Marcone Jamilson Freitas Souza
|
|
|
- Mirella Araújo de Almada
- 7 Há anos
- Visualizações:
Transcrição
1 Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto
2 Otimização l l Área da Pesquisa Operacional que utiliza o método científico para apoiar a tomada de decisões, procurando determinar como melhor projetar e operar um sistema, usualmente sob condições que requerem a alocação de recursos escassos. Aplicações: l Escala de pessoal l Roteirização l Programação de jogos de competições esportivas l Sequenciamento da produção
3 Problema de Roteamento de Veículos (Vehicle Routing Problem) 3 (13) (10) (12) (10) [50] (9) 4 (4) 5 (10) 7 6 (10) 10 (10) 9 (7) 8 (10) (10) (3) 15 (10) 13 (5)
4 Problema de Roteamento de Veículos (Vehicle Routing Problem) 3 (13) (10) (12) (10) [50] (9) 4 (4) 5 (10) 7 (10) 10 8 (10) 9 6 (10) (7) (10) (3) 15 (10) 13 (5) Dentre todas as possíveis roteirizações, determine aquela que minimiza a distância total percorrida
5 Escala de tripulações (Crew Scheduling)
6 Escala de tripulações (Crew Scheduling) 1 2 3
7 Escala de tripulações (Crew Scheduling) 1 2 3
8 Escala de tripulações (Crew Scheduling) 1 2 3
9 Escala de tripulações (Crew Scheduling) 1 2 3
10 Escala de tripulações (Crew Scheduling) 1 2 3
11 Escala de tripulações (Crew Scheduling) Redução de um tripulante!
12 Programação de jogos de competições esportivas (Sports timetabling) INTRODUÇÃO ü Montar uma tabela de jogos entre os times participantes de uma competição esportiva ü Satisfazer as restrições da competição ü Minimizar os custos relativos ao deslocamento dos times
13 Programação de jogos de competições esportivas (Sports timetabling) INTRODUÇÃO Km Vitória Km Vitória (1) Atlético (2) Km Santos 1712Km Km Grêmio 1712Km 3 3 Grêmio Atlético 586Km Santos 1712Km 2 Vitória x Atlético Grêmio x Atlético Atlético x Santos Atlético x Vitória Grêmio x Atlético Atlético x Santos Distância total percorrida: 6760 Km Distância total percorrida: 5382 Km Economia = 1378 Km
14 Programação de jogos de competições esportivas (Sports timetabling) JUSTIFICATIVA DO TRABALHO Gastos com deslocamento Influência no desempenho dos times Enquadra-se na classe de problemas combinatórios (NP-difíceis) Número de tabelas possíveis para uma competição envolvendo n times confrontando-se entre si em turnos completos (Concílio & Zuben (2002)): ( n 1)!( n 3)!( n 5)!...( n ( n 1))! 2 n ( n 1) 2 Competição com 20 participantes: 2,9062x tabelas possíveis (aprox anos para analisar todas as tabelas em um computador que analisa uma tabela em 10-8 segundos)
15 Programação de jogos de competições esportivas (Sports timetabling) PROBLEMA ABORDADO: CAMPEONATO BRASILEIRO DE FUTEBOL 1ª Divisão do Campeonato Brasileiro de Futebol 2004, 2005 e ª Divisão do Campeonato Brasileiro de Futebol 2006 Restrições do problema: 1. Competição realizada em dois turnos completos e espelhados: Dois times jogam entre si duas vezes, uma no turno e a outra no returno, alternando-se o mando de campo entre os mesmos 2. Um time não pode jogar mais que duas vezes consecutivas dentro ou fora de casa 3. A diferença entre os jogos feitos em cada turno em casa e fora de casa de um time não pode ser maior que uma unidade 4. Nas duas primeiras rodadas de cada turno, cada time alternará seus jogos, sendo um em casa e o outro na casa do adversário. Por ex.: 1ª fora, 2ª em casa 5. As duas últimas rodadas de cada turno devem ter a configuração inversa das duas primeiras rodadas de cada turno com relação ao mando de campo. Ex.: Penúltima em casa, Última fora 6. Não pode haver jogos entre times do mesmo estado na última rodada
16 Programação de jogos de competições esportivas (Sports timetabling) RESULTADOS COMPUTACIONAIS Instâncias CBF Biajoli et al. (2004) ILS-MRD DIST DIF DIST DIF DIST DIF %MDIST %MDIF bssp ,61 40,89 bssp ,90 33,73 bssp2006-a ,48 25,88 bssp2006-b ,13 61,19 Economia possível: ü Considerando o custo do quilômetro aéreo a R$0,70 ü Delegação de 20 pessoas ü Campeonatos 2004 e 2005, Série A: Aprox. R$ 2 milhões ü Campeonato 2006, Série A: Aprox. R$ 1 milhão ü Campeonato 2006, Série B: Aprox. R$ 500 mil
17 Localização de concentradores l Um conjunto de seções eleitorais (escolas) l Cada seção pode sediar um concentrador (terminal de transmissão de dados das seções eleitorais) l Um número limitado de concentradores (menor que o de seções eleitorais) l Problema de decisão: onde localizar os concentradores de forma a minimizar a distância total percorrida?
18 Localização de concentradores
19 Localização de concentradores
20 Localização de concentradores
21 Modelos de Otimização l l Programação matemática: l Fundamentados na matemática l Métodos exatos: garantem a geração da solução ótima l Método mais difundido: Programação Linear (PL) l Desvantagens: l Modelagem mais complexa l Em problemas combinatórios, podem exigir um tempo proibitivo para encontrar a solução ótima Heurísticos: l Fundamentados na Inteligência Artificial l Métodos de solução inspirados: l na forma humana de resolver o problema l em fenômenos físicos: Simulated Annealing l na evolução dos seres vivos: Algoritmos Genéticos l no comportamento social dos pássaros: Particle Swarm Optimization (PSO) l Métodos aproximados: Não garantem a otimalidade da solução final l Vantagens: l De fácil modelagem l Boas soluções podem ser obtidas rapidamente
22 Paradigmas dos algoritmos heurísticos de otimização l Algoritmos genéticos: l Os seres vivos evoluem, se adaptam ao ambiente e herdam características genéticas de seus pais l Otimização por nuvem de partículas (Particle Swarm Optimization): l Um bando de pássaros, ao procurar um alvo, leva em consideração a experiência de cada indivíduo, bem como a experiência do bando l Colônia de Formigas (Ant Colonies): l Comunicação por meio de feromônio
23 Algoritmos Genéticos l Fundamentam-se em uma analogia com processos naturais de evolução l Em uma população, os indivíduos com características genéticas melhores têm maiores chances de sobrevivência e de gerarem filhos cada vez mais aptos l Indivíduos menos aptos tendem a desaparecer
24 Algoritmos Genéticos l As características dos indivíduos, registradas em seus genes, são transmitidas aos seus descendentes e tendem a se propagar por novas gerações
25 Operadores genéticos CROSSOVER MUTAÇÃO
26 Estrutura de um AG básico Gere uma população inicial Avalie a população Critérios de parada satisfeitos? Sim Liste os melhores indivíduos Não Selecione os pais Seleção Crossover Reprodução Mutação Avalie a população Sobrevivência Defina a população sobrevivente Geração de uma nova população
27 Particle Swarm Optimization (PSO) l Ao tomarem decisões, os pássaros levam em consideração a experiência individual, bem como a experiência dos outros membros do bando
28 Particle Swarm Optimization (PSO)
29 Colônia de Formigas l Simula o comportamento de um conjunto de agentes (formigas), que se cooperam para resolver um problema de otimização por meio de comunicações muito simples l Ao se deslocarem, as formigas deixam um rastro (feromônio), que é usado para se comunicarem quimicamente
30 Contato l [email protected] l Disciplinas da área: l Introdução à otimização (obrigatória 5 período) l Técnicas metaheurísticas para otimização combinatória l Programação Linear e Inteira l Otimização multiobjetivo l Computação evolutiva l Otimização em redes
Inteligência Computacional para Otimização
Inteligência Computacional para Otimização Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Engenharia Mineral / UFOP Programa de Pós-Graduação em Modelagem Matemática
Pesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo [email protected] [email protected] Departamento de Computação
Pesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte I Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo [email protected] [email protected] Departamento de Computação Universidade
1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Aplicação de algoritmos genéticos. Problema da Mochila (knapsack problem)
Aplicação de algoritmos genéticos Problema da Mochila (knapsack problem) Algoritmos genéticos Passos inspirados no processo biológico de evolução Ideia de sobrevivência dos mais adaptados Soluções cada
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
Inteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
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
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
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
TP052-PESQUISA OPERACIONAL I Introdução. Prof. Volmir Wilhelm Curitiba, Paraná, Brasil
TP052-PESQUISA OPERACIONAL I Introdução Prof. Volmir Wilhelm Curitiba, Paraná, Brasil TP052-PESQUISA OPERACIONAL I Ementa Revisão de Álgebra Linear. Modelos de Programação Linear. O Método Simplex. O Problema
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Algoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD [email protected] http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes Agosto/2013 Problemas de roteirização e programação de veículos (RPV) Objetivo geral: Determinar rotas de
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,
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
Computação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
Modelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
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
Programaçãoda Mãode Obra Crew Scheduling. Prof. Gustavo Peixoto Silva Departamento de Computação Univ. Federal de Ouro Preto 6 modelos
Programaçãoda Mãode Obra Crew Scheduling Prof. Gustavo Peixoto Silva Departamento de Computação Univ. Federal de Ouro Preto 6 modelos Programação de veículos, máquinas e de mão de obra Esta é uma classe
Computação Bioinspirada. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Bioinspirada Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) 1 Principais tópicos Computação Bioinspirada Computação Biológica Biologia Computacional
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.
Otimização por Colônia de Formigas (ACO)
Otimização por Colônia de Formigas (ACO) Inspiração Biológica Proposto por Dorigo e Gambardella em 1997 ACO (Ant Colony Optimization) Principal aplicação no PCV Programação do algoritmo Inspiração Biológica
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Inteligência Coletiva. Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F.
Inteligência Coletiva Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F. de Carvalho) Principais tópicos Inteligência Coletiva (CI) Otimização por enxames
PROGRAMAÇÃO DE JOGOS DA PRIMEIRA DIVISÃO DO CAMPEONATO BRASILEIRO DE FUTEBOL POR MEIO DA METAHEURÍSTICA ITERATED LOCAL SEARCH
PROGRAMAÇÃO DE JOGOS DA PRIMEIRA DIVISÃO DO CAMPEONATO BRASILEIRO DE FUTEBOL POR MEIO DA METAHEURÍSTICA ITERATED LOCAL SEARCH Marcone Jamilson Freitas Souza Universidade Federal de Ouro Preto, Departamento
ELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO
ELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO Marcos Oliveira dos Santos (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM),
Metaheurísticas de Otimização Bio-Inspiradas
Metaheurísticas de Otimização Bio-Inspiradas Aula 2 Computação Inspirada na Natureza* Prof. Dr. Hugo Valadares Siqueira * Aula baseada nas notas de aula do Prof. Fernando Von Zuben, da UNICAMP Ciências
INTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
APLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O
APLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O João Carlos Zayatz Universidade Estadual de Maringá [email protected] Gislaine Camila Lapasini Leal Universidade Estadual de Maringá [email protected]
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
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
Inteligência de enxame e o algoritmo das abelhas
Inteligência de enxame e o algoritmo das abelhas (Swarm intelligence and bee s algorithm) Glaucus Augustus, 6219168 O que é: Cooperação: é o processo de agir junto, em união(ex: grupo de tcc) Colaboração:
LOGÍSTICA EMPRESARIAL
LOGÍSTICA EMPRESARIAL Centro de Distribuição (CD) 2 Centro de Distribuição (CD) Local utilizado para armazenar produtos provenientes de diferentes plantas e empresas, mantendo um certo nível de estoque,
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Algoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva [email protected] Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
Aplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas
Aplicação da Metaheurística Algoritmos Genéticos na solução do problema das n Rainhas Resumo Gardiego Luiz da Silva 1 Henrique Faria de Oliveira 2 Faculdade
CURSO DE LOGÍSTICA INTEGRADA DE PRODUÇÃO. Ferramentas de Apoio à Decisão Prof. Dr. Fabrício Broseghini Barcelos PARTE 01
CURSO DE LOGÍSTICA INTEGRADA DE PRODUÇÃO Ferramentas de Apoio à Decisão Prof. Dr. Fabrício Broseghini Barcelos PARTE 01 Tomada de Decisão É o processo de identificar um problema específico e selecionar
Algoritmos Genéticos
Algoritmos Genéticos Introdução Um Algoritmo Genético (AG), conceitualmente, segue passos inspirados no processo biológico de evolução natural segundo a teoria de Darwin Algoritmos Genéticos seguem a idéia
Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos SCC-230 Inteligência Artificial Thiago A. S. Pardo Solange O. Rezende 1 Computação Evolutiva (CE) Trata de sistemas para a resolução de problemas
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
Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos. Niterói, 12 de Maio de 2018
Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos Niterói, 12 de Maio de 2018 Realização 2 Realização 3 Programação: manhã 9:30h-10:30H VISÃO GERAL: OTIMIZAÇÃO E INTELIGÊNCIA COMPUTACIONAL
INTRODUÇÃO À PESQUISA OPERACIONAL. **Apresentação** Profa. Vitória Pureza 2º Semestre
INTRODUÇÃO À PESQUISA OPERACIONAL **Apresentação** Profa. Vitória Pureza 2º Semestre Roteiro O que é Pesquisa Operacional Áreas Gerais de Aplicação Por que aprender Pesquisa Operacional? O que são Modelos?
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
Algoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Aprendizado por Reforço usando Aproximação
Aprendizado por Reforço usando Aproximação de Funções Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aproximação de Funções 2. Do the evolution 1 Aproximação de Funções Função Utilidade
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/
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
Métodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: [email protected] Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante (TSP)
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante
Pesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho agosto/2013 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
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
Técnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
CONFEDERAÇÃO BRASILEIRA DE FUTEBOL
CAMPEONATO BRASILEIRO DA SÉRIE A TABELA BÁSICA / EDIÇÃO 216 TURNO REF ROD DATA - DIA HORA JOGO ESTÁDIO CIDADE 111 12ª 29/6 (qua) Vitória BA x Sport PE ou 3/6 (qui) 112 12ª Flamengo RJ x Internacional RS
MÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO
30 CAPÍTULO 3 MÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO 3.1 CONCEITOS BÁSICOS O problema matemático de otimização multiobjetivo consiste na obtenção de um conjunto de variáveis (solução) que satisfaça algumas
Inteligência de Enxame
Inteligência de Enxame! Inteligência de enxames é a denominação aplicada a tentativa de desenvolvimento de algoritmos para a solução distribuída de problemas inspirando-se no comportamento coletivo de
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
Pesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Inteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
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
IMPLEMENTAÇÃO DE UM ALGORITMO GENÉTICO PARA DETERMINAÇÃO DO PONTO DE MÁXIMO E/OU MÍNIMO DA FUNÇÃO DO 2 e 3 GRAU
IMPLEMENTAÇÃO DE UM ALGORITMO GENÉTICO PARA DETERMINAÇÃO DO PONTO DE MÁXIMO E/OU MÍNIMO DA FUNÇÃO DO 2 e 3 GRAU Ana Cláudia M. SILVEIRA 1 ; Renato Machado PEREIRA 2 RESUMO A história da equação de segundo
Técnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
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
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
CONFEDERAÇÃO BRASILEIRA DE FUTEBOL
CAMPEONATO BRASILEIRO DA SÉRIE A TABELA BÁSICA / EDIÇÃO 216 RETURNO REF ROD DATA - DIA HORA JOGO ESTÁDIO CIDADE 211 22ª 27/8 (sáb) Vitória BA x América MG ou 28/8 212 22ª Fluminense RJ x Palmeiras SP 213
