ceaae 2006 disciplina ee 09 intelig ncia artificial algoritmos gen ticos por ct en ali kamel
Download
Skip this Video
Download Presentation
CEAAE 2006 Disciplina EE-09: Inteligência Artificial Algoritmos Genéticos Por: CT(EN) ALI KAMEL

Loading in 2 Seconds...

play fullscreen
1 / 17

CEAAE 2006 Disciplina EE-09: Inteligência Artificial Algoritmos Genéticos Por: CT(EN) ALI KAMEL - PowerPoint PPT Presentation


  • 107 Views
  • Uploaded on

CEAAE 2006 Disciplina EE-09: Inteligência Artificial Algoritmos Genéticos Por: CT(EN) ALI KAMEL. OBJETIVO. O objetivo deste trabalho é apresentar de forma sintética, os princípios básicos dos algoritmos genéticos e suas aplicações. ROTEIRO. INTRODUÇÃO – ORIGENS PARÂMETROS TÍPICOS

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' CEAAE 2006 Disciplina EE-09: Inteligência Artificial Algoritmos Genéticos Por: CT(EN) ALI KAMEL' - caroun


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
ceaae 2006 disciplina ee 09 intelig ncia artificial algoritmos gen ticos por ct en ali kamel
CEAAE 2006Disciplina EE-09: Inteligência ArtificialAlgoritmos GenéticosPor: CT(EN) ALI KAMEL
objetivo
OBJETIVO

O objetivo deste trabalho é apresentar de forma sintética, os princípios básicos dos algoritmos genéticos e suas aplicações.

roteiro
ROTEIRO
  • INTRODUÇÃO – ORIGENS
  • PARÂMETROS TÍPICOS
  • ALGORITMO GENÉTICO TRADICIONAL
  • SELEÇÃO E CROSSOVER
  • ESTUDO DE CASOS:
  • CASO 1(ARTIGO) – DISTRIBUIÇÃO DE RADARES PARA MELHOR COBERTURA RADAR
  • CASO 2 (VÍDEO) – OTIMIZAR VÔO DE UM PASSÁRO
  • CONCLUSÃO
teoria da evolu o
Teoria da Evolução
  • 1859 - Charles Darwin publica o livro “A Origem das Espécies”:

.

“As espécies evoluem pelo principio da seleção natural e sobrevivência do mais apto.”

Charles Darwin

teoria da evolu o1
Teoria da Evolução
  • 1865- Gregor Mendel apresenta experimentos do cruzamento genético de ervilhas.
    • Pai da genética.
  • A Teoria da Evolução começou a partir da conceituação integrada da seleção natural com a Genética.

.

Gregor Mendel

algoritmos gen ticos com par metros cont nuos e representa o bin ria
Algoritmos Genéticos com Parâmetros Contínuos e Representação Binária
  • É historicamente importante, foi utilizado nos trabalhos pioneiros de Holland (1975).
  • A representação tradicional.
  • Fácil de usar e manipular.
  • Simples de analisar teoricamente.
  • Não há uniformidade nos operadores.
    • Mutação nos primeiros bits do gene afeta mais a aptidão que mutação nos últimos bits do gene
par metros t picos
PARÂMETROS TÍPICOS
  • Cromossomo (genótipo) - cadeia de bits que representa uma solução possível para o problema. Existem três tipos de representação possíveis para os cromossomos: binária, inteira ou real. A essa representação se dá o nome de alfabeto do AG. De acordo com a classe de problema que se deseje resolver pode-se usar qualquer um dos três tipos.
  • Gene - representação de cada parâmetro de acordo com o alfabeto utilizado (binário, inteiro ou real).
  • Fenótipo - cromossomo codificado;
  • População - conjunto de pontos (indivíduos) no Espaço de Busca;
  • Geração - iteração completa do AG que gera uma nova população;
  • Aptidão bruta - saída gerada pela função objetivo para um indivíduo da população; Aptidão normalizada - aptidão bruta normalizada, entrada para o algoritmo de seleção;
  • Aptidão máxima - melhor indivíduo da população corrente; e
  • Aptidão média - aptidão média da população corrente.
exemplo de aplica o
EXEMPLO DE APLICAÇÃO

PROBLEMA 1: Otimizar a distribuição de radares para que tenhamos uma melhor cobertura.Artigo estudado: “Algoritmo Genético Aplicado à Otimização da Cobertura do Sinal gerdo por Radares Terrestres” – Felipe Leonardo Lobo de Medeiros et all. –IEAv

REF [5]

slide15

PROBLEMA 2: Otimizar o vôo de um pássaro, USANDO REDES NEURAIS E ALG. GENÉTICOS

(SISTEMA HÍBRIDO).

“Evolution of neuro-controllers for a flapping-wing animat.” - Stéphane Doncieux, Jean-Baptiste Mouret, Laurent Muratet et all

FROM ANIMALS TO ANIMATS 9

The Ninth International Conference on the SIMULATION OF ADAPTIVE BEHAVIOR (SAB\'06)

25 - 29 September 2006, CNR, Roma, Italy

http://www.ele.ita.br/~alikamel/Listex1/evolving.mp4

http://www.ele.ita.br/~alikamel/Listex1/Doncieux_JMD.pdf

(Necessário uso do software Quick Time)

REF [4]

conclus es
CONCLUSÕES
  • Os AG\'s são apropriados para problemas de otimização complexos, que envolvem muitas variáveis e um espaço de soluções de dimensão elevada.
  • Abrangem um grande número de aplicações.
  • O controle sobre os parâmetros do algoritmo é de fundamental importância para uma convergência rápida.
  • Para problemas específicos é aconselhável a utilização de algoritmos híbridos, que misturam as técnicas dos AG\'s com os métodos de otimização tradicionais.
  • Devido ao grande número de variáveis que um AG trata e às populações elevadas e alto número de gerações para a cobertura do espaço de soluções, os AG\'s possuem um custo computacional elevado.
refer ncias
REFERÊNCIAS:
  • 1 – Notas de Aula da Disciplina EE-09 Inteligência Artificial do Curso de Especialização em Análise de Ambiente Eletromagnético do Instituto Tecnológico de Aeronáutica;
  • 2 – Tutorial de Algoritmo Genético – Darrel Whitley e Christian Willy Asmussen – http://xpusp.sorceforge.net/ga_tutorial.html;
  • 3 – Algoritmos Genéticos: Fundamentos e Aplicações – Márcio Nunes de Miranda - http://gta.ufrj.br/~marcio/genetic.html;
  • 4 – “Evolution of neuro-controllers for a flapping-wing animat.” - Stéphane Doncieux, Jean-Baptiste Mouret, Laurent Muratet et all
  • 5 – “Algoritmo Genético Aplicado à Otimização da Cobertura do Sinal gerdo por Radares Terrestres” – Felipe Leonardo Lobo de Medeiros et all. –IEAv
ad