Inteligência Computacional Aplicada

(1)

Inteligência

Computacional Aplicada

Inteligência

Computacional Aplicada

(2)

Resumo

● O que é “Inteligência” Computacional?

● _{Áreas de Aplicação}

● Algoritmos Genéticos

“Técnicas e sistemas computacionais

que imitam aspectos humanos, tais

como:

percepção, raciocínio,

aprendizado, evolução e adaptação

aprendizado, evolução e adaptação”.

O que é Inteligência

Computacional?

O que é Inteligência

Computacional?

(3)

● _{Sistemas Especialistas}

● _{Lógica Fuzzy}

● Redes Neurais

● Algoritmos Genéticos

● Sistemas Híbridos

inferência humana

processamento lingüístico

neurônios biológicos

evolução biológica

aspectos combinados

Inspiração na Natureza

● _{Suporte à Decisão}

● Classificação de Dados

● _{Reconhecimento de Padrões}

● Previsão

● _Otimização

● Controle

● _Modelagem

● Planejamento

● _{Descoberta de Conhecimento}

Novos Sistemas Computacionais

(4)

Áreas de Aplicação

Energia

Finanças

Telecomunicações

Medicina

Meio-Ambiente

Indústria

Comércio

Meio Ambiente

Simulaç 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

(5)

Negócios “Inteligentes”

Souza Cruz

- Fluxo de Caixa Inteligente

Eletrobrás

- Previsão do Consumo Mensal de Energia

Embratel

- Classificação de Clientes

PUC

-

Rio

- Alocação de Salas de Aula

Cia Vale do Rio Doce

- Planejamento de Embarque de Minério

Petrobras

/

Cenpes

- Análise Econômica de E&P sob Incerteza

- Inferência de propriedades dos derivados

de Petróleo

Algoritmos Genéticos

Redes Neurais

Algoritmos Genéticos

Redes Neurais

Algoritmos

Genéticos

Algoritmos

Genéticos

(6)

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

Evolução Natural

(7)

Algoritmos Genéticos empregam um

processo adaptativo

adaptativo

e paralelo

paralelo

de busca de

soluções em

problemas

complexos

.

Qual a finalidade de Algoritmos

Genéticos?

Qual a finalidade de Algoritmos

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

Genéticos?

(8)

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

10

9

_inst/seg

Problema da Cabra Cega

Busca de objetivo escondido em uma área

x

₁

x

₂

y

₀

y

₂

y

₁

Avaliação

adapta

a busca

(X

0 , Y

0 )

tá frio

(X

1 , Y

1 ) tá morno

(X

₂

, Y

₂

) tá quente!

x

₀

tesouro

x

y

(9)

Problema da Cabra Cega

x

_B_B

x

_A_A

y

_A_A

y

_B_B

tesouro

y

x

B

C

D

E

cruzamento

(

x

_B_B

,

y

_A_A

)

F

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

(10)

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

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

(11)

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

f( )

Pais

Reprodução

Filhos

Avaliação

dos Filhos

Ciclo do Algoritmo Genético

(12)

Evolução dos Indivíduos

Melhor Indivíd uo

0 5000

10000

15000

20000

25000

30000

1

7

13

19

25

31

37

43

49 Gerações

f(t)

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

(13)

Vantagens

Técnica de busca global

Otimização de problemas

mal estruturados

Dispensa formulação

matemática precisa do

problema

Desvantagens

Dificuldade na

representação do

cromossoma

Evolução demorada em

alguns problemas

Modelagem depende de

especialista em AG

Avaliação

Aplicações Industriais

GENERAL ELECTRIC -

Otimização de Projeto de Motores DC

BRITISH GAS -

Otimização da Distribuição de Gás

BBN -

Roteamento de Telecomunicações

ATTAR

-

Planejamento da Programação de TV

(14)

Aplicações Comerciais

CAP VOLMAC -

Avaliação de Crédito e Análise de Risco

S

EARCH

S

PACE -

Detecção de Fraude na Bolsa de Londres

IOC -

Planejamento dos Jogos Olímpicos

CAP Gemini -

Avaliação de Empréstimos e Financiamentos

GWI

-

Modelagem Econômica

World Bank

-

Geração de Regras de Negociação na Bolsa

ICA@ele.puc-rio.br

www.ICA.ele.puc-rio.br