Inteligencia Computacional Aplicada

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