BUSCA TABU Parte III E. G. M. de Lacerda UFRN/DCA 23/10/2006.

Slides:



Advertisements
Apresentações semelhantes
Gustavo Sant´Anna Ferreira Rodrigo Ribeiro de Souza
Advertisements

Meta - heurísticas Prof. Aurora
GRASP Greedy Randomized Adaptative Search Procedure
GRASP Greedy Randomized Adaptive Search Procedures
INE Fundamentos de Matemática Discreta para a Computação
Dárlinton B. Feres Carvalho
Meta - heurísticas Prof. Aurora
Otimização Inteira 5a. Aula Franklina.
Sistema de Previsão Financeira Tendências e medidas de probabilidade.
Busca Combinatorial e Métodos de Heurística
Eletricidade Aula 13.
SIMULATED ANNEALING E. G. M. de Lacerda UFRN/DCA 30/10/2006.
HEURISTÍCAS CONSTRUTIVAS E. G. M. de Lacerda UFRN/DCA Maio de 2006.
Algoritmos com Tempo Exponencial E. G. M. de Lacerda UFRN/DCA Maio de 2006.
BUSCA LOCAL Estéfane G. M. de Lacerda UFRN/DCA Setembro de 2006.
Lógica de Programação Aula 25 Prof. Auler Gomes. Introdução - subrotina Muitos problemas grandes ou nem tão grandes, mas de solução mais complexa podem.
Reconhecimento de Padrões Métodos Sintático e Estrutural Disciplina: Tópicos em Inteligência Artificial Prof. Josué Castro.
Algoritmos Genéticos: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009.
BUSCA TABU E. G. M. de Lacerda UFRN/DCA Março de 2006 Parte II.
BUSCA TABU E. G. M. de Lacerda UFRN/DCA 23/10/2006 Parte I.
Algoritmos Genéticos para o Problema da Mochila Estéfane G. M. de Lacerda UFRN/DCA Setembro/2008.
MATRIZ É uma tabela disposta em “m” linhas e “n” colunas.
Fundamentos de Aritmética
Casamento de Padrão Aproximado e Compressão de Huffaman
Confiabilidade Estrutural
Teoria dos Grafos Geração de Valores aleatórios
Germano Maioli Penello
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2017 Inferência Estatística Camilo Daleles Rennó
DETERMINANTES de Ordem n (n > 3).
O OBJETIVO FUNDAMENTAL DA DISCIPLINA
SISTEMAS OPERACIONAIS
ANÁLISE DAS DEMONSTRAÇÕES FINANCEIRAS
P3 - Fluxo máximo numa rede de transporte
ANÁLISE FATORIAL.
Fundamentos de Programação 1
Seleção de Atributos.
Sistemas de Controle III N8SC3
CINEMETRIA.
Ferramentas de Diagnóstico de Máquinas IMFDM
Sistemas de Controle III N8SC3
Modelos de variáveis qualitativas dependentes
Germano Maioli Penello
FUNDAMENTO DE PROGRAMAÇÃO
Kroton Educacional Universidade uniderp (Unidade Matriz)
ESTATÍSTICA BÁSICA. Por quê? Em alguma fase de seu trabalho, o pesquisador se vê às voltas com o problema de analisar e entender um conjunto de dados.
CAMINHOS CRÍTICOS. Os grandes projetos requerem uma calendarização de execução, um acompanhamento constante e uma perfeita coordenação das tarefas inerentes.
IP – Repetições for Prof. Eduardo Falcão.

MATRIZES É uma tabela disposta em “m” linhas e “n” colunas.
Busca Tabu Marcone Jamilson Freitas Souza
Exemplo aplicação modelo ILDF em cursos online no
Algoritmos Prof.: Carlos Alberto _1:
Processamento Digital de Imagens
Particle Swarm Optimization (PSO)
              Investigação Operacional Métodos de Programação Linear: Big M, 2 Fases, S Dual (Mestrado) Engenharia Industrial
Estatística: Conceitos Básicos
AULA 2 ESTATÍSTICA DANIEL PÁDUA.
MATRIZES É uma tabela disposta em “m” linhas e “n” colunas.
CORRELAÇÃO Universidade Federal Rural do Rio de Janeiro CPGA-Solos
MODELANDO SISTEMAS LTI NO DOMÍNIO DA FREQUÊNCIA.
INF 1771 – Inteligência Artificial
Turma E1 – Profa. Ana Maria Luz F. do Amaral
MODELANDO SISTEMAS LTI NO DOMÍNIO DA FREQUÊNCIA.
Aula 3 (Parte 2): Matrizes e Operações Matriciais
- Considerando Restrições -
Aula 7 – Algoritmos Genéticos
PATH-RELINKING Path-Relinking, melhoramento em tempo e qualidade da solução Path-Relinking, explora trajetórias conectando soluções.
Determinantes e Sistemas Lineares
Movimento dos Corpos Conceitos Básicos
Álgebra Linear Matrizes
Transcrição da apresentação:

BUSCA TABU Parte III E. G. M. de Lacerda UFRN/DCA 23/10/2006

Memória de Prazo Longo Memória Baseada na Freqüência Estratégia Oscilatória Path-relinking

Memória Baseada na Freqüência Fornece um tipo de informação que complementa a informação fornecida pela memória de curto prazo. É usada para implementar tanto estratégias de intensificação como de diversificação.

Medidas de Freqüência Medidas de Transição Conta o número de vezes em que um atributo foi modificado. Medidas de Residência Conta o número de iterações em que um atributo permaneceu em particular posição.

Medidas de Freqüência - Exemplos Medida de transição (problema da mochila) Conta o número de vezes em que a variável i mudou de 1 para 0 ou vice-versa. Medida de residência (problema da mochila) Conta o número de vezes que a variável i assumiu o valor 1 na solução corrente.

Medidas de Freqüência - Exemplo Medidas de Transição (%) Medidas de Residência (%)

Medidas de Transição - Exemplos Problema da k-árvore mínima Conta o número de vezes em que uma aresta foi adicionada (ou deletada) da solução corrente. Problema das n-rainhas Conta o número de vezes em que a rainha i foi trocada com a rainha j.

Medidas de Residência - Exemplos Problema da k-árvore-mínima Conta o número de vezes em que uma aresta fez parte da solução corrente. Problema das n-rainhas Conta o número de vezes em que a rainha i ocupou a coluna c na solução corrente.

Medidas sobre Soluções de Elite Se a medida de residência é obtida sobre o subconjunto de soluções de elite (i.e., soluções de alta qualidade) então esta medida indica que atributos com alta freqüência são atrativos. Se a medida de residência é obtida sobre subconjunto de soluções de baixa qualidade, então esta medida indica o oposto.

Medidas sobre Soluções de Elite Medidas de Residência (em percentagem) Sobre todas as soluções Sobre as soluções de elite

Exemplo de Intensificação Neste exemplo, usaremos a informação da freqüência para intensificar a busca. O objetivo da intensificação é explorar as regiões do espaço de busca que parecem ser mais promissoras; De tempos em tempos, o procedimento normal da busca é interrompido para dar inicio a uma fase de intensificação.

Exemplo de Intensificação Uma simples estratégia de intensificação: IDEIA: “congelar” os componentes das soluções que são consideradas atrativos e reiniciar a busca modificando apenas as partes “livres” da solução.

Exemplo de Intensificação Considere o Problema do Caixeiro Viajante PASSO 1: armazena as soluções de elite (i.e., soluções de alta qualidade): Exemplo: as soluções de mínimos locais cujo valor é próximo do valor da melhor solução. PASSO 2: calcule a freqüência de residência de arestas contidas nas soluções de elite. As arestas com alta freqüência são consideradas bons atributos (boas arestas).

Exemplo de Intensificação Boas arestas, encontradas com alta freqüência nas soluções de elite. Obs: as boas arestas têm freqüência acima de certo limite definido pelo usuário.

Exemplo de Intensificação PASSO 3 – construa uma solução contendo as boas arestas e faça tabu a retirada delas da solução (i.e., congele boas arestas). PASSO 4 – Continue a busca normalmente usando apenas arestas “livres”.

Exemplo de Intensificação Exemplo de solução inicial para a fase de intensificação: Estas arestas estão “fixas”, não podem ser retiradas durante a busca.

Exemplo de Intensificação Alternativa: ao invés de “congelar” as boas arestas, podemos penalizar movimentos que removem arestas com penalidade proporcional a freqüência da aresta.

Exemplo de Diversificação I Suponha que a freqüência é medida sobre todas as soluções geradas. A diversificação pode ser alcançada penalizando movimentos que incorporem atributos com alta freqüência. ValorMovimento' = ValorMovimento + d * Freq(atributo) Onde d é a constante de penalidade.

Exemplo de Diversificação I Similarmente, poderiamos incentivar movimentos que incorporem atributos com baixa freqüência. ValorMovimento' = ValorMovimento - d * Freq(atributo) Onde d é a constante de incentivo (i.e., penalidade negativa).

Exemplo de Diversificação I Exemplo de estratégia de diversificação para o problema das n-rainhas: Armazena-se a freqüência de trocas rainhas. A informação da freqüência penalizará troca de rainhas com grande freqüência de troca. Neste exemplo, sua aplicação será restrita apenas a movimentos sem melhora.

Exemplo de Diversificação I Iteração 26 A matriz triangular Inferior armazena a frequência de trocas de rainhas. ValorMovimento' = ValorMovimento + Freq(i,j)

Exemplo de Diversificação II Diversificação por reiniciação IDÉIA: Forçar a inclusão de atributos raramente utilizados na solução corrente (ou na melhor solução) e reiniciar a busca.

Exemplo de Diversificação II A diversificação por reiniciação permite explorar novas regiões do espaço de busca. reinicio da busca inicio

Exemplo de Diversificação II Exemplo: problema da mochila Seja freq(i) a freqüência de residência do valor 1 na variável si. Altere a solução corrente da seguinte forma: Se freq(i) é muito alto então si = 0 Se freq(i) é muito baixo então si = 1 Reinicie a busca com a solução modificada.

Exemplo de Diversificação II Exemplo: problema das n-rainhas Seja freq(i,c) a freqüência de residência da rainha i na coluna c. Construa uma solução tal que a probabilidade da rainha i estar na coluna c é inversamente proporcional a freq(i,c). Reinicie a busca com a solução modificada.

Exemplo de Diversificação III Uma solução gulosa para o exemplo de programação de tarefas é construída pela regra do mais cedo prazo final. Solução gulosa (4,1,2,3,5,6)

Exemplo de Diversificação III Estratégia: a frequência será utilizada para alterar a ordem gulosa adicionando um viés ao prazo final. PrazoFinalComVies = PrazoFinal + d * freqüencia A freqüencia mede a percentagem de vezes em que uma tarefa foi concluída sem atraso.

Exemplo de Diversificação III Nova solução = (1,4,2,5,3,6) Reinicie a busca com esta solução!