Escolar Documentos
Profissional Documentos
Cultura Documentos
Plano de Ensino
Ementa
• Introdução à computação Natural.
• Conceitos básicos sobre otimização, e métodos de busca local e global.
• Algoritmos biologicamente inspirados: algoritmo genético, evolução
diferencial, programação genética.
• Inteligência computacional coletiva: otimização via colônia de formigas e
otimização via enxame de particulas.
• Lógica fuzzy.
• Redes neurais.
• Estudo de casos com aplicações para problemas de computação.
Objetivos Específicos
Conteúdo Programático
Aula 1:
Características de sistemas inteligentes: distribuido, emergente, robusto e tolerante à falhas
Introdução à Computação inspirada na Natureza com exemplos
Universidade Federal do Espírito Santo
Pró-Reitoria de Pesquisa e Pós-Graduação
Centro Tecnológico
Programa de Pós-Graduação em Informática
Reconhecido pelo MEC através da Portaria M.E. n.132, de 02/02/1999 – D.O.U. de 03/02/1999
Aula2:
Introdução à otimização – Funções unimodais e multimodais, Métodos baseados em derivadas
Aula 3:
Computação emergente via interação entre agentes, Otimização via enxame de particulas
(PSO), Caso contínuo - equação de posição e velocidade. Pseudo-código
Aula 4:
Otimização via colônia de formigas – caso discreto – Equação da atualização do feromônio
ilustração via problema do caixeiro e viajante (TSP). Outros problemas derivados do TSP
Aula 5:
Algoritmos genéticos: evolução Darwiniana e Genética de Mendel. Codificação binária
Operadores básicos, e função de fitness
Aula 6:
Algoritmo genético: Codificação real
Operadores básicos de seleção crossover e mutação, função de fitness
Aula 7:
Algoritmo Evolução Diferencial: Codificação usando vetores de números reais
Operadores básicos de seleção crossover e mutação
Aula 8:
Algoritmo Programação Genética: Codificação usando árvores
Operadores básicos de seleção crossover e mutação
Aula 9:
Computação Evolutiva – Uma alternativa para otimização não linear com restrições
Benchmaks difíceis da literatura
Aula 10 – Recentes progressos em algoritmos evolutivos
Aula 11:
Sistemas Fuzzy – Uma lógica multi-valores – L. Zadeh principais contribuições
Aula 12:
Operadores lógicos fuzzy – Min Max
Aula 13:
Arquitetura de um sistema fuzzy: Fuzificação, Inferência e Defuzificação
Métodos de inferência de Mandani e Sgeno
Aula 14:
Classificadores Fuzzy – Sintese e otimização usando algoritmos evolutivos
Distribuição da 1ª. tarefa computacional
Aula 15:
Redes Neurais – Introdução e conceitos de neurônio artificial
Redes Neurais feedforward multicamadas
Funções de ativação – Funções de perda
Aula 16:
Algoritmo Backpropagation – teoria e Ilustração
Aula 17:
Conceitos sobre regressão não-linear e predição de séries temporais
Modelamento de séries temporais
Universidade Federal do Espírito Santo
Pró-Reitoria de Pesquisa e Pós-Graduação
Centro Tecnológico
Programa de Pós-Graduação em Informática
Reconhecido pelo MEC através da Portaria M.E. n.132, de 02/02/1999 – D.O.U. de 03/02/1999
Aula 18:
Sintese e otimização de redes neurais usando algoritmos evolutivos
Distribuição da 2ª tarefa computacional
Aula 19:
Revisão do conteúdo programático
Aula 20:
Teste conceitual sobre algoritmos evolutivos, sistemas fuzzy e redes neurais
Da Aula 21 até Aula 28: Parte Prática dedicada aos trabalhos computacionais a serem
implementados.
Aulas 29 e 30: Entrevista sobre as 2 tarefas computacionais.
Metodologia
Aulas expositivas
Bibliografia Básica
[3] Russell C. Eberhart, Yuhui Shi, and James Kennedy, Swarm Intelligence, The Morgan
Kaufmann Series in Artificial Intelligence, 2001
[4] Andries P. Engelbrecht, Fundamentals of Computational Swarm Intelligence, John Wiley &
Sons, 2006
[5] Hojjat Adeli, & Nazmul Siddique, Computational Intelligence, Wiley, 2016
[6] F. Martin McNeill, Ellen Thro, Fuzzy Logic: A Practical Approach, Academic press, 2014
[7] Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning. MIT Press, 2016.
Disponível em http://www.deeplearningbook.org.
Bibliografia Complementar
[1] Artigos de conferências e jornais na área