InteligênciaComputacional Aplicada
Resumo
lO que é “Inteligência” Computacional?lÁreas de AplicaçãolSistemas EspecialistaslLógica NebulosalRedes NeuraislAlgoritmos Genéticos
“Técnicas e sistemas computacionais queimitam aspectos humanos, tais como:percepção, raciocínio, aprendizado,
evolução e adaptação”.
O que é InteligênciaComputacional?
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 Decisãol Classificação de Dadosl Reconhecimento de Padrõesl Previsãol Otimizaçãol Controlel Modelageml Planejamentol Descoberta de Conhecimento
Novos Sistemas Computacionais
Áreas de AplicaçãoEnergia
Finanças
Telecomunicações
Medicina
Meio-Ambiente
Indústria
Comércio
Meio Ambiente
Simulação de Forno de Craqueamento da Refinaria REDUC Utilizando Redes NeuraisSensor Virtual por Redes Neurais para a Medição de Intemperismo na Produção do GLPOtimização da Distribuição Combustíveis por Algoritmos Genéticos
Alguns Projetos Desenvolvidos no ICASetor 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 10minSistema Híbrido de Detecção e Diagnóstico de Falhas em Sistemas ElétricosOtimização de Despacho por Algoritmos GenéticosOtimização da Alocação de Capacitores em Sistemas ElétricosControle de Cheias em reservatórios de usinas hidrelétricasReconhecimento de Descargas Parciais em Equipamentos Elétricos
Sistema Inteligente de Reconhecimento de Imagens BidimensionaisRedes Neurais Aplicadas a Ensaios Não-Destrutivos de Materiais CondutoresSistemas Inteligentes Aplicados ao Reconhecimento de VozOtimização e Planejamento da ProduçãoControle e Navegação de RobosCompressão de Imagens Digitalizadas por Redes Neurais
Otimização do Planejamento de Horários/Alocação de Salas por Algoritmos GenéticosReconhecimento de Dígitos Manuscritos por Redes Neurais para Leitura de Código PostalReconhecimento de Caracteres Impressos (OCR) Utilizando Redes NeuraisPrevisão da Demanda de LubrificantesDescoberta de Padrões em Bancos de Dados ComerciaisClassificação/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 GenéticosPrevisão de Indicadores Financeiros por Redes NeuraisPrevisão do Índice Bovespa por Redes NeuraisModelos Híbridos de Previsão de Séries TemporaisPrevisão de Precipitação Pluviométrica na Área do Nordeste por Redes Neurais
Automação Inteligente
l Planejamento da Produçãol Monitoração do Controlel Detecção e Diagnóstico de Falhasl Manutenção Preventival Simulação e Modelagem de Processosl Robótical Reconhecimento de Imagens, Vozl 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 ouLógica 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 atuacomo 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 queesperar pela análise laboratorial de amostras.
Automação Inteligente
Áreas de Aplicaçãoem Negócios
Avaliação deFinanciamento
Previsão de Demanda deProdutos
Avaliação de Risco
Cálculo de Prêmio deSeguro
Mala Direta
Perfil do Consumidor
Gerência de Carteira
Previsão de AtivosFinanceiros
Detecção de TransaçõesFraudulentas em Bolsas
Detecção de Fraude emCartões de Crédito
Planejamento da Produçãoe Distribuição
Planejamento de Pontos deVenda
Seguro MarketingVarejo e Bancos
Banco deInvestimentos
Vigilância Planejamento
Marketing Dirigido pelaInformação
lModelagem do Comportamento doConsumidor
lEnriquecimento de Banco de DadoslClassificação de ClienteslSegmentação de MercadolModelagem do Comércio VarejistalAnálise 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 Olímpicosn 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
SistemasEspecialistas
⇒ São programas que armazenam e manipulam oconhecimento adquirido de um especialista.
Conceitos Básicos
⇒ São programas que armazenam e manipulam oconhecimento adquirido de um especialista.
è Incorpora o conhecimento de um especialista
Conceitos Básicos
⇒ São programas que armazenam e manipulam oconhecimento adquirido de um especialista.
è Incorpora o conhecimento de um especialistaè Requer entrevistas e observações para extrair o
conhecimento.
Conceitos Básicos
⇒ São programas que armazenam e manipulam oconhecimento adquirido de um especialista.
è Requer entrevistas e observações para extrair oconhecimento.
è Conhecimento é representado em formatomanipulável 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
Memóriade
Trabalho
carro = Fiatcidade = 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 deExplicações
Aquisição de Conhecimento
Adequada para aplicações onde: oconhecimento (o especialista) é acessível,
as regras são conhecidas e fáceis de seremformuladas por este especialista, e
quando explicações são necessárias.
Avaliação
l utiliza representaçãoexplícita do conhecimento
l programas fáceis de ler ede compreender
l capazes de gerarjustificativas (explicações)
l ausência de mecanismoautomático deaprendizado
l processo longo e caro deextração do conhecimento
l exigência de declaraçõesprecisas dos especialistas
AvaliaçãoVantagens 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)
LógicaNebulosa
Conceitos Básicos
Técnica inteligente que tem comoobjetivo modelar o modo aproximadode raciocínio, imitando a habilidadehumana de tomar decisões em umambiente de incerteza e imprecisão
Permite que os sistemas inteligentes decontrole e suporte à decisão lidem cominformações 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
muitojovem jovem velho muito velho
idade
Se idade igual a 40 então souvelho.
Se idade igual a 39 então soujovem.
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
muitojovem jovem velho muito velho
grau depertinência
idade
idade
muitojovem 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 depertinência
idade
Pedro tem 40 anos.Ele é jovem ou velho?
muitojovem
jovem velho muito velho
Conjuntos Nebulosos
1.0
0.65
10 20 30 40 50 60
grau depertinência
idade
Pedro tem 40 anos.Ele é jovem ou velho?
muitojovem
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 baixaENTÃO seguro é baixo
Sistema para Análise deSeguro Saúde
Regras Nebulosas
lSE idade é meia-idade E pressão é baixaENTÃO seguro é baixo
lSE idade é jovem E pressão é alta ENTÃOseguro 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 1.0AltoBaixo 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 1000.1 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 17560 65
Idade 20 25 30 35 40 45 50 55 60 650.3 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 1.0AltoBaixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Seguro 500 700 800 900 10001200300Baixa
Pressão Mín. 50 55 60 70 75 80 85 90 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 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 17560 65
Idade 20 25 30 35 40 45 50 55 60 650.3 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 1.0AltoBaixo 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 60 650.3 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 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 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 17560 65
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 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 60 650.3 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 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 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 17560 65
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 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 60 650.3 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 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 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 17560 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 comdados imprecisos.
l facilita a descrição das regras pelos especialistas.l menor número de regras.l explicação do raciocínio
l especificação das funçõesde pertinência.
l necessidade de umespecialista e/ou dadoshistóricos.
AvaliaçãoVantagens Desvantagens
è NISSAN: freios antiderrapantesè GM: sistema de transmissão nebulosoè SANYO: microondasè SHARP: refrigeraçãoè BOSCH: máquinas de lavarè HITACHI: aspiradorè 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 Cursol Controle de Coloração e Nível de Tanquesl Sistema de Análise de Seguro Saúdel Análise de Oportunidade de Investimentol Previsão da Classificação da Volatilidadel Controle de Velocidade de Motor Hidráulicol Previsão de Carga Elétrica Horária e 10 em 10 min.l Planejamento do Sistema Elétricol “Clusterização” de Banco de Dadosl Sistema de Avaliação de Risco Bancáriol Sistema para definição de preço de produto novol Controle de Manipulador Robótico com extração automática de regrasl Previsão de produção de cacaul Consultas Fuzzy a bancos de dados relacionais
.Redes Neurais
Redes Neurais
Modelo Computacional inspirado nosneurônios biológicos e na estrutura docérebro com capacidade de adquirir,armazenar e utilizar conhecimento
experimental.
l Neurônio Biológicol Rede de Neurôniosl 10 bilhões neurôniosl Aprendizadol Generalizaçãol Associaçãol Reconhecimento de
Padrões
l Neurônio Artificiall Estrutura em Camadasl centenas/milharesl Aprendizadol Generalizaçãol Associaçãol Reconhecimento de
Padrões
Relação com a Natureza
Cérebro Redes Neurais Artificiais
Sinapses Dendritos
Axônio
CorpoSomático
Neurônio Biológico
Redes NeuraisNeurônio Artificial
w1
w2
w3
PesosPropagação 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
EntradaPesos
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
w
w
w
w
w
w
w
Pesos
Os pesos guardam a memória (conhecimento) daRede 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
EntradaPesos
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
EntradaPesos
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 erroencontrado .
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
EntradaPesos
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 saídada 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 reconhecerpadrões 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 pesosa partir do erroErro= alvo - previsto
Entradas da rede
Saída da rede:Valor previsto
Previsão de Séries Temporais
Séries temporais
janela
alvo
Ajuste dos pesosa partir do erroErro= alvo - previsto
Entradas da rede
Saída da rede:Valor previsto
Previsão de Séries Temporais
Séries temporais
janela
alvo
Ajuste dos pesosa partir do erroErro=alvo - previsto
Entradas da rede
Saída da rede:Valor previsto
Previsão de Séries Temporais
Séries temporais
janelaalvo
Ajuste dos pesosa partir do erroErro=alvo - previsto
Entradas da rede
Saída da rede:Valor previsto
Previsão de Séries Temporais
Séries temporais
janela
alvo
Ajuste dos pesosa partir do erroErro=alvo - previsto
Entradas da rede
Saída da rede:Valor previsto
Previsão de Séries Temporais
Séries temporais janelaprevisto
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 depadrões em aplicações com dadosruidosos ou incompletos, e quando
regras claras não podem serfacilmente formuladas.
Avaliação
Vantagens
è modelagem de sistemasnão lineares
è aprendizado automáticoè tolerante a dados
ruidosos e incompletosè resposta rápida e precisaè modelos compactos
Avaliação Desvantagens
è ausência de explicaçõesè 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 Elétrical Previsão de Consumo de Lubrificantesl Classificação de Clientes (Data Mining)l Demos do NeuroShell
AlgoritmosGenéticos
Conceitos Básicos
è Algoritmo de busca/otimização inspiradona seleção natural e reprodução genética.
Conceitos Básicos
è Algoritmo de busca/otimização inspiradona seleção natural e reprodução genética.
è Combina sobrevivência do mais apto ecruzamento aleatório de informação
l Indivíduol Cromossomal Reprodução Sexuall Mutaçãol Populaçãol Geraçõesl Meio Ambiente
l Soluçãol Representaçãol Operador Cruzamentol Operador Mutaçãol Conjunto de Soluçõesl Ciclosl Problema
Analogia com a Natureza
Evolução Natural Alg. Genéticos
Algoritmos Genéticos empregam um processo
adaptativo e paralelo de busca de soluções emproblemas complexos.
Qual a finalidade de AlgoritmosGenéticos?
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 AlgoritmosGenéticos?
Exemplo:Maximizar f (x) = x2 : 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 sn 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 ea n o s
Problema Complexo
109 inst/seg
Exemplo:Maximizar f (x) = x2 : 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 sn 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 ea n o s
Problema Complexo
109 inst/seg
Exemplo:Maximizar f (x) = x2 : 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 sn 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 ea n o s
Problema Complexo
109 inst/seg
Exemplo:Maximizar f (x) = x2 : 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 sn 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 ea n o s
Problema Complexo
109 inst/seg
Exemplo:Maximizar f (x) = x2 : 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 sn 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 ea 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
Atesouro
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) sãoreproduzidos com base na aptidão
Operações Básicas
lSeleção: privilegia os indivíduos mais aptos
lReprodução: indivíduos (palavras binárias) sãoreproduzidas com base na aptidão
lCrossover: troca de genes (pedaços de palavras)
Operações Básicas
lSeleção: privilegia os indivíduos mais aptos
lReprodução: indivíduos (palavras binárias) sãoreproduzidas 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
100100010010
010110
000001
X
3618
22
1
Aptidão (x2 )
1296
324
484
1
Seleção em Algoritmos Genéticos
População
Cromossoma Palavra
A
B
C
D
100100010010
010110
000001
X
3618
22
1
Aptidão (x2 )
1296
484
1A
DC
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 1296B 010010 324C 010110 484D 000001 1
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão
A 100100 1296B 010010 324C 010110 484D 000001 1
Pais
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão
A 100100 1296B 010010 324C 010110 484D 000001 1
Pais
Reprodução
Crossover
Mutação
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão
A 100100 1296B 010010 324C 010110 484D 000001 1
f( )
Pais
ReproduçãoFilhos
Avaliaçãodos Filhos
Crossover
Mutação
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão
A 100100 1296B 010010 324C 010110 484D 000001 1
f( )
Pais
ReproduçãoFilhos
Avaliaçãodos Filhos
Ciclo do Algoritmo Genético
Evolução
Aplicado em problemas complexos deotimização – de difícil modelagem
matemática, com variedade de regras econdições, ou com grande número de
soluções a considerar.
Avaliação
Vantagens
è Técnica de busca global
è Otimização de problemas malestruturados
è Dispensa formulaçãomatemática precisa doproblema
Desvantagens
è Dificuldade na representaçãodo cromossoma
è Evolução demorada em algunsproblemas
è Modelagem depende deespecialista 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 DadosComerciais (Data Mining)
l Otimização do Fluxo de Caixa de Empresasl Otimização de Carteira de Ativosl 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 Gl DataEngine ADL [email protected] AG,RN,LN G
R disponível no ICA; D- dedicado; G- propósito geral
Publicações Comerciaisna Área
lPCAI: Where Intelligent 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
http://www.ele.puc-rio.br/labs/ica/icahome.html
Top Related