4 Otimização Evolucionária da Distribuição e Parametrização
|
|
- Vinícius Amaro Wagner
- 6 Há anos
- Visualizações:
Transcrição
1 4 Otimização Evolucionária da Distribuição e Parametrização Neste capítulo são apresentadas as metodologias empregadas na construção de funções de base. Algumas considerações são feitas sobre o projeto de funções de base e são descritos em detalhes quais os procedimentos gerais para se empregar técnicas baseadas em Algoritmos Evolucionários para a construção dessas funções de base. Em cada seção é apresentada uma breve descrição teórica dos métodos utilizados e a forma de utilizar a computação evolucionária conjuntamente com tais métodos Projeto de funções de base Não existe um método definitivo para gerar funções de base. A construção de uma nova função de base é uma arte (LEACH, 2001). Na verdade, existem diversos métodos que resultaram em um grande número de funções de base diferentes. O desenvolvimento de uma função de base para cálculos moleculares é uma tarefa que demanda muito tempo de processamento. O grande número de parâmetros a serem otimizados e a natureza não linear desse problema de otimização induz os pesquisadores a usarem funções de base otimizadas para átomos em moléculas (GOMES, 2006). Com o objetivo de resolver o problema do custo computacional, métodos alternativos foram desenvolvidos, eliminando a necessidade de determinar todos os expoentes (GOMES, 2006), (SOMORJAI, 1968), (SOMORJAI, 1969) (BISHOP, 1970), (MOHALLEM, 1986). Cada orbital atômico é representado por uma combinação linear de gaussianas, mas a quantidade de termos requeridos para que a descrição seja exata é uma quantidade não finita. Para que seja possível realizar implementações computacionais é necessário utilizar um número finito de termos para descrever
2 Otimização Evolucionária da Distribuição e Parametrização 60 esses orbitais, e essa quantidade tem relação direta com a energia de correlação eletrônica dada pela Equação (2-13). Para construir uma função de base, especifica-se a quantidade de termos que irão compor a combinação linear. Para tanto, a notação utilizada é a seguinte: Xs Yp Zd onde, X, Y e Z são números naturais, enquanto s, p e d são os orbitais atômicos. Porém, como dito anteriomente, a especificação desses valores está diretamente relacionada com a energia de correlação eletrônica, que deve ser a mínima possível. Resumidamente, foram apresentados dois desafios para construir funções de base: obter boas parametrizações; alocar a quantidade correta de primitivas para representar os orbitais atômicos. No entanto, existe outra grande barreira, a definição do intervalo que contém boas soluções. Essa questão é difícil de ser resolvida. Para que fique clara a dificuldade de realizar tal tarefa, exemplos de três soluções aceitáveis para a configuração 21s 11p para o átomo de Ne são mostradas na Tabela 4-1. Nessa tabela é mostrado o conjunto de parâmetros que correspondem aos expoentes das primitivas gaussianas. Tabela 4-1 Exemplo de parametrizações de funções de base para o Ne. a) b) c) s p s p s p
3 Otimização Evolucionária da Distribuição e Parametrização Como pode ser observado, o menor intervalo que contém todas as soluções apresentadas é o intervalo [ ] e essas soluções provavelmente não são ótimos globais, mas são boas soluções. Ao mesmo tempo em que não há uma metodologia bem definida para especificar o espaço de busca no qual se encontram boas soluções, não é muito difícil observar que a ordem de grandeza do tamanho do espaço de busca é elevada, o que torna essa questão um pouco mais difícil de ser resolvida. Para ilustrar o tamanho do espaço de busca para o caso da parametrização de funções de base, suponha que a solução esteja contida no intervalo e que esse represente a solução para uma função de base que esteja configurada da seguinte forma Xs Yp Zd e que seja requisitada apenas uma precisão de w casas decimais. A dimensão do espaço de busca nesse caso é X+Y+Z, ou seja, a representação da solução é dada por um vetor de X+Y+Z dimensões. O número de pontos admitidos como soluções válidas, caso o espaço apenas contivesse soluções válidas, é dado pela Equação (4-1) e, para o caso em que a configuração da base é também variável, é dado pela Equação (4-2). =[ ] (4-1) = [ ] (4-2) onde, é o número de elementos contidos no espaço de busca; X é o valor máximo que pode ser assumido pelo expoente da base; X é o valor mínimo que pode ser assumido pelo expoente da base;, são os números de termos utilizados para a representação de cada orbital. Outro fato que contribui para que o problema se torne mais complexo é que o espaço de busca não é convexo, pois nem todos os pontos do espaço
4 Otimização Evolucionária da Distribuição e Parametrização 62 representam soluções válidas. Como o domínio não é convexo, a função custo também não pode ser convexa sobre o domínio Construção de funções de base por Algoritmos Evolucionários A otimização evolucionária é uma técnica que emprega algoritmos evolutivos para resolver problemas de alta complexidade, como por exemplo, localizar mínimos globais em funções não-convexas. Quando essa técnica é aplicada com a finalidade de realizar a construção de algo, tem-se a origem do projeto evolucionário. Algoritmos Evolucionários poderão ser utilizados sempre que houver uma forma de mensurar a qualidade de uma solução proposta. Sendo assim, o mesmo algoritmo pode ser utilizado sem que seja necessária a formulação de novos procedimentos de otimização, e é possível reutilizar o otimizador para resolver problemas diferentes, sendo apenas necessárias as devidas mudanças na função objetivo. Construir funções de base nada mais é do que resolver um problema de otimização cuja função objetivo é o cálculo da energia associada à função de onda descrita pela combinação linear das primitivas gaussianas. A aplicação de Algoritmos Evolucionários para resolver problemas de otimização cujo domínio seja real é simples, uma vez que o algoritmo em questão possui representação direta no domínio do problema. Mais especificamente, cada dimensão do espaço de busca é associada a um gene de um indivíduo da população do algoritmo evolutivo. Para o caso de funções de base, pode ser dito que ocorreu uma parametrização direta. A grande questão no caso das funções de base é que o espaço de busca grande demais e a aplicação direta do algoritmo evolucionário pode não ser bem sucedida. Para contornar esse problema, é possível recorrer a artifícios que podem ser considerados formas indiretas de realizar parametrizações. Esses artifícios são empregados para codificar e decodificar soluções apresentadas pelo algoritmo evolutivo. Portanto, é possível afirmar que o sucesso da aplicação de um algoritmo evolutivo está relacionado com a forma que os cromossomos
5 Otimização Evolucionária da Distribuição e Parametrização 63 representam as soluções. Normalmente, a busca é feita pelo logaritmo natural do parâmetro, e não pelo parâmetro. Para que sejam obtidos os expoentes das gaussianas utilizadas como funções de base, é uma prática comum, desde a década de 1970, a utilização de séries como, por exemplo, Well Tempered e Even-Tempered, e outras funções paramétricas para gerar conjuntos de coeficientes. No entanto, não é intuitiva a escolha da família de funções mais adequadas para gerar os expoentes das primitivas gaussianas. O grande incentivo para que sejam utilizadas funções paramétricas na construção de funções de base é a redução significativa do número de parâmetros a serem otimizados, o que diminui, por exemplo, a complexidade do espaço de busca e o esforço computacional exigido pelo algoritmo de otimização. No entanto, esse artifício também pode gerar resultados imprecisos ou procedimentos ineficazes. A primeira questão a ser respondida, quando é utilizada a Computação Evolucionária, está é a escolha do paradigma a ser utilizado, ou seja, é de fundamental importância a escolha do tipo de Algoritmo Evolutivo a ser utilizado. Como já mencionado, AGs clássicos podem apresentar certas desvantagens em relação aos Algoritmos Genéticos com Inspiração Quântica. As abordagens discutidas para se realizar a construção de funções de base neste trabalho são: o método da coordenada geradora; a neuro-evolução; o Caos Polinomial; as expansões polinomiais de quarto e quinto grau; a otimização completa do conjunto de base; e a aplicação de algoritmos co-evolucionários. Os detalhes de cada uma das abordagens serão discutidos nas próximas seções. A construção de funções por Algoritmos Evolucionários (AEs), independentemente se utilizar de funções paramétricas, é ilustrada pelo fluxograma apresentado na Figura 4-1. O projeto de funções de bases pelas metodologias propostas é iniciado com a parametrização do AE, AGs convencionais ou com inspiração quântica, seguida da configuração do simulador. A evolução do algoritmo consiste da geração dos indivíduos de acordo com as configurações especificadas e posterior decodificação desses indivíduos segundo critérios previamente especificados. Uma vez que o indivíduo é decodificado, é feita a simulação da função de base representada pelo mesmo, e por último é feita
6 Otimização Evolucionária da Distribuição e Parametrização 64 a atribuição da sua aptidão, ou seja, é associada ao indivíduo a energia referente à simulação da base. Figura 4-1 Fluxograma da construção de funções de base por Algoritmos Evolucionários. A utilização de computação evolucionária possibilita mais do que a otimização de parâmetros. Pois, o algoritmo otimizador pode resolver com facilidade problemas cujo domínio seja um espaço inteiro e um contínuo ao mesmo tempo. Dessa forma, é possível especificar o número de funções Gaussianas que irão ser combinadas para representar cada orbital atômico. Essa característica também torna possível a redução de funções de base. Para resolver
7 Otimização Evolucionária da Distribuição e Parametrização 65 esse problema, classificado como problema de programação mista 2, são aplicados algoritmos co-evolucionários, pois além de especificar o número de termos da combinação linear, também conseguem boas parametrizações para os coeficientes dos termos utilizados para representar cada orbital Otimização simultânea de todos os coeficientes Nesse tipo de abordagem é proposta uma forma de otimizar cada um dos expoentes. Assim, a quantidade de parâmetros a serem otimizados é o número de termos presentes na função de base. Para um orbital com N expoentes, a representação do cromossomo será definida da seguinte forma: =[ ] (4-3) onde é o expoente inicial, com valor no intervalo de 0 a 1 e o fator de multiplicação para o novo expoente, no intervalo. Logo, o valor do i- ésimo expoente é dado pela Equação (4-4). = (4-4) Redes Neurais e Neuro-evolução aplicados à síntese de funções de base Nos últimos anos, foram realizados grandes avanços na identificação de processos e sistemas não-lineares com a utilização de modelos provenientes da inteligência computacional. Nessa área destacam-se os modelos obtidos a partir de regras (Lógica Difusa) e, principalmente, os que utilizam funções de ativação (Redes Neurais). Na visão da inteligência computacional, uma rede neural é composta de camadas de unidades processadoras interconectadas através de pesos e conhecidas por neurônios. Um sinal ao passar por um neurônio sofre uma transformação, em geral não-linear, aplicada por uma função de ativação. As Redes Neurais mais utilizadas são as do tipo feedforward. Esse tipo de rede normalmente pode ser representada como mostra a Figura Denomina-se programação mista, um problema de otimização cuja função custo possui variáveis contínuas e discretas.
8 Otimização Evolucionária da Distribuição e Parametrização 66 Figura 4-2 Rede neural tipo feed foward. Tal arquitetura caracteriza-se por um processamento de informações dividido em camadas. Conforme demonstrado (CYBENKO, 1990), é possível aproximar qualquer função contínua com redes compostas de duas camadas: uma intermediária e uma de saída. Nesse caso, as redes feedforward que possuem uma saída e uma camada intermediária, podem ser descritas como: (4-5) Onde: N, M: são os números de neurônios da camada intermediária e de variáveis de entrada, respectivamente; z: valor de saída; w i e α i,j : pesos da camada de saída e entrada, respectivamente (i=1,...n) (j=1,...m). b i e b: bias da camada intermediária (i=1,...n) e da camada de saída; g: mapeamento não-linear. Alguns dos mais utilizados são a função sigmóide e a tangente hiperbólica; X= [x 1, x 2... x M ] T : vetor de variáveis de entrada; Dessa forma, cabe a utilização de funções da forma sugerida pela equação (4-5), pois segundo (CYBENKO, 1990) e (HAYKIN, 2001), esta forma funcional tem capacidade de aproximar um conjunto bastante grande de funções diferenciáveis e contínuas. A utilização de Redes Neurais para sintetizar funções de base difere das formas mais comuns de suas aplicações em outros contextos, pois é realizado um procedimento, ao qual se poderia chamar de Neuro-Evolução fracamente supervisionada. Baseados em Algoritmos Evolucionários, são feitos ajustes dos
9 Otimização Evolucionária da Distribuição e Parametrização 67 pesos, isto é, dos parâmetros da rede neural, para que seja efetuada a minimização do sistema em questão. Essa abordagem neuro genética pode ser entendida e utilizada para outros problemas de otimização. É possível utilizar Redes Neurais como séries 3, uma vez que uma rede neural é um aproximador universal de funções. Para tanto, basta que a função descrita pela rede neural esteja distante de um limiar ε da função que gera o vetor de coeficientes ótimos para as funções de base. Dessa forma, é possível aproximar a função que rege a dinâmica da série responsável por gerar o conjunto de parâmetros ótimos para as funções gaussianas utilizadas como funções de base. Abaixo é enunciado o conceito de aproximador. Seja :R R uma função, seja R e R. É dito que é um aproximador de em x se <. Para que seja possível utilizar uma rede neural como uma série que gera coeficientes para funções de base, são localizados n pontos na imagem da função representada pela rede neural e são adotados como conjunto solução. Esse processo é considerado como decodificação do cromossomo no algoritmo neuroevolutivo. Outro aspecto importante é que os valores de entrada apresentados a rede neural sempre estão contidos no intervalo [-1 1]. Isso é feito através da normalização dos valores possíveis da entrada da rede. A busca realizada pelo algoritmo evolutivo é em um conjunto de funções. Para que seja possível realizar essa busca, são realizados três passos: a) faz-se a transformação de um indivíduo da população do algoritmo evolutivo em uma rede neural; b) são apresentados valores entre o intervalo contidos no intervalo [-1 1] a rede neural, e c) são registrados os valores da saída rede neural em um vetor que será a solução avaliada pelo simulador. A Figura 4-3 mostra como ocorre o processo de decodificação do cromossomo pelo algoritmo evolutivo. 3 Uma série pode ser modelada como uma função, que está definida num domínio que é um conjunto bem ordenado e o contradomínio é o conjunto dos reais ou complexos.
10 Otimização Evolucionária da Distribuição e Parametrização 68 Figura 4-3 Decodificação do cromossomo utilizado na neuro-evolução. O resultado do procedimento adotado é uma variação de séries geradoras de coeficientes em função de valores numéricos dados pelo cromossomo apresentado pelo algoritmo evolutivo. Na Figura 4-4 são mostradas duas curvas que representam conjuntos dos logaritmos de 12 e 18 valores utilizados como coeficientes de funções de base e outra que simboliza 20 valores numéricos arbitrários. Mostra-se nessa figura uma correspondência entre a variação da família a qual pertence a função e os coeficientes das primitivas. Essa variação ocorre por que são consideradas as imagens das funções, que se alteram para um domínio fixo, uma vez que a função é o objeto de variação.
11 Otimização Evolucionária da Distribuição e Parametrização 69 Sax= -0,501x 4 + 1,163x 3 + 2,018x 2 + 7,281x + 5,357 R² = 0, Pax= 0,143x 4 + 0,600x 3 + 0,423x 2 + 3,920x + 1,967 R² = ,5-1 -0, , ,5 Ln dos coeficientes das primitivas gaussianas que representam o orbial s Ln dos coeficientes das primitivas gaussianas que representam o orbial p Figura 4-4 Curvas que representam séries utilizadas para gerar coeficientes. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x Expansões em Caos Polinomial aplicados à síntese de funções de base A expansão em caos polinomial é uma técnica de expansão de funções em termos de polinômios ortogonais, provenientes da resolução da equação de Sturm Liouville (DUNHAM, 2004), (REFAAT, 2006), (THEODORE, 1978). Como já dito anteriormente são propostas na literatura diversas séries para gerar conjuntos de coeficientes. No entanto, a fórmula que rege a dinâmica do comportamento da série que gera o conjunto de parâmetros ótimos não é conhecida. Em outras palavras, pode-se dizer que uma série de valores numéricos é uma função que pode ser aproximada por diversas técnicas. Dessa forma, propõe-se a expansão em caos polinomial da série em conjunto com a utilização de Algoritmos Evolutivos. O papel dos Algoritmos Evolutivos nesse caso é achar a expansão que mais se aproxima da série que gera os coeficientes para as funções gaussianas.
12 Otimização Evolucionária da Distribuição e Parametrização 70 Segundo (BUTKOV, 1978), é possível desenvolver uma função bem comportada 4 f(x) em uma série de funções características, normalmente tomadas como ortogonais. Exemplo de expansões são as séries de Fourrier, de Fourrier- Legendre e de Fourrier-Bessel dentre outras. Dessa forma, uma função arbitrária bem comportada f(x) pode ser representada pela Equação 4-6. = (4-6) coeficientes da expansão base no espaço das funções Como a função que gera o logaritmo natural dos coeficientes das funções de base, pode ser expandida em uma série de polinômios, podemos utilizar o conjunto de polinômios de Hermite, Legendre, ChebShev, Laguerre como base para a expansão a ser realizada. Assim, a série de logaritmos naturais dos coeficientes primitivas pode ser modelada pela equação (4-7). = (4-7) Onde, é o coeficiente da j-ésima gaussiana; é o número de primitivas; é o coeficiente da combinação linear; é o polinômio escolhido de k-ésima ordem. Para que seja empregada essa técnica, é necessário supor que a função que gera os coeficientes das funções de base é uma função bem comportada. O termo bem comportada, nesse contexto, especifica que a função seja quadrado integrável e continuamente diferenciável em todos os pontos. 4 Defini-se nesse contexto, uma função bem comportada como uma função que seja contínua e seu quadrado seja integrável.
13 Otimização Evolucionária da Distribuição e Parametrização 71 A decodificação do cromossomo nesse caso segue duas etapas e é feita da seguinte forma: associa-se cada gene do indivíduo a um coeficiente da combinação linear dos polinômios, e é calculado o valor da função resultante para cada elemento do conjunto contido no intervalo [-1 1], o conjunto de valores obtidos é adotado como solução e é simulado. A Figura 4-5 demonstra a realização do processo. Figura 4-5 Decodificação do cromossomo utilizado na expansão em caos polinomial Expansões polinomiais aplicadas à síntese de funções de base A aplicação de expansões polinomiais já é uma técnica difundida desde 1993 quando proposta por (KLUBOWKI, 1993). Essa técnica emprega polinômios de grau n para gerar os coeficientes das funções de base. O diferencial deste trabalho é a aplicação de algoritmos evolutivos para efetuar a parametrização dos polinômios em função do cálculo da energia fornecida pelas funções de base construídas. Assim, o melhor polinômio obtido será o que fornecer o conjunto de coeficientes que proporcionar a menor energia para uma dada função de base. O processo de decodificação pelo algoritmo evolutivo é descrito da Figura 4-6. Novamente a decodificação é feita em duas etapas. A transformação do cromossomo em um polinômio de grau n; aqui, são apresentados aos polinômios números contidos no intervalo [-1 1], o resultado desse cálculo é posto em um vetor que é avaliado pela função objetivo. Figura 4-6 Decodificação do cromossomo utilizado em expansões polinomiais.
14 Otimização Evolucionária da Distribuição e Parametrização Síntese de funções de base por algoritmos co-evolucionários com inspiração quântica Alguns problemas de programação não-linear apresentam características adicionais, tais como, dependência entre as variáveis, e isso pode tornar o problema em questão mais complicado de ser resolvido. Existem duas razões principais pelas quais Algoritmos Evolucionários convencionais não são totalmente adequados para resolver este tipo de problema. Em primeiro lugar, os AGs convencionais impedem, em longo prazo, a preservação de certos componentes da solução, pois, por estarem codificados por completo em um indivíduo, eles são avaliados como um todo e apenas os subcomponentes que pertencem a indivíduos com avaliações altas serão preservados. Em segundo lugar, o fato da representação estar relacionada a uma solução completa e por não haver interações entre os membros da população, não existe pressão evolucionária para a ocorrência de co-adaptação, ou seja, não existe pressão para a adaptação de um subcomponente dada à ocorrência de uma mudança em outro subcomponente (CRUZ et al, 2006). No modelo co-evolucionário, duas ou mais espécies formam um ecossistema. Como na natureza, as espécies são geneticamente isoladas, isto é, cada indivíduo pode somente se reproduzir juntamente com outro indivíduo da mesma espécie. Isto é obtido simplesmente isolando cada espécie em uma população separada. As diferentes espécies somente interagem umas com as outras através de um domínio compartilhado e possuem uma relação de cooperação. Nesse trabalho é empregado o conceito de co-evolução cooperativa, inspirada na definição de simbiose 5. Na co-evolução cooperativa, duas ou mais espécies interagem e colaboram para a evolução uma da outra através de um modelo domínio 6. Nesse modelo, para que as soluções possam ser devidamente avaliadas, essas são montadas a partir da participação de todas as espécies 5 Simbiose é uma relação mutuamente vantajosa entre dois ou mais organismos vivos de espécies diferentes. 6 Um modelo domínio é um mecanismo que constrói uma solução a partir da junção de vários cromossomos, segundo um conjunto de regras pré-estabelecidas.
15 Otimização Evolucionária da Distribuição e Parametrização 73 envolvidas. A montagem da solução é feita concatenando os cromossomos de cada espécie, como é mostrado na Figura 4-7. Figura 4-7 Colaboração de vários indivíduos compondo um cromossomo. Apesar de serem mostradas apenas três espécies neste modelo, o mesmo pode ser usado para n espécies diferentes. Cada espécie evolui em sua própria população e se adapta ao ambiente através de repetidas aplicações do algoritmo evolucionário. Mas, o modelo proposto utiliza esquema de evolução proposto em (CRUZ et al, 2005) para cada espécie, conforme discutido detalhadamente no capítulo 3. A interação entre as espécies no modelo cooperativo é feita seguindo a seguinte sequência de passos: 1) Seleciona-se o melhor indivíduo da população i; 2) Formam-se conjuntos de indivíduos concatenando todos os indivíduos, colaboradores, das demais populações como ilustrado pela Figura 4-8; 3) Posteriormente, o indivíduo selecionado no passo um é concatenado com todos os indivíduos formados no passo dois; 4) As soluções são avaliadas e as aptidões são atribuídas aos indivíduos construídos no passo dois; 5) O processo é iterado e executado até todos os indivíduos terem sido avaliados. O modelo co-evolucionário cooperativo genérico com inspiração quântica é ilustrado na Figura 4-8.
16 Otimização Evolucionária da Distribuição e Parametrização 74 Figura 4-8 Esquema de co-evolução empregando três espécies. A dinâmica de um processo co-evolutivo conduz a pontos com características especiais. Em (BUCCI, 2007) é mostrado que esses pontos podem ser caracterizados como equilíbrios de Nash. A construção completa de uma função de base é feita realizando-se duas tarefas: a parametrização das primitivas gaussianas e as suas alocações entre os diversos orbitais. Como essas duas tarefas são diretamente relacionadas, cabe a utilização de algoritmos co-evolucionários Otimização multiobjetivos aplicada à construção de funções de base Uma ferramenta completa para construir funções de base seria concebida se acaso existisse uma ferramenta capaz de realizar parametrizações, distribuir as primitivas gaussianas da melhor forma possível e minimizasse a quantidade de termos a ser utilizada. A minimização da quantidade de termos é uma tarefa difícil de ser realizada, pois teoricamente quanto mais funções de base melhor será a descrição do orbital atômico em questão. Então, tem-se a seguinte questão: qual é a
17 Otimização Evolucionária da Distribuição e Parametrização 75 quantidade de termos necessários para representar um orbital atômico? Resposta, infinitos. Porém, como já mencionado não se pode representar uma quantidade infinita computacionalmente. Mas, cabe aqui uma reformulação do questionamento para que essa questão seja um problema com resposta computacionalmente viável. Transforma-se então, a pergunta anterior nessa outra: qual é a quantidade de termos necessários para representar um orbital atômico de um sistema com energia de correlação eletrônica diferente de zero? Resposta, uma quantidade finita, mas indeterminada. Essa quantidade, apesar de finita, apenas pode ser encontrada após ser estabelecida uma meta. Dessa forma, é possível formular a questão de como projetar funções de base como um problema de otimização multicritério ou multiobjetivo, onde a variável a ser minimizada é a distância entre a energia de correlação eletrônica e a precisão estabelecida. Nesse contexto, podem ser aplicados os conceitos apresentados na seção Uma questão que pode ser discutida é a respeito dos métodos que podem ser utilizados. Aqui são discutidos apenas os métodos de distância ao alvo, mas podem ser aplicados outros métodos ou outras formas de realizar a agregação dos objetivos. Para que seja possível a otimização multiobjetivo é sugerido que todos os critérios tenham pelo menos a mesma ordem de grandeza. Apesar de não ser uma condição necessária, isso pode dificultar a resolução do problema. É dada pela equação (4-8) um forma de se avaliar uma solução por critérios muiltiobjetivo. Ainda pode ser usar a equação (4-9), ou qualquer uma que tenha condições de mensurar a distância a um objetivo com a mesma finalidade. = + + (4-8) = (4-9) é o fator de agregação dos objetivos; é a energia de correlação eletrônica exigida; é a energia de correlação eletrônica sugerida pelo AEIQ; é o número de termos exigidos para representar orbital s; é o número de termos exigidos para representar orbital p; é o número de termos sugeridos pelo AEIQ para representar orbital s;
18 Otimização Evolucionária da Distribuição e Parametrização 76 é o número de termos sugeridos pelo AEIQ para representar orbital p;,pp é um número percentual de um máximo estabelecido de número de termos para representar os orbitais s e p.
5 Estudo de Casos e Discussão
5 Estudo de Casos e Discussão Todas as funções de base nos casos apresentados a seguir foram construídas com o auxílio de técnicas evolucionárias. A função objetivo a ser minimizada é a energia correspondente
6 Otimização de Funções de Base
6 Otimização de Funções de Base 6.1 Introdução Historicamente, os cálculos quânticos para moléculas são realizados como uma combinação linear de orbitais atômicos(lcao- do inglês Linear Combination of
8 Conclusões e Trabalhos Futuros
8 Conclusões e Trabalhos Futuros Este trabalho propôs investigar o apoio das técnicas de Inteligência Computacional no desenvolvimento da Nanociência e Nanotecnologia. Tal apoio é aqui denominado de Nanotecnologia
Otimização da Distribuição em Orbitais e Parametrização de Primitivas Gaussianas para o Modelo de Hartree-Fock por Algoritmos Evolucionários
Iury Steiner de Oliveira Bezerra Otimização da Distribuição em Orbitais e Parametrização de Primitivas Gaussianas para o Modelo de Hartree-Fock por Algoritmos Evolucionários Dissertação de Mestrado Dissertação
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
3 Otimização Aplicada a Reconstituição de Acidentes
27 3 Otimização Aplicada a Reconstituição de Acidentes 3.1. Otimização A otimização é uma metodologia empregada para minimizar ou maximizar uma função e geralmente são utilizados em problemas onde existam
4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Inteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
PUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Algoritmos 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
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
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
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
1 Introdução 1.1 Motivação
13 1 Introdução 1.1 Motivação O planejamento de tarefas é um trabalho de resultados economicamente importantes mas de uma dificuldade computacional muito grande. Os problemas de planejamento podem ser
Redes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
PROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Aprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
5.1 Modelo de Previsão da Volatilidade por Redes Neurais Artificiais
5 Modelo Proposto 5.1 Modelo de Previsão da Volatilidade por Redes Neurais Artificiais Na literatura são propostos vários modelos para previsão da volatilidade entre paramétricos e não paramétricos, considerando
3 Decisões de Localização de Instalações
3 Decisões de Localização de Instalações Historicamente, o estudo contemporâneo dos problemas de localização foi iniciado por Alfred Weber, que estudou a localização de uma fábrica com o objetivo de minimizar
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Aula 25 - Espaços Vetoriais
Espaço Vetorial: Aula 25 - Espaços Vetoriais Seja V um conjunto não vazio de objetos com duas operações definidas: 1. Uma adição que associa a cada par de objetos u, v em V um único objeto u + v, denominado
Funções ortogonais e problemas de Sturm-Liouville. Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE
Funções ortogonais e problemas de Sturm-Liouville Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE Série de Fourier Soma de funções ortogonais entre si Perguntas: -existem outras bases ortogonais que podem
6 MÉTODO DE ELEMENTOS FINITOS - MEF
6 MÉTODO DE ELEMENTOS FINITOS - MEF O Método de Elementos Finitos é uma técnica de discretização de um problema descrito na Formulação Fraca, na qual o domínio é aproximado por um conjunto de subdomínios
3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
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
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
Estratégias 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
Tópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Algoritmos 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
Inteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Modelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Algoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
3 Construções de funções de base no modelo de Hartree-Fock
3 Construções de funções de base no modelo de Hartree-Fock 3.1. Especificação e otimização de funções de base Na construção de uma função de base os expoentes das primitivas gaussianas são variados até
HP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Cálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Interpolaça o Polinomial
Interpolaça o Polinomial Objetivo A interpolação polinomial tem por objetivo aproximar funções (tabeladas ou dadas por equações) por polinômios de grau até n. Isso tem como intuito facilitar o cálculo
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
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.
Figura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
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
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
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
Computação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Métodos Numéricos - Notas de Aula
Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 Zeros de equações transcendentes e Tipos de Métodos polinomiais São dois os tipos de métodos para se achar a(s) raízes de uma equação:
Redes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
x exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA
Programação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
1 Introdução 1.1 Motivação
13 1 Introdução 1.1 Motivação A preocupação e os esforços empregados para melhorar as práticas de desenvolvimento de software buscando o aumento da produtividade e da qualidade, bem como a redução de custos
A = B, isto é, todo elemento de A é também um elemento de B e todo elemento de B é também um elemento de A, ou usando o item anterior, A B e B A.
Capítulo 1 Números Reais 1.1 Conjuntos Numéricos Um conjunto é uma coleção de elementos. A relação básica entre um objeto e o conjunto é a relação de pertinência: quando um objeto x é um dos elementos
4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Marina Andretta. 02 de agosto de 2010
Introdução Marina Andretta ICMC-USP 02 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 02 de agosto de 2010 1 / 19 Otimização Otimizar significa encontrar a melhor maneira
C o m p u t a ç ã o M ó v e l. André Siqueira Ruela
C o m p u t a ç ã o M ó v e l André Siqueira Ruela Sumário Revisão sobre AGs. Codificação de uma Rede Neural. AG em treinamento supervisionado. AG em treinamento não supervisionado. Revisão: Algoritmos
Aprendizagem por treinamento de redes de aproximação Marco Henrique Terra
Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.
Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Seminário de Robótica Bruno de Abreu Silva
Seminário de Robótica Bruno de Abreu Silva 1 Introdução Conceitos gerais Métodos de planejamento de rotas 2 Dadas as configurações inicial e final de um robô, descobrir uma sequência de movimentos a ser
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Figura 4.1: Módulos que compõe o sistema de otimização do OCTOPUS
4 Modelo de Solução O plano de drenagem de um determinado campo de petróleo é construído a partir de algumas informações prévias, como por exemplo, a composição geológica do campo. A partir dessa informação
6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Engenharia Software. Ení Berbert Camilo Contaiffer
Engenharia Software Ení Berbert Camilo Contaiffer Características do Software Software não é um elemento físico, é um elemento lógico; Software é desenvolvido ou projetado por engenharia, não manufaturado
Operadores e Função de Onda para Muitos Elétrons. Introdução à Física Atômica e Molecular UEG Prof. Renato Medeiros
Operadores e Função de Onda para Muitos Elétrons Introdução à Física Atômica e Molecular UEG Prof. Renato Medeiros Aproximação de Hartree-Fock A maior preocupação da química quântica é encontrar e descrever
Cálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de
4 C odigos de Huffman 4.1 Arvores de c odigo folhas os internos n ıvel altura Arvore bin aria arvore bin aria ordenada
4 Códigos de Huffman 4.1 Árvores de código Numa árvore qualquer, os nós que não têm filhos são chamados de folhas e os demais nós são chamados de nós internos. Se um nó de uma árvore é filho de outro,
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
3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
Curvas HERMITE. Figura 1 - Efeito oscilatório dos polinômios: [PAVLIDIS, 1984]
Curvas A representação de uma curva como uma sucessão de trecho retos pode ser suficiente para várias aplicações. No entanto, curvas e superfícies complexas normalmente demandam uma maneira mais eficiente
CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
Cálculo Numérico BCC760 Raízes de equações algébricas e transcendentes
Cálculo Numérico BCC760 Raízes de equações algébricas e transcendentes Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ Introdução Dada uma função y = f(x), o objetivo deste
MAT Resumo Teórico e Lista de
MAT 0132 - Resumo Teórico e Lista de Exercícios April 10, 2005 1 Vetores Geométricos Livres 1.1 Construção dos Vetores 1.2 Adição de Vetores 1.3 Multiplicação de um Vetor por um Número Real 2 Espaços Vetoriais
Cálculo diferencial de Funções de mais de uma variável
MATERIAL DIDÁTICO Professora Sílvia Victer CÁLCULO 2 Cálculo diferencial de Funções de mais de uma variável 1. Funções de mais de uma variável 2. Limites de funções de mais de uma variável 3. Continuidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade
1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de
Prof. MSc. David Roza José 1/26
1/26 Mínimos Quadrados Geral e Regressão Não Linear Objetivos: Implementar a regressão polinomial; Implementar regressão múltipla linear; Entender a formulação do modelo linear geral de mínimos quadrados;
Redes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Aula 6. Zeros reais de funções Parte 3
CÁLCULO NUMÉRICO Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/48 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO: Uma das condições de convergência é que onde I é um intervalo
Modelagem Computacional. Parte 2 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 2 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 2 e 3] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Modelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 04 Representações e Programação Genética Max Pereira Representações A representação cromossômica é completamente arbitrária.
Cálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
3 Metodologia para Avaliação Probabilística de Reservas
3 Metodologia para Avaliação Probabilística de Reservas Este trabalho tem o objetivo de propor uma metodologia para a avaliação probabilística de reservas de óleo e gás. Conforme exposto no capítulo introdutório,
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
CURSO ALCANCE UFPR Matemática 13/08/2016 Página 1 de 6
CURSO ALCANCE UFPR Matemática 13/08/2016 Página 1 de 6 Introdução à funções Uma função é determinada por dois conjuntos e uma regra de associação entre os elementos destes conjuntos. Os conjuntos são chamados
1 O esquema de Alamouti: Diversidade na transmissão
1 O esquema de Alamouti: Diversidade na transmissão 1.1 O Caso de uma antena receptora A Figura?? mostra a representação em banda básica do esquema de Alamouti com diversidade na transmissão. O esquema
2 Núcleos: suas propriedades e classificações
2 Núcleos: suas propriedades e classificações O objetivo desse capítulo é o de apresentar as funções núcleos (7), suas propriedades (10) e suas classificações (3). 2.1 Núcleos no espaço de Hilbert Um espaço
ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS
1/18 ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS Algoritmos 2/18 Algoritmos Algoritmo - sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador)
Otimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
1_1 1_2 2_1 1_ _ _ Fonte: Autor
75 7. Resultados Os resultados aqui apresentados utilizam o modelo proposto na Seção 6.2, resolvido através do software de otimização AIMMS para os problemas com Datas prometidas. Já para o problema sem
3.6 Erro de truncamento da interp. polinomial.
3 Interpolação 31 Polinômios interpoladores 32 Polinômios de Lagrange 33 Polinômios de Newton 34 Polinômios de Gregory-Newton 35 Escolha dos pontos para interpolação 36 Erro de truncamento da interp polinomial
Realimentação de Relevância
Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Ciclo de realimentação onde uma consulta q recebida do usuário é transformada em uma consulta modificada
Matemática Aplicada à Economia LES 201. Aulas 3 e 4
Matemática Aplicada à Economia LES 201 Aulas 3 e 4 Análise de Equilíbrio Sistemas Lineares e Álgebra Matricial Luiz Fernando Satolo Análise de Equilíbrio em Economia (Chiang, cap 3) O significado do equilíbrio:
SOLUÇÃO ANALÍTICA E NUMÉRICA DA EQUAÇÃO DE LAPLACE
15 16 SOLUÇÃO ANALÍTICA E NUMÉRICA DA EQUAÇÃO DE LAPLACE 3. Todos os dispositivos elétricos funcionam baseados na ação de campos elétricos, produzidos por cargas elétricas, e campos magnéticos, produzidos
5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos