Inteligência
Computacional Aplicada
Inteligência
Inteligência
Computacional Aplicada
Computacional Aplicada
Resumo
Resumo
●
O que é “Inteligência” Computacional?
●
Áreas de Aplicação
●
Algoritmos Genéticos
“Técnicas e sistemas computacionais
que imitam aspectos humanos, tais
como:
percepção, raciocínio,
percepção, raciocínio,
aprendizado, evolução e adaptação
aprendizado, evolução e adaptação”.
O que é Inteligência
Computacional?
O que é Inteligência
O que é Inteligência
Computacional?
Computacional?
●
Sistemas Especialistas
●
Lógica Fuzzy
●
Redes Neurais
●
Algoritmos Genéticos
●
Sistemas Híbridos
inferência humana
processamento lingüístico
neurônios biológicos
evolução biológica
aspectos combinados
Inspiração na Natureza
Inspiração na Natureza
Inspiração na Natureza
●
Suporte à Decisão
●
Classificação de Dados
●
Reconhecimento de Padrões
●
Previsão
●
Otimização
●
Controle
●
Modelagem
●
Planejamento
●
Descoberta de Conhecimento
Novos Sistemas Computacionais
Novos Sistemas Computacionais
Áreas de Aplicação
Áreas de Aplicação
Áreas de Aplicação
Energia
Finanças
Telecomunicações
Medicina
Meio-Ambiente
Indústria
Comércio
Meio AmbienteSimulaç ão de Forn o de Craq ueam ento da R efinar ia RED UC Utiliz and o Red es Neur ais Sensor Virtua l por Re des Neur ais par a a Mediç ão de Intemp erismo n a Produçã o do GLP
Otimização da D istribu ição Com bustíveis por Al goritmos Gen éticos
Alguns Proj etos Desenv olv idos no ICA Setor Tema Petroquímico Ensino Energia Industrial Comercial Econômico/ Financeiro
Software Educac ion al para o Ens ino d e Sistemas Intelig entes
Previsão d e Carg a Elétrica por R edes N eura is: Mensal, Hor ária, Pico, Interval os 10min
Sistema Híbrid o de Detecç ão e Dia gnóstic o de Falh as em Sistemas Elétric os
Otimização de D espac ho por Alg oritmos Genétic os Otimização da Al ocaçã o de Cap acitores em Sistem as Elétricos
Sistema Intelig ente de R econh ecime nto de Image ns Bidim ensi onais Redes N eura is Aplica das a Ensa ios Nã o-Destrutiv os de Materi ais Con dutores Sistemas Intelig entes Apl icados a o Reco nhec imento d e Voz
Otimização e Pla nej amento da Pro duçã o Control e e Nave gação d e Rob os
Síntese de Circu itos Eletrôn icos Dig itais e Ana lóg icos
Otimização do Pl ane jamento d e Embarq ue Min érios p or Algor itmos Genéticos
Otimização do Pl ane jamento d e Horár ios/Aloc ação d e Salas p or Algoritmos Gen éticos Recon hecim ento de Dígitos Ma nuscritos p or Red es Neur ais par a Leitura d e Cód igo Posta l Previsão d a Dema nda de L ubrific antes
Descob erta de Padr ões em Bancos d e Dad os Comerc iais
Classific ação/Se gmentaçã o de Cl ientes a p artir de Informaçõ es Cad astrais em BD Plane jame nto de Fluxo de C aixa Intel ige nte (FCI)
Gerência d e Carteir a de Investimentos (R isco x Retorn o) por Algor itmos Genéticos Previsão d e Indica dores Fina nceir os por Re des Ne urais
Previsão d o Índice Bov espa por R edes N eura is Model os Híbrid os de Previsã o de Séri es Tempora is
Negócios “Inteligentes”
Negócios “Inteligentes”
Negócios “Inteligentes”
Souza Cruz
Souza Cruz
- Fluxo de Caixa Inteligente
Eletrobrás
Eletrobrás
- Previsão do Consumo Mensal de Energia
Embratel
Embratel
- Classificação de Clientes
PUC
PUC
-
-
Rio
Rio
- Alocação de Salas de Aula
Cia Vale do Rio Doce
Cia Vale do Rio Doce
- Planejamento de Embarque de Minério
Petrobras
Petrobras
/
/
Cenpes
Cenpes
- Análise Econômica de E&P sob Incerteza
- Inferência de propriedades dos derivados
de Petróleo
Algoritmos Genéticos
Algoritmos Genéticos
Redes Neurais
Redes Neurais
Redes Neurais
Redes Neurais
Algoritmos Genéticos
Algoritmos Genéticos
Algoritmos Genéticos
Algoritmos Genéticos
Algoritmos Genéticos
Algoritmos Genéticos
Algoritmos Genéticos
Algoritmos Genéticos
Redes Neurais
Redes Neurais
Algoritmos
Genéticos
Algoritmos
Algoritmos
Genéticos
Genéticos
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Algoritmo de busca/otimização
inspirado na seleção natural e
reprodução genética.
Combina
sobrevivência do mais apto
sobrevivência do mais apto e
cruzamento
cruzamento aleatório de informação
●
Indivíduo
●
Cromossoma
●
Reprodução Sexual
●
Mutação
●
População
●
Gerações
●
Meio Ambiente
●
Solução
●
Representação
●
Operador Cruzamento
●
Operador Mutação
●
Conjunto de Soluções
●
Ciclos
●
Problema
Analogia com a Natureza
Analogia com a Natureza
Analogia com a Natureza
Evolução Natural
Algoritmos Genéticos empregam um
processo adaptativo
adaptativo
e paralelo
paralelo
de busca de
soluções em
problemas
problemas
complexos
complexos
.
Qual a finalidade de Algoritmos
Genéticos?
Qual a finalidade de Algoritmos
Qual a finalidade de Algoritmos
Genéticos?
Genéticos?
●
●
Adaptativo
Adaptativo
–
informação corrente influencia a busca futura
●
●
Paralelo
Paralelo
–
várias soluções consideradas a cada momento
●
●
Problema Complexo
Problema Complexo
–
de difícil formulação matemática ou com grande
espaço de busca (grande número de soluções)
Qual a finalidade de Algoritmos
Genéticos?
Qual a finalidade de Algoritmos
Qual a finalidade de Algoritmos
Genéticos?
Exemplo:
M aximizar
f (x) = x
2: encontrar x
∈
(
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 il h ã o
1 s e g
L = 9 0
1 0
2 7
1 5 b il h õ e s d e
a n o s
Problema Complexo
Problema Complexo
Problema Complexo
10
9inst/seg
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
Busca de objetivo escondido em uma área
x
1x
2y
0y
2y
1Avaliação
adapta
a busca
(X
0
, Y
0
)
tá frio
(X
1
, Y
1
) tá morno
(X
2
, Y
2
) tá quente!
x
0tesouro
tesouro
x
y
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
x
x
BBx
x
A Ay
y
A Ay
y
BBtesouro
tesouro
y
x
B
B
C
D
E
cruzamento
cruzamento
(
x
x
BB,
,
y
y
AA)
F
F
A
A
Seleção: privilegia os indivíduos mais aptos
Reprodução: indivíduos (palavras binárias) são
reproduzidas com base na aptidão
Crossover: troca de genes (pedaços de palavras)
Mutação
Mutação: troca aleatória de um gene (bit da palavra)
Operações Básicas
Operações Básicas
Operações Básicas
Proble ma:
Achar o valor máximo para
f (x) = x
2
,
x
no limite de
0 a 63
.
Representação da Solução:
Palavras binárias representando sucessivas potências de 2.
011100
=>
Representa 28
110101
=>
Representa 53 (uma solução mais apta)
Exemplo
Exemplo
Exemplo
Seleção em Algoritmos Genéticos
Seleção em Algoritmos Genéticos
Seleção em Algoritmos Genéticos
População
Cromossoma
Palavra
A
B
C
D
100100
010010
010110
000001
X
36
18
22
1
Aptidão (x
2
)
1296
484
1
A
D
C
B
Seleção
Probabilidade
Aptidão do
de Seleção
≈≈≈≈
Cromossoma
324
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
Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Pais
Filhos
Antes
Depois
Cromossoma Palavra Aptidão