TÓPICOS ESPECIAIS EM INTELIGÊNCIA ARTIFICIAL

Slides:



Advertisements
Apresentações semelhantes
Complexidade de Algoritmos Recursivos
Advertisements

Busque o menor elemento no vetor Troque sua posição com o primeiro Repita a operação a partir do segundo elemento, até que reste apenas um elemento a ser.
O Problema de Roteamento de Veículos (PRV)
ESTRUTURA DE DADOS EXERCÍCIOS e MATRIZES
Marco Antonio Montebello Júnior
Busca Otimizada Subida da Encosta (Hill Climbing)
Recursividade Prof. Rosana Palazon.
Algoritmos de Ordenação
Désiré NGuessan Programação II Estruturas de Dados
Ivairton Monteiro Santos - UFF Carlos Alberto Martinhon - UFF
I Iterated Local Search Helena R. Lorenço, Olivier Martinz
Introdução a Programação
Sistemas Baseados em Conhecimento
Dárlinton B. Feres Carvalho
INTELIGÊNCIA COMPUTACIONAL PARA OTIMIZAÇÃO
FlowShop Scheduling Permutacional
Otimização de Funções Contínuas via Algoritmos Genéticos Adaptado do trabalho realizado por: Frederico Heitor Mônica do Amaral.
Otimização de Funções Contínuas via Algoritmos Genéticos
Maximização de Funções usando Simulated Annealing
Problema do Caixeiro Viajante Utilizando VNS e VND
XXXV SBPO - PROGRAMAÇÃO DE TRIPULAÇÕES DE ÔNIBUS URBANO:
Alocação de processos a computadores em uma rede em anel lógico utilizando Busca Tabu Eduardo Magno Lages Figueiredo Sibele Esteves Ramos Universidade.
Inteligência Computacional para Otimização
David Menotti Estruturas de Dados I DECOM – UFOP
Inteligência Computacional
Automato de Pilha.
OTIMIZAÇÃO DE PESO EM TRELIÇAS METÁLICAS VIA VND E VNS
Problema da Mochila Inteira (Bounded Knapsack)
FACENS – Engenharia da Computação Inteligência Artificial
Ordenação Facilitar e aumentar a eficiência das operações de pesquisa sobre esses dados Pode ser crescente ou decrescente A seqüência de entrada, normalmente,
FACENS – Engenharia da Computação Inteligência Artificial
Ordenação Facilitar e aumentar a eficiência das operações de pesquisa sobre esses dados Pode ser crescente ou decrescente A seqüência de entrada, normalmente,
Prof. Luis Otavio Alvares
Algoritmos Escher.
Capítulo 4 - Russell e Norvig
Trabalho de Inteligência Artificial
CINEMÁTICA DIFERENCIAL
INF 1771 – Inteligência Artificial
INF 1771 – Inteligência Artificial
INF 1771 – Inteligência Artificial
INF 1771 – Inteligência Artificial
Vetor de Ponteiros Exemplo de Alocação. Escrever Vetor de Vetores de floats int main() { int i, k, n; float **vetor; // vetor de vetores int *tamanho;
Algoritmos de Ordenação
FACENS – Engenharia da Computação Inteligência Artificial Busca.
Vetores em c / c++: Formato geral para declaração de variáveis:
Tópicos em Inteligência Artificial – opt. CI309A inf. ufpr
INTELIGÊNCIA ARTIFICIAL
Otimizações – Parte 1 André José Diniz Barboza
Algoritmos de Busca Local
Busca Informada.
Complexidade de Algoritmos
Algoritmos de Ordenação
Usando VNS Por: Vitor de Araújo Gabriel Leffa André Moraes (E Mestre Huang Ho)
O Problema de Corte de Estoque
Busca Combinatorial e Métodos de Heurística
© 2011 Pearson Prentice Hall. Todos os direitos reservados.slide 1 © 2011 Pearson Prentice Hall. Todos os direitos reservados.slide 1 © 2011 Pearson Prentice.
Programação Dinâmica.
Trabalho Prático 1 Estudo de Algoritmos de Busca de Soluções em Prolog
Métodos Construtivos x Aprimoramento
Algoritmo e Estrutura de Dados I
 A linguagem Java tem diversas classes para a manipulação dos conjuntos de dados. Esses dados podem ser organizados de duas maneiras diferentes: ◦ Vetores.
Professor Luiz José Hoffmann Filho
Programação Dinâmica IF672 - Algoritmos e Estruturas de Dados CIn - UFPE Átila Valgueiro Malta Moreira Juliana Medeiros de Lucena Rafael Alberto Gomes.
ORDENAÇÃO EM TEMPO LINEAR
Fundamentos de Programação 1 Slides C – Número 4 Prof. SIMÃO Jean Marcelo SIMÃO Estrutura de Dados Homogêneas “vetores de números e de caracteres”
Marcone Jamilson Freitas Souza Departamento de Computação – UFOP Variable Neighborhood Descent (VND) e Variable Neighborhood.
Ant Colony Optimization Eraylson Galdino da Silva Universidade Federal de Pernambuco Centro de Informática Tópicos Avançados em Inteligência.
HEURISTÍCAS CONSTRUTIVAS E. G. M. de Lacerda UFRN/DCA Maio de 2006.
BUSCA LOCAL Estéfane G. M. de Lacerda UFRN/DCA Setembro de 2006.
INF1007: Programação 2 6 – Ordenação de Vetores
Transcrição da apresentação:

TÓPICOS ESPECIAIS EM INTELIGÊNCIA ARTIFICIAL Bounded Knapsack Problem – BPK (Problema da Mochila Inteira)

O PROBLEMA NP-difícil; Técnica utilizada; Modelagem;

MODELAGEM Leitura dos dados; Montagem do modelo de solução; Submissão da solução a uma heurística VND ou VNS

ALGORITMO Leitura dos Dados; Implementação dos movimentos; Solução inicial; VND ou VNS;

LEITURA Vetor de tipos de objetos Vetor de benefício dos objetos; Vetor de quantidade dos tipos de objeto;

IMPLEMENTAÇÃO DOS MOVIMENTOS Os movimentos consistem em tirar ou acrescentar um objeto em uma dada posição, ou tirar um objeto de uma posição e acrescentar um outro objeto em uma outra posição. O movimento básico foi implementado da seguinte maneira: Onde: s = vetor solução; j = posição do vetor solução; q = quantidade a ser adicionada (1 ou –1); lim = limite da quantidade existente do objeto;

MOVIMENTO int troca_quantidade(s, j, q, lim) { if (q > 0) { // if 1 if ((s[j]+q) <= lim[j]) { // if 2 s[j]+=q; return q; } else {// else if 2 s[j]=lim[j]; return 0; } //else if 2 }// if 2 else { // else if 1 if ((s[j]+q) < 0) {// if 3 int result =s[j]; s[j] = 0; return (-1)*(result); } else { // else if 3 s[j]+=q; return q; } //else if 3 } //if 3 } //if1 } // troca_quantidade

FUNÇÃO OBJETIVO Verifica se o peso dos objetos não ultrapassa a capacidade da mochila (inviabilidade); Se ultrapassar é aplicada uma penalidade; fo = benefício – inviabilidade * penalidade;

RESULTADOS COMPUTACIONAIS Testes realizados com: n = 50 (número de tipos de objetos) c= 100 (capacidade da mochila) srand = relógio do computador 5 testes para VND 5 testes para VNS

RESULTADOS COMPUTACIONAIS PARA VND Teste Inviabilidade Inicial Solução Função Objetivo VND 1 22 s = [2, 2, 0, 0, 0, 0, 0, 0, 2, 2] -2018 42 2 6 s = [3, 1, 0, 0, 1, 0, 2, 1, 1, 1] -513 54 4 15 s = [2, 2, 0, 0, 0, 0, 2, 1, 1, 1] -1358 49 33 s = [3, 5, 0, 0, 1, 0, 1, 2, 0, 0] -3044 56 5 25 s = [4, 1, 0, 0, 1, 0, 1, 2, 1, 1] -2292 57 Média: 51,6 Desvio Padrão: 6,188%

RESULTADOS COMPUTACIONAIS PARA VNS Testes executados em 5 segundos de VNS Teste Inviabilidade Inicial Solução Função Objetivo VND 1 25 s = [4, 0, 0, 1, 1, 0, 3, 2, 0, 0] -2316 63 2 8 s = [4, 2, 0, 0, 0, 0, 3, 2, 0, 0] -696 4 19 s = [4, 1, 0, 0, 1, 0, 3, 3, 0, 0] -1737 64 24 s = [4, 3, 0, 0, 1, 0, 3, 0, 0, 0] -2202 5 -1729 Média: 63,2 Desvio Padrão: 0,44 %

COMPONENTE Adriano Pedrosa Maia