveniente do cruzamento haverá também o acréscimo de mais estes novos indivíduos na população final desta geração. DISTINÇÃO DE SEXOS O cruzamento é a operação onde novos indivíduos são gerados a partir de cromossomos pais. O cruzamento pode apresentar-se de três formas distintas: homossexual, heterossexual e assexuado. O cruzamento por distinção de sexo é realizado através de um bit no cromossomo reservado para distinguir o sexo. Por exemplo, pode-se representar um indivíduo do sexo masculino como tendo o bit 1, em uma determinada posição do cromossomo. A partir deste bit é possível controlar o cruzamento entre os indivíduos. Nos cruzamentos homossexuais tem-se o cruzamento entre Figura 6. Operação de cruzamento com dominância. Esta operação genética não envolve ruptura dos cromossomos, apenas a comparação dos bits em cada posição dos cromossomos pais. Nessa comparação sempre irá prevalecer o bit dominante, conforme ilustrado na figura. cromossomos de mesmo sexo, enquanto nos heterossexuais realiza-se o cruzamento entre cromossomos de sexo distintos. Existem também os assexuados, onde ocorre a troca de material genético dentro do próprio indivíduo. O controle pela distinção de sexo faz com que a diversificação seja mais ampla. Determinadas características desejáveis muitas vezes somente podem ser encontradas num determinado sexo. Isso pode ser observado na natureza, já que apenas seres inferiores são hermafroditos. MECANISMOS PARA EVITAR INCESTOS No incesto tem-se o cruzamento entre indivíduos que possuem cromossomos muito semelhantes (pais, irmãos ou parentesco muito próximo), não levam a gerações futuras mais adaptadas. O cruzamento entre indivíduos muito semelhantes leva a formação de um cromossomo muito parecido ao dos pais. Desta forma não há nenhuma melhora significativa para as novas gerações. Muitas vezes, implementa-se nos procedimentos uma sub-rotina que evite o incesto durante a etapa de cruzamento. Isso é realizado evitando-se que cromossomos muito semelhantes se cruzem. COMPUTAÇÃO PARALELA Programas onde existe um grande número de operadores genéticos tornam-se demorados, uma vez que muitas operações devem ser realizadas. Com o objetivo de tornar a execução do programa mais rápida, tem-se proposto o uso da computação paralela 12 minimizando o tempo de processamento. A computação paralela é caracterizada por ser realizada em um ambiente onde há múltiplos processadores, e uma rede interligando os processadores através da distribuição de partes do programa a serem executadas em diferentes maquinas simultaneamente. A construção de um programa em paralelo requer que o programador realize a decomposição do algoritmo, ou dos dados, em varias partes; distribua essas partes para os diferentes processadores que estão trabalhando simultaneamente; e coordene o trabalho e a comunicação entre esses processadores. No algoritmo genético a computação paralela pode ser implementada na determinação da resposta de cada indivíduo, em cada geração. Esse cálculo, que muitas vezes é a etapa mais complexa dos cálculos, pode ser distribuído para ser realizada em diferentes processadores. EXEMPLO DA OPERAÇÃO DE UM ALGORITMO GENÉTICO Para melhor exemplificar o funcionamento do algoritmo genético, pode-se demonstrar sua aplicação na determinação do ponto máximo da seguinte função: 408 QUÍMICA NOVA, 22(3) (1999)
5 Z = (3 x (1- X) x exp(-x - (Y +1) )) - (10 x ( X 5 - X - Y ) x exp(-x - Y )) - ( 1 3 x exp( - (X +1) - Y x( x cos 2 x Y)) 10 x sen(pi x X) com o domínio de X e Y de -3 à +3, conforme pode ser observado na superfície de resposta da Figura 7. Este é um exemplo de uma função complexa, com máximos locais, além do máximo global. Neste caso, pretende-se determinar quais os valores de X e Y que, dentro domínio especificado, irão produzir o maior valor de Z. Figura 8. Resposta dos melhores indivíduos de cada geração. Aplicação do algoritmo genético em química Figura 7. Superfície correspondente a função exemplificada acima. Para a otimização da função, foram estabelecidos cromossomos com dois genes, sendo cada um destes sendo referente a uma variável independente da função (valores de X e Y). O próximo passo foi representar cada gene por um código binário com uma precisão de 0,00003 unidade. Para isto foram utilizados 17 bits, sendo 16 para representar cada valor numérico com a precisão requerida e 1 bit para representar o sinal do número (valores positivos ou negativos). Desta maneira, cada cromossomo é representado por 34 unidades binárias, onde os 17 primeiros estão relacionados ao valor de X e os 17 últimos (outro gene) ao valor de Y. Assim a cada cromossomo (que representa os valores de X e Y), podese associar uma resposta que é representada pelo valor correspondente de Z da função. O objetivo do algoritmo genético é então encontrar qual cromossomo que irá produzir o maior valor de Z, dentro do domínio especificado. Pelo fato dos cromossomos possuírem uma dimensão relativamente pequena, foram criados 8 cromossomos (ou seja, a população tem 8 indivíduos) e foram realizadas 30 gerações (reproduções). Após a realização dos cruzamentos correspondentes às 30 gerações propostas, pode-se avaliar as respostas dos melhores indivíduos em cada geração como mostrada na Figura 8. Analisando-se o gráfico mostrado na Figura 8 podem ser observados três patamares bastante distintos. O primeiro patamar, com valores de Z próximos a 1,0 encontra-se relacionado com um vale localizado entre 3 máximos e 2 mínimos, portanto trata-se de um local complexo para iniciar uma análise segundo os modelos tradicionais de otimização. O segundo patamar encontra-se relacionado à determinação de um máximo local, que perdurou como uma situação de pseudoótimo por 4 gerações. Somente após 6 gerações iniciais determina-se a existência do máximo global que se encontra caracterizado pelo terceiro patamar da Figura 8 (com valor de Z próximo a 8,0). Na química tem-se observado uma acentuada tendência na aplicação de algoritmo genético em inúmeros problemas de otimização de sistemas complexos essencialmente devido à robustez e versatilidade do algoritmo. Tem-se utilizado o algoritmo genético para otimização de parâmetros internos (pesos) de rede neural 13. Uma de suas aplicações é o treinamento da rede para análise quantitativa de espectros de fluorescência de raios-x 14. O algoritmo genético também tem sido utilizado no mapeamento de átomos, para determinar a distância mínima entre eles 15. Outro campo que está sendo explorado é a pesquisa de planejamentos experimentais, que consiste no planejamento de n experimentos, onde há variação de alguns fatores para otimizar o sistema. 16 Muitos sistemas químicos apresentam um alto nível de complexidade, onde muitos parâmetros necessitam ser otimizados num único processo. Para solucionar este tipo de problema utiliza-se uma poliotimização. Um exemplo de algoritmo genético em poliotimização em química analítica é a otimização de distâncias entre picos cromatográficos, como função das condições cromatográficas (composição da fase móvel, temperatura do injetor, valor de ph, etc.) 17. Pode-se encontrar outro exemplo desse tipo de aplicação na determinação de glicose em sangue humano por fotometria. Essa poliotimização envolveu 12 parâmetros químicos e tecnológicos, com o intuito de monitorar seis propriedades ópticas. O resultado obtido foi comparado com os dos métodos clássicos regressão dos mínimos quadrados parciais não linear 18. Encontra-se ainda exemplos da aplicação nos seguintes casos : 1) determinação da constante de estabilidade de sistemas de cloreto de cádmio em meio perclorado com chumbo e éter coroa diclorohexil-18-coroa-6, a partir de dados calorimétricos e polarográficos 18 ; 2) seleção e detecção de amostras anômalas dentre um conjunto de amostras, para construção do modelo de calibração ; 3) otimização da separação de bases fracas ou soluções ácidas por cromatografia líquida de fase reversa com variação de ph e modificação orgânica na fase movel 21 ; 4) otimização da estimativa dos parâmetros cinéticos de uma reação 22.; 5) otimização da intensidade linhas de emissões atômicas de traços de elementos em pó de alumina como uma função da condição de excitação 23 ; 6) análise conformacional de biopolimero 24. Provavelmente a aplicação mais difundida do algoritmo genético está na seleção de comprimentos de onda em determinações espectroscópicas, principalmente no infravermelho próximo, utilizando calibração multivariada 25. Geralmente nestes casos utiliza-se o método dos mínimos quadrados parciais 25 ou a regressão linear múltipla 26 para a construção de um modelo que possa correlacionar os espectros com as espécies de interesse. Este tem como objetivo determinar o número mínimo de QUÍMICA NOVA, 22(3) (1999) 409
6 comprimentos de onda que possuam informação relevante para a análise que está sendo realizada. Devido ao interesse despertado na seleção de variáveis, resolvemos dedicar um tópico deste trabalho a este tipo de aplicação, conforme apresentado a seguir. Algoritmo genético na seleção de variáveis. Tem-se observado nos últimos anos uma tendência na implementação de técnicas espectroscópicas em análises químicas rotineiras. Isto se deve essencialmente à simplicidade, rapidez, baixo custo, versatilidade, bem como outros atributos de diferenciação proporcionados pela técnica. A calibração multivariada contribuiu de forma significativa para a consolidação desta técnica, viabilizando a determinação simultânea de mais de uma espécie mesmo em situações adversas, onde os métodos convencionais de análises seriam difíceis ou impossíveis de serem realizados (por exemplo, determinações on-line em processos). Tornou também análises qualitativas e quantitativas possíveis, bem como a detecção de amostras anômalas. Em análises espectrofotométricas, muitas das aplicações de calibração multivariada deste método envolvem um elevado número de variáveis. Muitas vezes o uso de somente algumas das variáveis que contém mais informações, podem proporcionar maior segurança e facilidade na interpretação do modelo. Assim as variáveis (absorbância em diferentes comprimentos de onda) que possuem uma menor relação sinal/ruído ou/e não linearidade podem ser descartadas. Atualmente o número de algoritmos que se propõe a selecionar variáveis é pouco expressivo. Dentre estes se destacam a regressão linear múltipla por passos (stepwise multiple linear regression) 27 e os que empregam o uso do algoritmo genético. A implementação do algoritmo genético na seleção de variáveis difere-se das demais aplicações apresentadas no que tange à codificação do problema e a função de resposta, já que as outras etapas permanecem inalteradas. Na codificação do problema em seleção de variáveis de espectros, considera-se que o cromossomo possui p genes, onde cada gene representa uma das variáveis do espectro (absorbância em cada comprimento de onda). Assim sendo, o cromossomo terá o mesmo número de variáveis contidas no espectro, conforme representada na Figura 9. Figura 9. Codificação de um espectro na forma de um cromossomo. Neste caso cada valor de comprimento de onda corresponde a um gene do cromossomo. Quando se utiliza o algoritmo genético para a seleção de variáveis, é necessário, dependendo do modelo de calibração, utilizar algumas condições de contorno", como por exemplo, pré-estabelecer o número máximo de variáveis selecionadas, como no caso da regressão linear múltipla. Na seleção de variáveis utiliza-se também o auxílio do código binário (0,1) para codificar o problema. Cada gene pode assumir o valor um ou zero, sendo que quando a posição referente a uma determinada variável for igual a um, isto implica na seleção desta variável. Por outro lado, se a posição conter o valor zero, isto indica que a variável não foi selecionada. CONCLUSÃO Observando as inúmeras vantagens apresentadas pelo algoritmo genético, chega-se a conclusão que suas aplicações tendem a crescer na área da química, principalmente onde métodos de otimização mais tradicionais não apresentam resultados satisfatórios. As vantagens que devem ser ressaltadas são: versatilidade e robustez do modelo. Por ser um algoritmo versátil, torna-se fácil introduzir adaptações ao programa de forma a atender às diferentes características de cada sistema que está sendo otimizado. Muitas vezes, para sistemas muito complexos, este tipo de otimização pode consumir um grande tempo de processamento. Este problema pode ser reduzido com o emprego da computação paralela, onde de partes do programa que requerem mais tempo podem ser executados simultaneamente. Associando o algoritmo genético a técnicas quimiométricas já estabelecidas de otimização e análise multivariada, pode ser possível o desenvolvimento de modelos matemáticos mais simples, facilitando sua análise e entendimento. É importante ressaltar que esta técnica de otimização como qualquer outra não garante que a melhor condição de uma otimização tenha sido determinada. Contudo tem-se observado que o algoritmo genético, em alguns casos apresenta resultados melhores que outras técnicas de otimização. REFERÊNCIAS 1. Sharaf, M. A.; Illman, D. L.; Kowalski, B. R.; Chemometrics, John Wiley & Sons, New York Jang, J. S. R.; Sun, C. T.; Mizutani, E.; Neuro-Fuzzy and Soft Computing, Prentice Hall, Upper Saddle River Bruns, R. E.; Scarminio, I. S.; Neto, B. B.; Planejamento e Otimização de Experimentos, Editora da Universidade Estadual de Campinas Cartwright, H. M.; Applications of Artificial Intelligence in Chemistry, Oxford Science Publications, New York Ruse, M., Darwinism Defended. A Guide to the Evolution Controversies John Wiley & Sons, New York Goldberg, D. E.; Genetic Algorithms in Search, Optimization, and Machine Learnig, Addison-Wesley, Reading Lucasius, C. B. and Kateman, G.; Chemom. Intell. Lab. Syst. 1993, 19, Lucasius, C. B. and Kateman, G.; Trends Anal. Chem. 1991, 10, Koza, J. R.; Genetic Pogramming: On the Programming of Computers by Means of Natural Selection, Cambridge Universty Press Fogel, L. J.; Owens, A. J. and Walsh, M. J.; Artificial Intelligence Through Simulated Evolution, Wiley Rechenberg, I. Evolutionstragegie: Optimierung Technischer Systeme nach Prinzipien der Biologischen Evolution, Frommann-Holzboog Snir, M.; Otto, S., Huss-Lederman, S.; Walker, D.; Dongarra, J.; MPI : The Complete Reference, The MIT Press-Cambridge, Massachusetts QUÍMICA NOVA, 22(3) (1999)
7 13. Zupan, J.; Gasteiger, J.; Neural Networks for Chemists, VCH, Weinheim Bos, M. and Weber, H. T.; Anal. Chim. Acta 1991, 247, Fontain, E.; Anal. Chim. Acta 1992, 265, Broudiscou, A.; Leardi, R.; Phan-Tan-Luu, R. Chemom. Intell. Lab. Syst 1996, 35, Wienke, D.; Lucasius, C.; Ehrlich, M. and Kateman, G.; Anal. Chim. Acta 1993, 271, Hartnett, M. K.; Bos, M.; van-der-linden, W. E.; and Diamond, D.; Anal. Chim. Acta 1995, 316, Leardi, R.; J. Chemom. 1994, 8, Walczak, B.; Chemom. Intell. Lab. Syst. 1995, 28, Lopes-Marques, R. M.; Schoenmakers, P. J.; Lucasius, C. B. and Buyden, L.; Chromatographia 1993, 36, Hibbert, D. B.; Chemom. Intell. Lab. Syst. 1993, 19, Wienke, D.; Lucasius, C.; Kateman, G.; Anal. Chim. Acta 1992, 265, Blommers, M. J. J.; Lucasius, C. B.; Kateman, G. and Kaptein, R.; Biopolymers 1992, 32, Bangalore, A. S.; Shaffer, R. E.; Small, G. W. and Arnold, M. A.; Anal. Chem. 1996, 68, Jouan-Rimbaud, D.; Massart, DL.; Leardi, R. and De- Noord, O. E.; Anal. Chem. 1995, 67, Martens, H. and Naes,T.; Multivariate Calibration, John Wiley & Sons, New York QUÍMICA NOVA, 22(3) (1999) 411
3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Introdução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Inteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Metahuerísticas: 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
Algoritmos 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
Uso 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
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
Algoritmos 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
4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
3 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
GT-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...]
Exemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Inteligência 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
UMA PROPOSTA PARA OTIMIZAÇÃO DE SISTEMAS DE TRANSPORTE COLETIVO POR ALGORITMOS GENÉTICOS
UMA PROPOSTA PARA OTIMIZAÇÃO DE SISTEMAS DE TRANSPORTE COLETIVO POR ALGORITMOS GENÉTICOS Glauber O. Santana 1 (glauber.santana@gmail.com) Daniele S. Silva 1 (danielless.sp@gmail.com) Fernando K. Correia
Otimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
3. ALGORITMOS GENÉTICOS
1 3. ALGORITMOS GENÉTICOS PARTE 1 3.1 Analogia Física: a evolução das espécies 3.2 A Tradução Matemática: o algoritmo básico 3.3 Codificação dos Indivíduos 3.4 Avaliação da Aptidão de um Indivíduo 3.5
Algoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
4 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,
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Algoritmo 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
Aulas 2 e 3. Estatística Aplicada à Química Analítica
QUÍMICA ANALÍTICA AVANÇADA 1S 2014 Prof. Rafael Arromba de Sousa Departamento de Química ICE Aulas 2 e 3 Estatística Aplicada à Química Analítica Notas de aula: www.ufjf.br/baccan rafael.arromba@ujfj.edu.br
Métodos 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
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
1. Introdução. 1.1.Objetivo
1. Introdução 1.1.Objetivo O objetivo desta dissertação é desenvolver um sistema de controle por aprendizado acelerado e Neuro-Fuzzy baseado em técnicas de inteligência computacional para sistemas servo-hidráulicos
Sequenciamento de genoma e transcriptomas
Sequenciamento de genoma e transcriptomas Por que seqüenciar genomas? O seqüenciamento de genomas é o primeiro passo para obter uma descrição completa da composição molecular de cada organismo, pois todas
APLICAÇÃO DO SIMULADOR EMSO EM UM PROBLEMA ESPECÍFICO DE CINÉTICA E CÁLCULO DE REATORES
APLICAÇÃO DO SIMULADOR EMSO EM UM PROBLEMA ESPECÍFICO DE CINÉTICA E CÁLCULO DE REATORES T. A. F. ROCHA 1, W. U. LEITE 1, B. L. VERÁS 1 e W. R. O. PIMENTEL 1 1 Universidade Federal de Alagoas, Centro de
INTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
5 Metodologia e planejamento experimental
Metodologia experimental 5 Metodologia e planejamento experimental Neste capítulo serão descritos a metodologia e o planejamento experimental utilizados no presente estudo, além da descrição do equipamento
ALGORITMO GENÉTICO COMO SOLUÇÂO PARA A MOVIMENTAÇÃO DE UM BRAÇO ROBÓTICO SIMULADO
ALGORITMO GENÉTICO COMO SOLUÇÂO PARA A MOVIMENTAÇÃO DE UM BRAÇO ROBÓTICO SIMULADO Gustavo Henrique Neves Siloto - gustavosilot@gmail.com Felipe Alexandre Cardoso Pazinatto - felipe_pazinatto@yahoo.com.br
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Agronomia Química Analítica Prof. Dr. Gustavo Rocha de Castro. As medidas baseadas na luz (radiação eletromagnética) são muito empregadas
ESPECTROMETRIA DE ABSORÇÃO ATÔMICA Introdução As medidas baseadas na luz (radiação eletromagnética) são muito empregadas na química analítica. Estes métodos são baseados na quantidade de radiação emitida
Algoritmos 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
Química Analítica V 1S Prof. Rafael Sousa. Notas de aula:
Química Analítica V 1S 2013 Aula 3: 13-05 05-2013 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Estrutura comum dos AEs Seleção
Estrutura comum dos AEs Seleção Todos os AEs mantém uma população de tamanho m por: Utilizando uma população como fonte de pais para produzir n descendentes Reduzindo o tamanho da população expandida de
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda e-mail: valentin@sel.eesc.sc.usp.br
MÓDULO 2. Estatística Aplicada à Química Analítica. Introdução
QUÍMICA ANALÍTICA AVANÇADA 1S 2017 MÓDULO 2 Estatística Aplicada à Química Analítica Introdução Prof. Rafael Arromba de Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan
CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da
Introdução 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
Biologia O estudo da vida. Capítulo 1
Biologia O estudo da vida Capítulo 1 O mundo em que vivemos Por que estudar? Biologia: Ramo da ciência que estuda os seres vivos Seres vivos: formados por uma ou mais células; contém informação genética;
Buscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Algoritmos Genéticos em Ambientes Paralelos
Algoritmos Genéticos em Ambientes Paralelos Michele Alves de Freitas Batista Instituto Nacional de Pesquisas Espaciais michele.afreitas@gmail.com Lamartine Nogueira Frutuoso Guimarães Instituto Nacional
PEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Paradigmas da Engenharia de Software AULA PROF. ABRAHAO LOPES
Paradigmas da Engenharia de Software AULA 03-04 PROF. ABRAHAO LOPES Introdução O processo de software é visto por uma sequência de atividades que produzem uma variedade de documentos, resultando em um
O USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES
O USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES RESUMO Ediany Batista Silva Universidade Católica de Brasília Curso de Matemática Os algoritmos genéticos utilizam conceitos
Ricardo 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
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Utilizando 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
3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Otimização 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
6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
aula AJUSTE POR MÍNIMOS QUADRADOS
AJUSTE POR MÍNIMOS QUADRADOS META Conduzir o aluno a aplicar o método de ajuste por mínimos quadrados, efetuando uma regressão linear e oferecer ao aluno uma oportunidade de praticar a aplicação do método
Fundamentos de Teste de Software
Núcleo de Excelência em Testes de Sistemas Fundamentos de Teste de Software Módulo 2- Teste Estático e Teste Dinâmico Aula 5 Técnicas de Especificação SUMÁRIO INTRODUÇÃO... 3 TÉCNICAS PARA PROJETO DE CASOS
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Implementação 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
Linguagens de Programação
Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Computação e Automação Linguagens de Programação Professor Responsável: Luiz Affonso Henderson Guedes de Oliveira Prof.
Métodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Filipe Sacchi ICA: Applied Computational Intelligence Department of Electrical
Engenharia de Software
Engenharia de Software Marcelle Mussalli Cordeiro {mmussalli@gmail.com} Cordeiro Reflexão O que é software?? Cordeiro 2 O que é Software? Programa Dados de configuração Dados de documentação Tudo que esteja
Química Analítica V 2S Prof. Rafael Sousa. Notas de aula:
Química Analítica V 2S 2012 Aula 3: 04-12-12 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan 1 Conceito
Inteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Otimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
ESTUDO DO COMPORTAMENTO DE UM GÁS POR DINÂMICA MOLECULAR.
ESTUDO DO COMPORTAMENTO DE UM GÁS POR DINÂMICA MOLECULAR. João Paulo Smykaluk (ICV-UNICENTRO), Eduardo Vicentini (Orientador), e-mail: evicentini@unicentro.br. Universidade Estadual do Centro-Oeste, Setor
QUI 072 Química Analítica V Análise Instrumental. Aula 1 - Estatística
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 072 Química Analítica V Análise Instrumental Aula 1 - Estatística Prof. Dr. Julio C. J. Silva Juiz de For
2 Comunicação Óptica: Apresentação e Análise das Tecnologias mais Relevantes na Atualidade
2 Comunicação Óptica: Apresentação e Análise das Tecnologias mais Relevantes na Atualidade Neste capítulo, é realizada uma apresentação mais abrangente de diversas técnicas utilizadas para o aumento da
CAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
Computação Evolucionária: Conceitos Básicos de Otimização
Computação Evolucionária: Conceitos Básicos de Otimização Prof. Dr. Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br Otimização Min ou Max Sujeito a Otimização Função objetivo A qual se quer
CICLO DE VIDA DE SOFTWARE
WESLLEYMOURA@GMAIL.COM CICLO DE VIDA DE SOFTWARE ANÁLISE DE SISTEMAS Introdução ao ciclo de vida de software Qualificar um produto é muito bom para que tenhamos certeza de que há seriedade e preocupação
EVOLUÇÃO: IDÉIAS E EVIDÊNCIAS. Professor Fláudio
EVOLUÇÃO: IDÉIAS E EVIDÊNCIAS Professor Fláudio EVIDÊNCIAS DE EVOLUÇÃO EVOLUÇÃO conjunto de processos que levam a modificações nos seres vivos ao longo do tempo, podendo dar origem a novas espécies Entender
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução O crescimento do sistema de energia elétrica, o aumento do número de interligações e a sofisticação dos modelos para representação dos componentes de
Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
ESTIMAÇÃO 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
Ensaios de Bioequivalência Etapa Analítica
Ensaios de Bioequivalência Etapa Analítica método analítico validado Técnicas de quantificação de fármacos em amostras biológicas: cromatografia líquida de alta eficiência (CLAE, HPLC high performance
Arquitetura e Organização de Computadores
UNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO DEPARTAMENTO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIA DA COMPUTAÇÃO Arquitetura e Organização de Computadores Aritmética Computacional Prof. Sílvio Fernandes
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Cálculo Numérico Noções básicas sobre erros
Cálculo Numérico Noções básicas sobre erros Profa. Vanessa Rolnik 1º semestre 2015 Fases da resolução de problemas através de métodos numéricos Problema real Levantamento de Dados Construção do modelo
1 - A capacidade de fluxo que corresponde a capacidade máxima que pode passar pelo arco.
CONCEITOS DE REDE Uma rede é formada por um conjunto de nós, um conjunto de arcos e de parâmetros associados aos arcos. Nós Arcos Fluxo Interseções Rodovias Veículos Rodoviários Aeroportos Aerovia Aviões
Avaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
2 Contexto Biológico Genômica
15 2 Contexto Biológico Neste capítulo abordaremos o contexto biológico para o entendimento deste trabalho. Serão abordados os aspectos gerais da genômica, expostos os processos do sequenciamento genético
Introdução ao Algoritmo Genético
Introdução ao Algoritmo Genético Sadao Massago Agosto de 2013 1 Introdução O algoritmo genético é um método de otimização bio insperado, desenvolvida por John Henry Holland em 1975. Segundo a teoria evolucionária
Prof. MSc. David Roza José 1/28
1/28 Otimização Objetivos: Compreender porquê e onde surgem problemas de otimização na engenharia; Reconhecer a diferença entre otimização unidimensional e multidimensional; Distinguir entre ótimo local
UMA APLICAÇÃO INGÊNUA DO MÉTODO DE MONTE CARLO: VISUALIZAÇÃO DE ORBITAIS ATÔMICOS MÁRIO GOTO 1 VERÍSSIMO MANOEL DE AQUINO 1
UMA APLICAÇÃO INGÊNUA DO MÉTODO DE MONTE CARLO: VISUALIZAÇÃO DE ORBITAIS ATÔMICOS MÁRIO GOTO 1 VERÍSSIMO MANOEL DE AQUINO 1 GOTO, M.; AQUINO, V.M. de. Uma aplicação ingênua do método de Monte Cario: visualização
ALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO 1. INTRODUÇÃO
ALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO SILVA, Frederico Corrêa da 1 ; AGUIAR, Marilton Sanchotene de 1. 1 Programa de Pós-Graduação
Estrutura comum dos AEs
Estrutura comum dos AEs Os algoritmos estudados seguem o seguinte padrão para modelagem dos sistemas evolutivos: Uma população de tamanho constante m evolui sobre o tempo A população atual é utilizada
3. ALGORITMOS GENÉTICOS
1 3. ALGORITMOS GENÉTICOS PARTE 2 3.7 Aspectos de Implementação do Algoritmo 3.8 Seleção da Codificação 3.9 Operadores Genéticos Modificados 3.10 Outros operadores: elitismo, reinicialização e niching
Conceitos matemáticos:
Conceitos matemáticos: Para entender as possíveis mudanças quantitativas que ocorrem, ao nível de uma amostra de sementes, é preciso compreender alguns princípios básicos de cálculo. Tendo sido desenvolvido
Introdução ao Projeto de Máquinas Elementos de Máquinas 1. Prof. Alan Dantas
Introdução ao Projeto de Máquinas Elementos de Máquinas 1 Prof. Alan Dantas Ein Mann der konstruieren will, der schaue erst mal und denke Gustav Niemann Aspectos de projeto Analisar Resultados; Fatores
Construção de uma Ferramenta para Evoluir Estratégias e Estudar a Agressividade/Cooperação de uma População submetida ao Dilema dos Prisioneiros
Construção de uma Ferramenta para Evoluir Estratégias e Estudar a Agressividade/Cooperação de uma População submetida ao Dilema dos Prisioneiros generalizá-lo para várias outras situações, como em problemas
5 Modelo Kernel PCA Genético para Ajuste de Histórico
5 Modelo Kernel PCA Genético para Ajuste de Histórico Conforme descrito na seção 3.2.2.2.1, em um estudo anterior, Sarma, Durlofsky, et al. (2007) parametrizaram o campo de permeabilidade através do Kernel
Reconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Aula S03: Validação em Análises Ambientais
LABORATÓRIO DE QUÍMICA AMBIENTAL 2º período de 2013 Aula S03: Validação em Análises Ambientais Prof. Rafael Sousa Departamento de Química UFJF www.ufjf.br/baccan NA QUÍMICA (ANALÍTICA) AMBIENTAL... Sonda
Aula 3 Representação do Conhecimento
Aula 3 Representação do Conhecimento Sumário (Representação do Conhecimento) - Introdução - Tabelas - Modelos Lineares - Árvores - Regras - Baseada em Instância - Clusters (Aglomerado) - Prática: Árvore