Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inteligência Computacional Aplicada Resumo lO que é “Inteligência” Computacional? lÁreas de Aplicação lSistemas Especialistas lLógica Nebulosa lRedes Neurais lAlgoritmos Genéticos “Técnicas e sistemas computacionais que imitam aspectos humanos, tais como: percepção, raciocínio, aprendizado, evolução e adaptação”. O que é Inteligência Computacional? l Sistemas Especialistas l Lógica Fuzzy l Redes Neurais l Algoritmos Genéticos l Sistemas Híbridos inferência humana processamento lingüístico neurônios biológicos evolução biológica aspectos combinados Inspiração na Natureza l Suporte à Decisão l Classificação de Dados l Reconhecimento de Padrões l Previsão l Otimização l Controle l Modelagem l Planejamento l Descoberta de Conhecimento Novos Sistemas Computacionais Áreas de Aplicação Energia Finanças Telecomunicações Medicina Meio-Ambiente Indústria Comércio Meio Ambiente Simulação de Forno de Craqueamento da Refinaria REDUC Utilizando Redes Neurais Sensor Virtual por Redes Neurais para a Medição de Intemperismo na Produção do GLP Otimização da Distribuição Combustíveis por Algoritmos Genéticos Alguns Projetos Desenvolvidos no ICA Setor Tema Petroquímico Ensino Energia Industrial Comercial Econômico/ Financeiro Software Educacional para o Ensino de Sistemas Inteligentes Previsão de Carga Elétrica por Redes Neurais: Mensal, Horária, Pico, Intervalos 10min Sistema Híbrido de Detecção e Diagnóstico de Falhas em Sistemas Elétricos Otimização de Despacho por Algoritmos Genéticos Otimização da Alocação de Capacitores em Sistemas Elétricos Controle de Cheias em reservatórios de usinas hidrelétricas Reconhecimento de Descargas Parciais em Equipamentos Elétricos Sistema Inteligente de Reconhecimento de Imagens Bidimensionais Redes Neurais Aplicadas a Ensaios Não-Destrutivos de Materiais Condutores Sistemas Inteligentes Aplicados ao Reconhecimento de Voz Otimização e Planejamento da Produção Controle e Navegação de Robos Compressão de Imagens Digitalizadas por Redes Neurais Otimização do Planejamento de Horários/Alocação de Salas por Algoritmos Genéticos Reconhecimento de Dígitos Manuscritos por Redes Neurais para Leitura de Código Postal Reconhecimento de Caracteres Impressos (OCR) Utilizando Redes Neurais Previsão da Demanda de Lubrificantes Descoberta de Padrões em Bancos de Dados Comerciais Classificação/Segmentação de Clientes a partir de Informações Cadastrais em BD Planejamento de Fluxo de Caixa Inteligente (FCI) Gerência de Carteira de Investimentos (Risco x Retorno) por Algoritmos Genéticos Previsão de Indicadores Financeiros por Redes Neurais Previsão do Índice Bovespa por Redes Neurais Modelos Híbridos de Previsão de Séries Temporais Previsão de Precipitação Pluviométrica na Área do Nordeste por Redes Neurais Automação Inteligente l Planejamento da Produção l Monitoração do Controle l Detecção e Diagnóstico de Falhas l Manutenção Preventiva l Simulação e Modelagem de Processos l Robótica l Reconhecimento de Imagens, Voz l Inferência/Predição de Propriedades Automação Inteligente l Planejamento e Otimização da Produção – Algoritmo Genético busca a ordem das tarefas que otimiza a produção (tempo, recursos, custos, etc) e satisfaz as restrições. l Detecção e Diagnóstico de Falhas – Redes Neurais são treinadas com dados históricos para prever antecipadamente falhas em equipamentos; Sistema Especialista ou Lógica Nebulosa dá o diagnóstico e indica procedimentos. l Manutenção Preventiva – Redes Neurais são treinadas com a leitura dos sensores para apontar a perspectiva de falhas em programas de manutenção preventiva. l Simulação e Modelagem de Processos – Rede Neural é treinada para representar a dependência entre o estado e uma medida de qualidade de um processo. Após treinada, a RN atua como um modelo do processo industrial. l Reconhecimento de Imagens, Voz – Redes Neurais treinadas com padrões de imagens/voz são usadas para fins de segurança, seleção e identificação. l Inferência/Predição de Propriedades – Redes Neurais são treinadas para modelar a relação entre as variáveis de entrada de um processo e as propriedades físicas de um produto, permitindo que o operador possa influenciar no processo sem ter que esperar pela análise laboratorial de amostras. Automação Inteligente Áreas de Aplicação em Negócios Avaliação de Financiamento Previsão de Demanda de Produtos Avaliação de Risco Cálculo de Prêmio de Seguro Mala Direta Perfil do Consumidor Gerência de Carteira Previsão de Ativos Financeiros Detecção de Transações Fraudulentas em Bolsas Detecção de Fraude em Cartões de Crédito Planejamento da Produção e Distribuição Planejamento de Pontos de Venda Seguro MarketingVarejo e Bancos Banco de Investimentos Vigilância Planejamento Marketing Dirigido pela Informação lModelagem do Comportamento do Consumidor lEnriquecimento de Banco de Dados lClassificação de Clientes lSegmentação de Mercado lModelagem do Comércio Varejista lAnálise de Vendas Negócios “Inteligentes” n American Express Sistemas Especialistas - Autorização de crédito “on line” n Fidelity Investments Redes Neurais - Gerência de carteira de investimentos ($ 2 bilhões) n IOC Algoritmos Genéticos - Planejamento dos Jogos Olímpicos n Yamaichi Securities Lógica Nebulosa - Seleção de Ações Sistemas “Inteligentes” n Souza Cruz Algoritmos Genéticos - Fluxo de Caixa Inteligente n Eletrobrás Redes Neurais - Previsão do Consumo Mensal de Energia Elétrica n Embratel Algoritmos Genéticos - Classificação de Clientes Redes Neurais n PUC-Rio Algoritmos Genéticos - Alocação de Salas de Aula Sistemas Especialistas Þ São programas que armazenam e manipulam o conhecimento adquirido de um especialista. Conceitos Básicos Þ São programas que armazenam e manipulam o conhecimento adquirido de um especialista. è Incorpora o conhecimento de um especialista Conceitos Básicos Þ São programas que armazenam e manipulam o conhecimento adquirido de um especialista. è Incorpora o conhecimento de um especialista è Requer entrevistas e observações para extrair o conhecimento. Conceitos Básicos Þ São programas que armazenam e manipulam o conhecimento adquirido de um especialista. è Requer entrevistas e observações para extrair o conhecimento. è Conhecimento é representado em formato manipulável pelo computador. Conceitos Básicos Regras de produção Regra i IF <condição_1> AND <condição_2>... THEN <ação_A> AND <ação_B> .... Exemplos: IF Carro = BMW AND cidade = São Paulo THEN seguro = 10% valor carro IF carro = Fiat AND cidade = Icapuí THEN seguro = 4% valor carro Representação do Conhecimento Organização de Sistemas Especialistas Memória de Trabalho carro = Fiat cidade = Icapuí Base de conhecimento IF Carro = BMW AND cidade = SP THEN seguro = 10% IF Carro = Fiat AND cidade = Icapuí THEN seguro = 4% Máquina de Inferência Sistema de Explicações Aquisição de Conhecimento Adequada para aplicações onde: o conhecimento (o especialista) é acessível, as regras são conhecidas e fáceis de serem formuladas por este especialista, e quando explicações são necessárias. Avaliação l utiliza representação explícita do conhecimento l programas fáceis de ler e de compreender l capazes de gerar justificativas (explicações) l ausência de mecanismo automático de aprendizado l processo longo e caro de extração do conhecimento l exigência de declarações precisas dos especialistas Avaliação Vantagens Desvantagens Aplicações Comerciais n Citibank, Análise de empréstimos pessoais,National Westminster, Gerência de Carteira de Investimento Midland Bank: n American Express: Sistema de Auxílio para Autorização de Crédito (CC) Lógica Nebulosa Conceitos Básicos Técnica inteligente que tem como objetivo modelar o modo aproximado de raciocínio, imitando a habilidade humana de tomar decisões em um ambiente de incerteza e imprecisão Permite que os sistemas inteligentes de controle e suporte à decisão lidem com informações imprecisas ou nebulosas Conceitos Básicos Exemplos: • investimento de alto risco • pressão média • fluxo muito intenso • alta temperatura • muito jovem lConjuntos Nebulosos lGrau de Pertinência a um Conjunto lRegras Nebulosas l Inferência Nebulosa Novos Conceitos lConjuntos Nebulosos lGrau de Pertinência a um Conjunto lRegras Nebulosas l Inferência Nebulosa Novos Conceitos Conjuntos e Regras Rígidos 0 10 20 30 40 50 60 muito jovem jovem velho muito velho idade Se idade igual a 40 então sou velho. Se idade igual a 39 então sou jovem. 0 10 20 30 40 50 60 Conjuntos Nebulosos 0 10 20 30 40 50 60 1.0 0.5 10 20 30 40 50 60 muito jovem jovem velho muito velho grau de pertinência idade idade muito jovem jovem velho muito velho lConjuntos Nebulosos lGrau de Pertinência a um Conjunto lRegras Nebulosas l Inferência Nebulosa Novos Conceitos Conjuntos Nebulosos 1.0 0.5 10 20 30 40 50 60 grau de pertinência idade Pedro tem 40 anos. Ele é jovem ou velho? muito jovem jovem velho muito velho Conjuntos Nebulosos 1.0 0.65 10 20 30 40 50 60 grau de pertinência idade Pedro tem 40 anos. Ele é jovem ou velho? muito jovem jovem velho muito velho 0.45 Conjuntos Nebulosos Pedro tem 40 anos. Ele é jovem ou velho? Ü Pedro é jovem E velho, ao mesmo tempo (com graus diferentes) Ü Os graus de pertinência demostram que Pedro não é nem tão jovem, nem tão velho lConjuntos Nebulosos lGrau de Pertinência a um Conjunto lRegras Nebulosas l Inferência Nebulosa Novos Conceitos Regras Nebulosas lSE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo Sistema para Análise de Seguro Saúde Regras Nebulosas lSE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo lSE idade é jovem E pressão é alta ENTÃO seguro é alto Sistema para Análise de Seguro Saúde lConjuntos Nebulosos lGrau de Pertinência a um Conjunto lRegras Nebulosas l Inferência Nebulosa Novos Conceitos Conjuntos Nebulosos 0.1 0.3 0.4 0.5 0.8 0.9 1.0Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 500 700 800 900 1000 1200300 Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100 110 120 130 140 150 160 170 175 60 65 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 Conjuntos Nebulosos 0.1 0.3 0.4 0.5 0.8 0.9 1.0Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 500 700 800 900 10001200300 Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100 110 120 130 140 150 160 170 175 60 65 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 SE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo Conjuntos Nebulosos 0.1 0.3 0.4 0.5 0.8 0.9 1.0Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 500 700 800 900 10001200300 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 SE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100 110 120 130 140 150 160 170 175 60 65 Conjuntos Nebulosos 0.1 0.3 0.4 0.5 0.8 0.9 1.0Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 500 700 800 900 10001200300 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 SE idade é jovem E pressão é alta ENTÃO seguro é alto Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100 110 120 130 140 150 160 170 175 60 65 Conjuntos Nebulosos 0.1 0.3 0.4 0.5 0.8 0.9 1.0Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 500 700 800 900 10001200300 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 SE idade é jovem E pressão é alta ENTÃO seguro é alto Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100 110 120 130 140 150 160 170 175 60 65 Avaliação Técnica utilizada em aplicações: • onde o conhecimento envolve conceitos subjetivos e intrinsicamente imprecisos; • e onde deseja-se obter explicações sobre o resultado do problema. l facilidade de lidar com dados imprecisos. l facilita a descrição das regras pelos especialistas. l menor número de regras. l explicação do raciocínio l especificação das funções de pertinência. l necessidade de um especialista e/ou dados históricos. Avaliação Vantagens Desvantagens è NISSAN: freios antiderrapantes è GM: sistema de transmissão nebuloso è SANYO: microondas è SHARP: refrigeração è BOSCH: máquinas de lavar è HITACHI: aspirador è PANASONIC: camcorder Aplicações Industriais Aplicações Comerciais n Yamaichi Securities: Sistema de Gerenciamento de Fundos de Investimento n Fuji Bank: Sistema de Negociação de Bolsa de Valores n World Bank: Sistema de Investimento n Metus Systems: Sistema fuzzy de detecção de fraude no sistema de saúde Aplicações do Curso l Controle de Coloração e Nível de Tanques l Sistema de Análise de Seguro Saúde l Análise de Oportunidade de Investimento l Previsão da Classificação da Volatilidade l Controle de Velocidade de Motor Hidráulico l Previsão de Carga Elétrica Horária e 10 em 10 min. l Planejamento do Sistema Elétrico l “Clusterização” de Banco de Dados l Sistema de Avaliação de Risco Bancário l Sistema para definição de preço de produto novo l Controle de Manipulador Robótico com extração automática de regras l Previsão de produção de cacau l Consultas Fuzzy a bancos de dados relacionais .Redes Neurais Redes Neurais Modelo Computacional inspirado nos neurônios biológicos e na estrutura do cérebro com capacidade de adquirir, armazenar e utilizar conhecimento experimental. l Neurônio Biológico l Rede de Neurônios l 10 bilhões neurônios l Aprendizado l Generalização l Associação l Reconhecimento de Padrões l Neurônio Artificial l Estrutura em Camadas l centenas/milhares l Aprendizado l Generalização l Associação l Reconhecimento de Padrões Relação com a Natureza Cérebro Redes Neurais Artificiais Sinapses Dendritos Axônio Corpo Somático Neurônio Biológico Redes Neurais Neurônio Artificial w1 w2 w3 Pesos Propagação Ativação H 1I 1 Entrada Escondida I 2 I 3 H 2 H 3 Estrutura da Rede Neural O 1 Saída O 2 O 3 H 1I 1 Atividade Neural Entrada Pesos Escondida I 2 I 3 H 2 H 3 Estrutura da Rede Neural w w w w w w w w w O 1 Saída O 2 O 3 w w ww w w w w w Pesos Os pesos guardam a memória (conhecimento) da Rede Neural . H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 Treinamento da Rede Neural w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Alvo Pesos H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w Alvo w w w w w w w w w w Pesos Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos Alvo Treinamento da Rede Neural Dados para Treinamento H 1 I 1 Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 Erro = - w w w w w w w w w w w w w w w w w w Pesos Treinamento da Rede Neural Pesos são ajustados de acordo com o erro encontrado . H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Alvo Pesos Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w Alvo w w w w w w w w w w Pesos Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos Alvo Treinamento da Rede Neural Dados para Treinamento H 1I 1 Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Erro = - Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Alvo Pesos Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w Alvo w w w w w w w w w w Pesos Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos Alvo A Rede Neural é treinada até que o erro entre a saída da rede e o alvo seja satisfatório. Treinamento da Rede Neural H 1I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos A Rede Neural é capaz de generalizar e reconhecer padrões distintos dos usados no treinamento. Treinamento da Rede Neural Previsão de Séries Temporais Séries temporais janela alvo Entradas da rede valor tempo Previsão de Séries Temporais Séries temporais janela alvo Ajuste dos pesos a partir do erro Erro= alvo - previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela alvo Ajuste dos pesos a partir do erro Erro= alvo - previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela alvo Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela alvo Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela alvo Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela previsto Entradas da rede Saída da rede: Valor previsto Previsão de Séries Temporais Séries temporais janela previsto Entradas da rede Saída da rede: Valor previsto Indicada para o reconhecimento de padrões em aplicações com dados ruidosos ou incompletos, e quando regras claras não podem ser facilmente formuladas. Avaliação Vantagens è modelagem de sistemas não lineares è aprendizado automático è tolerante a dados ruidosos e incompletos è resposta rápida e precisa è modelos compactos Avaliação Desvantagens è ausência de explicações è sensível a quantidade de dados disponível Aplicações Industriais n Racal: Identificação de placas de veículos n Thomson: Sistemas de OCR n St. George’s Hospital: Sistema de classificação de tumores n CRAM: Sistema automático de seleção de laranjas Aplicações Comerciais u Fidelity Investments: Gerência de Fundos de Investimento ($2 bilhões) u Chase Manhattan Bank: Detecção de Fraudes em Cartões de Créditos u Citibank (USA): Avaliação de Crédito u Nikko Securities: Sistema de Negociação do Índice da Bolsa u Hill Samuel/UCL: Sistema de Previsão de Fundos de Investimento u Thorn EMI/UCL: Perfil do consumidor Aplicações do Curso l Previsão de Demanda de Energia Elétrica l Previsão de Consumo de Lubrificantes l Classificação de Clientes (Data Mining) l Demos do NeuroShell Algoritmos Genéticos Conceitos Básicos è Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética. Conceitos Básicos è Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética. è Combina sobrevivência do mais apto e cruzamento aleatório de informação l Indivíduo l Cromossoma l Reprodução Sexual l Mutação l População l Gerações l Meio Ambiente l Solução l Representação l Operador Cruzamento l Operador Mutação l Conjunto de Soluções l Ciclos l Problema Analogia com a Natureza Evolução Natural Alg. Genéticos Algoritmos Genéticos empregam um processo adaptativo e paralelo de busca de soluções em problemas complexos. Qual a finalidade de Algoritmos Genéticos? lAdaptativo – informação corrente influencia a busca futura lParalelo – várias soluções consideradas a cada momento lProblema Complexo – de difícil formulação matemática ou com grande espaço de busca (grande número de soluções) Qual a finalidade de Algoritmos Genéticos? Exemplo: Maximizar f (x) = x2 : encontrar x Î (0 ... 2 L -1) para f(x)=máx 2 L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i lh ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i lh õ e s d e a n o s Problema Complexo 109 inst/seg Exemplo: Maximizar f (x) = x2 : encontrar x Î (0 ... 2L -1) para f(x)=máx 2 L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i lh ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i lh õ e s d e a n o s Problema Complexo 109 inst/seg Exemplo: Maximizar f (x) = x2 : encontrar x Î (0 ... 2 L -1) para f(x)=máx 2 L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i lh ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i lh õ e s d e a n o s Problema Complexo 109 inst/seg Exemplo: Maximizar f (x) = x2 : encontrar x Î (0 ... 2 L -1) para f(x)=máx 2 L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i lh ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i lh õ e s d e a n o s Problema Complexo 109 inst/seg Exemplo: Maximizar f (x) = x2 : encontrar x Î (0 ... 2 L -1) para f(x)=máx 2 L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i lh ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i lh õ e s d e a n o s Problema Complexo 109 inst/seg Problema da Cabra Cega Busca de objetivo escondido em uma área y0 Avaliação adapta a busca (X0 , Y0) tá frio x0 tesouro x y Problema da Cabra Cega Busca de objetivo escondido em uma área x1 y0 y1 Avaliação adapta a busca (X0 , Y0) tá frio (X1 , Y1) tá morno x0 tesouro x y Problema da Cabra Cega Busca de objetivo escondido em uma área x1x2 y0 y2 y1 Avaliação adapta a busca (X0 , Y0) tá frio (X1 , Y1) tá morno (X2 , Y2) tá quente! x0 tesouro x y Problema da Cabra Cega tesouroy x Área Muito Grande Busca Paralela Problema da Cabra Cega xBxA yA y B tesouroy x A B C D E Área Muito Grande Busca Paralela Problema da Cabra Cega xBxA yA y B y x B C D E cruzamento A tesouro Problema da Cabra Cega xBxA yA y B tesouroy x B C D E cruzamento (xB ,yA ) F A lSeleção: privilegia os indivíduos mais aptos Operações Básicas lSeleção: privilegia os indivíduos mais aptos lReprodução: indivíduos (palavras binárias) são reproduzidos com base na aptidão Operações Básicas lSeleção: privilegia os indivíduos mais aptos lReprodução: indivíduos (palavras binárias) são reproduzidas com base na aptidão lCrossover: troca de genes (pedaços de palavras) Operações Básicas lSeleção: privilegia os indivíduos mais aptos lReprodução: indivíduos (palavras binárias) são reproduzidas com base na aptidão lCrossover: troca de genes (pedaços de palavras) lMutação: troca aleatória de um gene (bit da palavra) Operações Básicas Problema: è Achar o valor máximo para f (x) = x2 , x no limite de 0 a 63. Exemplo Problema: è Achar o valor máximo para f (x) = x2 , x no limite de 0 a 63. Representação da Solução: è Palavras binárias representando sucessivas potências de 2. 011100 => Representa 28 110101 => Representa 53 (uma solução mais apta) Exemplo Seleção em Algoritmos Genéticos População Cromossoma Palavra A B C D 100100 010010 010110 000001 X 36 18 22 1 Aptidão (x2 ) 1296 324 484 1 Seleção em Algoritmos Genéticos População Cromossoma Palavra A B C D 100100 010010 010110 000001 X 36 18 22 1 Aptidão (x2 ) 1296 484 1 A D C B Seleção Probabilidade Aptidão do de Seleção Cromossoma » 324 Crossover 1 0 1 0 1 1 0 0 1 1 0 0 Operadores de Algoritmos Genéticos Pais Crossover 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 Operadores de Algoritmos Genéticos Pais Filhos Mutação Crossover 0 1 1 1 0 0 0 1 0 1 0 0 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 Operadores de Algoritmos Genéticos Pais Filhos Antes Depois Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Ciclo do Algoritmo Genético Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Pais Ciclo do Algoritmo Genético Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Pais Reprodução Crossover Mutação Ciclo do Algoritmo Genético Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 f( ) Pais ReproduçãoFilhos Avaliação dos Filhos Crossover Mutação Ciclo do Algoritmo Genético Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 f( ) Pais ReproduçãoFilhos Avaliação dos Filhos Ciclo do Algoritmo Genético Evolução Aplicado em problemas complexos de otimização – de difícil modelagem matemática, com variedade de regras e condições, ou com grande número de soluções a considerar. Avaliação Vantagens è Técnica de busca global è Otimização de problemas mal estruturados è Dispensa formulação matemática precisa do problema Desvantagens è Dificuldade na representação do cromossoma è Evolução demorada em alguns problemas è Modelagem depende de especialista em AG Avaliação Aplicações Industriais u GENERAL ELECTRIC - Otimização de Projeto de Motores DC u BRITISH GAS - Otimização da Distribuição de Gás u BBN - Roteamento de Telecomunicações u ATTAR - Planejamento da Programação de TV Aplicações Comerciais u CAP VOLMAC - Avaliação de Crédito e Análise de Risco u SEARCHSPACE - Detecção de Fraude na Bolsa de Londres u IOC - Planejamento dos Jogos Olímpicos u CAP Gemini - Avaliação de Empréstimos e Financiamentos u GWI - Modelagem Econômica u World Bank - Geração de Regras de Negociação na Bolsa Aplicações do Curso l Extração de Conhecimento em Bancos de Dados Comerciais (Data Mining) l Otimização do Fluxo de Caixa de Empresas l Otimização de Carteira de Ativos l Demos do Evolver 4.0 e GeneHunter Softwares Comerciais Produto site Técnica Propósito l Optimax Systems www.optimax.com AG D l Aspen PIMS 10.0 www.aspentech.com D l FT3PAK www.flextool.com D l NeuroGenetic Optimizer www.BioCompSystems.com AG D l NeuroSolutions http://www.nd.com RN G l NeuralWorks R http://neuralware.com RN G l GeneHunter AG G l BrainWave D l ModelWare/RT D l Evolver 4.0 R www.palisade.com AG G l QMC Program www.EngineersWebSite.com AG,RN G l DataEngine ADL info@mitgmbh.de AG,RN,LN G R disponível no ICA; D- dedicado; G- propósito geral Publicações Comerciais na Área lPCAI: WhereIntelligent Technology Meets the Real World www.pcai.com/pcai l Intelligent Systems Report: News and Applications on Intelligent Computing http://LIONHRTPUB.COM/ISR/ISR-welcome.html ICA@ele.puc-rio.br http://www.ele.puc-rio.br/labs/ica/icahome.html
Compartilhar