Inteligencia Computacional Aplicada

Inteligncia Computacional Aplicada
Resumo
lO
que IntelignciaComputacional? l reas de Aplicao l Sistemas Especialistas l Lgica Nebulosa l Redes Neurais l Algoritmos Genticos
O que Inteligncia Computacional?

Tcnicas e sistemas computacionais que imitam aspectos humanos, tais como: percepo, raciocnio, aprendizado, evoluo e adaptao.
Inspirao na Natureza
l l l l l
Sistemas Especialistas Lgica Fuzzy Redes Neurais Algoritmos Genticos Sistemas Hbridos
inferncia humana processamento lingstico neurnios biolgicos evoluo biolgica aspectos combinados
Novos Sistemas Computacionais

l l l l l l l l l
Suporte Deciso Classificao de Dados Reconhecimento de Padres Previso Otimizao Controle Modelagem Planejamento Descoberta de Conhecimento
reas de Aplicao
Energia Finanas Telecomunicaes Medicina Meio-Ambiente Comrcio Indstria
Setor Ensino Energia
Alguns Projetos Desenvolvidos no ICA Tema

Software Educacional para o Ensino de Sistemas Inteligentes Previso de Carga Eltrica por Redes Neurais: Mensal, Horria, Pico, Intervalos 10min Sistema Hbrido de Deteco e Diagnstico de Falhas em Sistemas Eltricos Otimizao de Despacho por Algoritmos Genticos Otimizao da Alocao de Capacitores em Sistemas Eltricos Controle de Cheias em reservatrios de usinas hidreltricas Reconhecimento de Descargas Parciais em Equipamentos Eltricos Simulao de Forno de Craqueamento da Refinaria REDUC Utilizando Redes Neurais Sensor Virtual por Redes Neurais para a Medio de Intemperismo na Produo do GLP Otimizao da Distribuio Combustveis por Algoritmos Genticos Sistema Inteligente de Reconhecimento de Imagens Bidimensionais Redes Neurais Aplicadas a Ensaios No-Destrutivos de Materiais Condutores Sistemas Inteligentes Aplicados ao Reconhecimento de Voz Otimizao e Planejamento da Produo Controle e Navegao de Robos Compresso de Imagens Digitalizadas por Redes Neurais Otimizao do Planejamento de Horrios/Alocao de Salas por Algoritmos Genticos Reconhecimento de Dgitos Manuscritos por Redes Neurais para Leitura de Cdigo Postal Reconhecimento de Caracteres Impressos (OCR) Utilizando Redes Neurais Previso da Demanda de Lubrificantes Descoberta de Padres em Bancos de Dados Comerciais Classificao/Segmentao de Clientes a partir de Informaes Cadastrais em BD Planejamento de Fluxo de Caixa Inteligente (FCI) Gerncia de Carteira de Investimentos (Risco x Retorno) por Algoritmos Genticos Previso de Indicadores Financeiros por Redes Neurais Previso do ndice Bovespa por Redes Neurais Modelos Hbridos de Previso de Sries Temporais Previso de Precipitao Pluviomtrica na rea do Nordeste por Redes Neurais
Petroqumico
Industrial
Comercial
Econmico/ Financeiro Meio Ambiente
Automao Inteligente
Planejamento da Produo l Monitorao do Controle l Deteco e Diagnstico de Falhas l Manuteno Preventiva l Simulao e Modelagem de Processos l Robtica l Reconhecimento de Imagens, Voz l Inferncia/Predio de Propriedades
l
Automao Inteligente
l
Planejamento e Otimizao da Produo

Algoritmo Gentico busca a ordem das tarefas que otimiza a produo (tempo, recursos, custos, etc) e satisfaz as restries.
Deteco e Diagnstico de Falhas

Redes Neurais so treinadas com dados histricos para prever antecipadamente falhas em equipamentos; Sistema Especialista ou Lgica Nebulosa d o diagnstico e indica procedimentos.
Manuteno Preventiva
Redes Neurais so treinadas com a leitura dos sensores para apontar a perspectiva de falhas em programas de manuteno preventiva.
Automao Inteligente
l
Simulao e Modelagem de Processos

Rede Neural treinada para representar a dependncia entre o estado e uma medida de qualidade de um processo. Aps treinada, a RN atua como um modelo do processo industrial.
Reconhecimento de Imagens, Voz

Redes Neurais treinadas com padres de imagens/voz so usadas para fins de segurana, seleo e identificao.
Inferncia/Predio de Propriedades
Redes Neurais so treinadas para modelar a relao entre as variveis de entrada de um processo e as propriedades fsicas de um produto, permitindo que o operador possa influenciar no processo sem ter que esperar pela anlise laboratorial de amostras.
reas de Aplicao em Negcios

Varejo e Bancos
Avaliao de Financiamento Previso de Demanda de Produtos
Seguro
Avaliao de Risco Clculo de Prmio de Seguro
Marketing
Mala Direta Perfil do Consumidor
Banco de Investimentos
Gerncia de Carteira Previso de Ativos Financeiros
Vigilncia
Deteco de Transaes Fraudulentas em Bolsas Deteco de Fraude em Cartes de Crdito
Planejamento
Planejamento da Produo e Distribuio Planejamento de Pontos de Venda
Marketing Dirigido pela Informao

l Modelagem
do Comportamento do Consumidor l Enriquecimento de Banco de Dados l Classificao de Clientes l Segmentao de Mercado l Modelagem do Comrcio Varejista l Anlise de Vendas
Negcios Inteligentes
n American Express - Autorizao de crdito line on n Fidelity Investments - Gerncia de carteira de investimentos ($ 2 bilhes) n IOC - Planejamento dos Jogos Olmpicos n Yamaichi Securities - Seleo de Aes Sistemas Especialistas
Redes Neurais
Algoritmos Genticos
Lgica Nebulosa
Sistemas Inteligentes
n Souza Cruz
- Fluxo de Caixa Inteligente n Eletrobrs - Previso do Consumo Mensal de Energia Eltrica n Embratel - Classificao de Clientes n PUC-Rio - Alocao de Salas de Aula Redes Neurais Algoritmos Genticos
Algoritmos Genticos Redes Neurais Algoritmos Genticos
Sistemas Especialistas
Conceitos Bsicos
So programas que armazenam e manipulam o conhecimento adquirido de um especialista.
Conceitos Bsicos
So programas que armazenam e manipulam o conhecimento adquirido de um especialista. Incorpora o conhecimento de um especialista
Conceitos Bsicos
Incorpora o conhecimento de um especialista Requer entrevistas e observaes para extrair o conhecimento.
Conceitos Bsicos
Requer entrevistas e observaes para extrair o conhecimento. Conhecimento representado em formato manipulvel pelo computador.
Representao do Conhecimento
Regras de produo
Regra i IF <condio_1> AND <condio_2>... THEN <ao_A> AND <ao_B> ....
Exemplos:
IF Carro = BMW AND cidade = So Paulo THEN seguro = 10% valor carro IF carro = Fiat AND cidade = Icapu THEN seguro = 4% valor carro
Organizao de Sistemas Especialistas

Base de conhecimento
IF Carro = BMW AND cidade = SP THEN seguro = 10% IF Carro = Fiat AND cidade = Icapu THEN seguro = 4%
Memria de Trabalho carro = Fiat cidade = Icapu
Mquina de Inferncia
Sistema de Explicaes
Aquisio de Conhecimento
Avaliao
Adequada para aplicaes onde: o conhecimento (o especialista) acessvel, as regras so conhecidas e fceis de serem formuladas por este especialista, e quando explicaes so necessrias.
Avaliao
Vantagens
l
Desvantagens
l
utiliza representao explcita do conhecimento programas fceis de ler e de compreender capazes de gerar justificativas (explicaes)
ausncia de mecanismo automtico de aprendizado processo longo e caro de extrao do conhecimento exigncia de declaraes precisas dos especialistas
Aplicaes Comerciais
n American Express: n Citibank, National Westminster, Midland Bank:
Sistema de Auxlio para Autorizao de Crdito (CC) Anlise de emprstimos pessoais, Gerncia de Carteira de Investimento
Lgica Nebulosa
Conceitos Bsicos
Tcnica inteligente que tem como objetivo modelar o modo aproximado de raciocnio, imitando a habilidade humana de tomar decises em um ambiente de incerteza e impreciso
Conceitos Bsicos
Permite que os sistemas inteligentes de controle e suporte deciso lidem com informaes imprecisas ou nebulosas
Exemplos: investimento de alto risco presso mdia fluxo muito intenso alta temperatura muito jovem
Novos Conceitos
l Conjuntos l Grau
Nebulosos
de Pertinncia a um Conjunto Nebulosas Nebulosa
l Regras
l Inferncia
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Conjuntos e Regras Rgidos

muito jovem jovem velho muito velho
10
20
30
40
50
60
idade
Se idade igual a 40 ento sou velho. Se idade igual a 39 ento sou jovem.
Conjuntos Nebulosos
muito jovem jovem velho muito velho
grau de pertinncia muito
10
20
30
jovem
40
50
velho
60
idade
1.0 0.5
jovem
muito velho
10
20
30
40
50
60
idade
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Conjuntos Nebulosos
Pedro tem 40 anos. Ele jovem ou velho?
grau de pertinncia
1.0 0.5
muito jovem
jovem
velho
muito velho
10
20
30
40
50
60
idade
Conjuntos Nebulosos
Pedro tem 40 anos. Ele jovem ou velho?
grau de pertinncia
1.0 0.65 0.45
muito jovem
jovem
velho
muito velho
10
20
30
40
50
60
idade
Conjuntos Nebulosos
Pedro tem 40 anos. Ele jovem ou velho? Pedro jovem E velho, ao mesmo tempo (com graus diferentes) Os graus de pertinncia demostram que Pedro no nem to jovem, nem to velho
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Sistema para Anlise de Seguro Sade
Regras Nebulosas
l SE
idade meia-idade E presso baixa ENTO seguro baixo
Sistema para Anlise de Seguro Sade
Regras Nebulosas
idade meia-idade E presso baixa ENTO seguro baixo l SE idade jovem E presso alta ENTO seguro alto
l SE
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Conjuntos Nebulosos
Idade Meia-Idade Jovem
Presso Mx.
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 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 100 110 120 55 60 65 0.2 0.3 0.4 0.9 0.8 0.7 130 70 0.5 0.6 140 150 75 80 0.6 0.7 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
95 Presso Mn. 50 0.1 Alta 1.0 Baixa

Seguro Alto Baixo
300 500 700 800 900 1000 1200 0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade meia-idade E presso baixa ENTO seguro baixo

Presso Mx. Presso Mn.
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 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
300 500 700 800 900 1000 1200
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade meia-idade E presso baixa ENTO seguro baixo

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 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
300 500 700 800 900 10001200
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade jovem E presso alta ENTO seguro alto

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 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
300 500 700 800 900 10001200
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade jovem E presso alta ENTO seguro alto

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 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
300 500 700 800 900 10001200
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Avaliao
Tcnica utilizada em aplicaes: onde o conhecimento envolve conceitos subjetivos e intrinsicamente imprecisos; e onde deseja-se obter explicaes sobre o resultado do problema.
Avaliao
Vantagens
l
Desvantagens
l
l l
facilidade de lidar com dados imprecisos. facilita a descrio das regras pelos especialistas. menor nmero de regras. explicao do raciocnio
especificao das funes de pertinncia. necessidade de um especialista e/ou dados histricos.
Aplicaes Industriais
NISSAN: freios antiderrapantes GM: sistema de transmisso nebuloso SANYO: microondas SHARP: refrigerao BOSCH: mquinas de lavar HITACHI: aspirador PANASONIC: camcorder
Aplicaes Comerciais
n Yamaichi Securities: Sistema de Gerenciamento de Fundos
de Investimento
n Fuji Bank: Sistema de Negociao de Bolsa de Valores n World Bank: Sistema de Investimento n Metus Systems: Sistema fuzzy de deteco de fraude no
sistema de sade
Aplicaes do Curso
l l l l l l l l l l l l l
Controle de Colorao e Nvel de Tanques Sistema de Anlise de Seguro Sade Anlise de Oportunidade de Investimento Previso da Classificao da Volatilidade Controle de Velocidade de Motor Hidrulico Previso de Carga Eltrica Horria e 10 em 10 min. Planejamento do Sistema Eltrico Clusterizao de Banco de Dados Sistema de Avaliao de Risco Bancrio Sistema para definio de preo de produto novo Controle de Manipulador Robtico com extrao automtica de regras Previso de produo de cacau Consultas Fuzzy a bancos de dados relacionais
Redes Neurais .
Redes Neurais
Modelo Computacional inspirado nos neurnios biolgicos e na estrutura do crebro com capacidade de adquirir, armazenar e utilizar conhecimento experimental.
Relao com a Natureza

Crebro
l
Redes Neurais Artificiais
Neurnio Biolgico l Rede de Neurnios l 10 bilhes neurnios l Aprendizado l Generalizao l Associao l Reconhecimento de Padres
Neurnio Artificial l Estrutura em Camadas l centenas/milhares l Aprendizado l Generalizao l Associao l Reconhecimento de Padres
l
Redes Neurais
Neurnio Biolgico
Sinapses Dendritos
Pesos
Neurnio Artificial
Propagao Ativao
Axnio Corpo Somtico
w1 w2 w3
Estrutura da Rede Neural

I1 H1 O1
I2
H2
O2
I3
H3
O3
Entrada
Escondida
Sada
Estrutura da Rede Neural

Atividade Neural
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w w
w w w
O2
I3
w w
Pesos
H3
w w
Pesos
O3
Entrada
Escondida
Sada
Os pesos guardam a memria (conhecimento) da Rede Neural .
Treinamento da Rede Neural

Atividade Neural
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
Dados para Treinamento I3
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Entrada Pesos H3
w w
Pesos
O3
Escondida Sada

Erro =
w
I1
w
H1
w w w
w w w
O1
I2
w w w
H2
w w w
O2
I3 Dados para Treinamento Entrada
w w
Pesos
H3
w w
O3
Escondida
Pesos
Sada
Pesos so ajustados de acordo com o erro encontrado .

Atividade Neural
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Entrada Pesos Escondida H3
w w
Pesos
O3
Sada

Erro =
w
I1
w
H1
w w w
w w w
O1
I2
w w w
H2
w w w
O2
I3 Dados para Treinamento Entrada
w w
Pesos
H3
w w
O3
Escondida
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada

Atividade Neural
Alvo
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada
A Rede Neural treinada at que o erro entre a sada da rede e o alvo seja satisfatrio.

Atividade Neural
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
w w
Pesos
O3
Sada
A Rede Neural capaz de generalizar e reconhecer padres distintos dos usados no treinamento.
Previso de Sries Temporais

valor alvo janela Sries temporais
Entradas da rede
tempo

Sries temporais alvo janela
Entradas da rede
Ajuste dos pesos a partir do erro Erro= alvo - previsto

Sada da rede: Valor previsto

Entradas da rede
Ajuste dos pesos a partir do erro Erro= alvo - previsto


Entradas da rede
Ajuste dos pesos a partir do erro Erro=alvo - previsto


Sries temporais janela alvo
Entradas da rede


Sries temporais janela alvo
Entradas da rede


Sries temporais janela previsto
Entradas da rede

Entradas da rede

Entradas da rede
Avaliao
Indicada para o reconhecimento de padres em aplicaes com dados ruidosos ou incompletos, e quando regras claras no podem ser facilmente formuladas.
Avaliao
Vantagens

Desvantagens
modelagem de sistemas ausncia de explicaes no lineares sensvel a quantidade de dados aprendizado automtico disponvel tolerante a dados ruidosos e incompletos resposta rpida e precisa modelos compactos
n Racal: Identificao de placas de veculos n Thomson: Sistemas de OCR n St. George Hospital: Sistema de classificao de tumores s n CRAM: Sistema automtico de seleo de laranjas
Aplicaes Comerciais
u Fidelity Investments: Gerncia de Fundos de Investimento
($2 bilhes)
u Chase Manhattan Bank: Deteco de Fraudes em Cartes

de Crditos
u Citibank (USA): Avaliao de Crdito u Nikko Securities: Sistema de Negociao do ndice da Bolsa u Hill Samuel/UCL: Sistema de Previso de Fundos de
Investimento
u Thorn EMI/UCL: Perfil do consumidor
Aplicaes do Curso
Previso de Demanda de Energia Eltrica l Previso de Consumo de Lubrificantes l Classificao de Clientes (Data Mining) l Demos do NeuroShell
l
Algoritmos Genticos
Conceitos Bsicos
Algoritmo de busca/otimizao inspirado na seleo natural e reproduo gentica.
Conceitos Bsicos
Algoritmo de busca/otimizao inspirado na seleo natural e reproduo gentica. Combina sobrevivncia do mais apto e cruzamento aleatrio de informao
Analogia com a Natureza

Evoluo Natural Alg. Genticos
Indivduo l Cromossoma l Reproduo Sexual l Mutao l Populao l Geraes l Meio Ambiente

l
Soluo l Representao l Operador Cruzamento l Operador Mutao l Conjunto de Solues l Ciclos l Problema
l
Qual a finalidade de Algoritmos Genticos?

Algoritmos Genticos empregam um processo adaptativo e paralelo de busca de solues em problemas complexos.
Qual a finalidade de Algoritmos Genticos?

l Adaptativo
informao corrente influencia a busca futura

l Paralelo
vrias solues consideradas a cada momento

l Problema
Complexo
de difcil formulao matemtica ou com grande espao de busca (grande nmero de solues)
Problema Complexo
Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=mx
2L N m ero de Pontos no Espao 8 1024 1 b ilh o 10
27
Tempo de Busca
109 inst/seg
L=3 L=10 L=30 L=90
< 1 seg < 1 seg 1 seg 1 5 b ilh e s d e anos
Problema Complexo
27
Tempo de Busca
109 inst/seg
L=3 L=10 L=30 L=90
Problema Complexo
27
Tempo de Busca
109 inst/seg
L=3 L=10 L=30 L=90
Problema Complexo
27
Tempo de Busca
109 inst/seg
L=3 L=10 L=30 L=90
Problema Complexo
27
Tempo de Busca
109 inst/seg
L=3 L=10 L=30 L=90
Problema da Cabra Cega

Busca de objetivo escondido em uma rea
y
tesouro Avaliao adapta a busca (X0 , Y0) t frio
y0 x0 x

y
tesouro Avaliao adapta a busca
y1 y0 x0 x1
(X0 , Y0) (X1 , Y1)
t frio t morno

y y2
tesouro Avaliao adapta a busca
y1 y0 x0 x2 x1
(X0 , Y0) (X1 , Y1) (X2 , Y2)
t frio t morno t quente!

x

rea Muito Grande
y
Busca Paralela
tesouro

rea Muito Grande
y yA
Busca Paralela
tesouro
C
yB
B D
xA
E
xB x
y yA
tesouro
A cruzamento
C
yB
B D
xA
E
xB x

F A cruzamento
(xB ,y A )
y yA
tesouro
C
yB
B D
xA
E
xB x
Operaes Bsicas
lSeleo:
privilegia os indivduos mais aptos
Operaes Bsicas
lSeleo:
lReproduo:
indivduos (palavras binrias) so reproduzidos com base na aptido
Operaes Bsicas
lSeleo:
lReproduo:
indivduos (palavras binrias) so reproduzidas com base na aptido troca de genes (pedaos de palavras)
lCrossover:
Operaes Bsicas
lSeleo:
lReproduo:
indivduos (palavras binrias) so reproduzidas com base na aptido troca de genes (pedaos de palavras)
lCrossover: lMutao:
troca aleatria de um gene (bit da palavra)
Exemplo
Problema:
Achar o valor mximo para f (x) = x2 , x no limite de 0 a 63.
Exemplo
Problema:
Achar o valor mximo para f (x) = x2 , x no limite de 0 a 63.
Representao da Soluo:
Palavras binrias representando sucessivas potncias de 2.
011100 => Representa 28 110101 => Representa 53 (uma soluo mais apta)
Seleo em Algoritmos Genticos

Populao
Cromossoma Palavra
Aptido (x2 )
A B C D
100100 010010 010110 000001
36 18 22 1
1296 324 484 1
Seleo em Algoritmos Genticos

Populao
Cromossoma Palavra
Seleo
X Aptido (x2 )
D C A
A B C D
100100 010010 010110 000001
36 18 22 1
1296 324 484 1
Probabilidade de Seleo
Aptido do
Cromossoma
Operadores de Algoritmos Genticos

Crossover
1 0 1 0 1 1
Pais
0 0 1 1 0 0

Crossover
1 0 1 0 1 1 1 0 0 0 1 1 0 1 0 1 0
Pais
0 0 1 1 0 0 1
Filhos

Crossover
1 0 1 0 1 1 1 0 0 0 1 1 0 1 0 1 0
Pais
0 0 1 1 0 0 1
Filhos
Mutao
0 1 1 1 0 0
Antes
Depois
Ciclo do Algoritmo Gentico

Cromossoma Palavra Aptido
A B C D
100100 010010 010110 000001
1296 324 484 1

Pais
A B C D
100100 010010 010110 000001
1296 324 484 1

Pais
A B C D
100100 010010 010110 000001
1296 324 484 1
Crossover
Mutao
Reproduo

Avaliao dos Filhos
Pais
A B C D
100100 010010 010110 000001
1296 324 484 1
f( )
Crossover
Filhos Mutao
Reproduo

Avaliao dos Filhos
Pais
A B C D
100100 010010 010110 000001
1296 324 484 1

Evoluo
f( )
Filhos
Reproduo
Avaliao
Aplicado em problemas complexos de otimizao de difcil modelagem matemtica, com variedade de regras e condies, ou com grande nmero de solues a considerar.
Avaliao
Vantagens

Desvantagens
Tcnica de busca global
Otimizao de problemas mal estruturados Dispensa formulao matemtica precisa do problema
Dificuldade na representao do cromossoma Evoluo demorada em alguns problemas Modelagem depende de especialista em AG
u GENERAL ELECTRIC - Otimizao de Projeto de Motores DC u BRITISH GAS - Otimizao da Distribuio de Gs u BBN - Roteamento de Telecomunicaes u ATTAR - Planejamento da Programao de TV
Aplicaes Comerciais
u CAP VOLMAC - Avaliao de Crdito e Anlise de Risco u SEARCHSPACE - Deteco de Fraude na Bolsa de Londres u IOC - Planejamento dos Jogos Olmpicos u CAP Gemini - Avaliao de Emprstimos e Financiamentos u GWI - Modelagem Econmica u World Bank - Gerao de Regras de Negociao na Bolsa
Aplicaes do Curso
Extrao de Conhecimento em Bancos de Dados Comerciais (Data Mining) l Otimizao do Fluxo de Caixa de Empresas l Otimizao de Carteira de Ativos l Demos do Evolver 4.0 e GeneHunter
l
Softwares Comerciais
Produto
l l l l l l l l l l l l
site
www.optimax.com www.aspentech.com www.flextool.com
Tcnica Propsito
AG D D D AG RN RN AG D G G G D D
Optimax Systems Aspen PIMS 10.0 FT3PAK NeuroGenetic Optimizer NeuroSolutions NeuralWorks R GeneHunter BrainWave ModelWare/RT Evolver 4.0 R QMC Program DataEngine ADL
www.BioCompSystems.com http://www.nd.com http://neuralware.com
www.palisade.com www.EngineersWebSite.com info@mitgmbh.de
AG AG,RN
G G
AG,RN,LN G
R disponvel no ICA; D- dedicado; G- propsito geral
Publicaes Comerciais na rea

l PCAI: 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
ICA@ele.puc-rio.br http://www.ele.puc-rio.br/labs/ica/icahome.html

Inteligencia Computacional Aplicada

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inteligencia Computacional Aplicada

Enviado por

Direitos autorais:

Formatos disponíveis

Inteligncia Computacional Aplicada

O que Inteligncia Computacional?

Novos Sistemas Computacionais

Setor Ensino Energia

Alguns Projetos Desenvolvidos no ICA Tema

Econmico/ Financeiro Meio Ambiente

Planejamento e Otimizao da Produo

Deteco e Diagnstico de Falhas

Simulao e Modelagem de Processos

Reconhecimento de Imagens, Voz

reas de Aplicao em Negcios

Marketing Dirigido pela Informao

Algoritmos Genticos Redes Neurais Algoritmos Genticos

So programas que armazenam e manipulam o conhecimento adquirido de um especialista.

So programas que armazenam e manipulam o conhecimento adquirido de um especialista.

Incorpora o conhecimento de um especialista Requer entrevistas e observaes para extrair o conhecimento.

So programas que armazenam e manipulam o conhecimento adquirido de um especialista.

Organizao de Sistemas Especialistas

Memria de Trabalho carro = Fiat cidade = Icapu

n American Express: n Citibank, National Westminster, Midland Bank:

de Pertinncia a um Conjunto Nebulosas Nebulosa

de Pertinncia a um Conjunto Nebulosas Nebulosa

Conjuntos e Regras Rgidos

grau de pertinncia muito

de Pertinncia a um Conjunto Nebulosas Nebulosa

1.0 0.65 0.45

de Pertinncia a um Conjunto Nebulosas Nebulosa

Sistema para Anlise de Seguro Sade

idade meia-idade E presso baixa ENTO seguro baixo

Sistema para Anlise de Seguro Sade

de Pertinncia a um Conjunto Nebulosas Nebulosa

95 Presso Mn. 50 0.1 Alta 1.0 Baixa

Idade Meia-Idade Jovem

300 500 700 800 900 1000 1200

Idade Meia-Idade Jovem

300 500 700 800 900 10001200

Idade Meia-Idade Jovem

300 500 700 800 900 10001200

Idade Meia-Idade Jovem

300 500 700 800 900 10001200

especificao das funes de pertinncia. necessidade de um especialista e/ou dados histricos.

Relao com a Natureza

Redes Neurais Artificiais

Axnio Corpo Somtico

Estrutura da Rede Neural

Estrutura da Rede Neural

Os pesos guardam a memria (conhecimento) da Rede Neural .

Treinamento da Rede Neural

Dados para Treinamento I3

Treinamento da Rede Neural

Dados para Treinamento I3

Treinamento da Rede Neural

Dados para Treinamento I3

Treinamento da Rede Neural

I3 Dados para Treinamento Entrada

Pesos so ajustados de acordo com o erro encontrado .

Treinamento da Rede Neural

Dados para Treinamento I3

Treinamento da Rede Neural

Dados para Treinamento I3

Treinamento da Rede Neural

Dados para Treinamento I3

Treinamento da Rede Neural

I3 Dados para Treinamento Entrada