Inteligência Computacional

Slides:



Advertisements
Apresentações semelhantes
UNIVERSIDADE FEDERAL DE UBERLÂNDIA ENGENHARIA MECÂNICA INTRODUÇÃO À ALGORITMOS Professora: Fabíola Gonçalves.
Advertisements

N Rainhas Descrição do Problema Satisfação de Restrições (CSP)
Amintas engenharia.
Intervalos de Confiança
Lógica e Estrutura de Dados Fundamentais Professor: Eduardo O. Teles
Fundamentos dos Algoritmos Genéticos Alex F. V. Machado.
Meta - heurísticas Prof. Aurora
GRASP Greedy Randomized Adaptative Search Procedure
A DESCRIÇÃO DO MOVIMENTO
INTELIGÊNCIA COMPUTACIONAL PARA OTIMIZAÇÃO
Grupo: Leandro Lopes Marcelo Henrique Dias
Alocação de Salas Via Simulated Annealing
INTELIGÊNCIA COMPUTACIONAL PARA OTIMIZAÇÃO (CIC272)
FlowShop Scheduling Permutacional
Computação Evolutiva: Estratégias Evolutivas
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
Simulated Annealing (SA) Aplicado ao Problema
TÓPICOS ESPECIAIS EM INTELIGÊNCIA ARTIFICIAL
Maximização de Funções Simulated Annealing
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
Inteligência Computacional para Otimização
Problema da Mochila Inteira (Bounded Knapsack)
FACENS – Engenharia da Computação Lógica Computacional II
Swarm Intelligence (Inteligência Coletiva)
Estatística Inferencial
Meta - heurísticas Prof. Aurora
Modelagem, Análise e Decisão em Sistemas de Transporte Ferroviário
Otimização Prof. Benedito C. Silva IRN UNIFEI
Localização de fonte sonora utilizando microfones
Módulo 5 – Introdução à Teoria Estatística da Medição
Coeficiente de Variação de Pearson
TEORIA CINÉTICA DOS GASES Moléculas que colidem com a parede é
Aula 14.
Quadrados Mínimos.
Algoritmos de Busca Local
Busca Informada.
Algoritmos e Estruturas de Dados I – Recursão
Análise de Risco.
Análise por Variáveis de Estado (4a parte). Equação Característica, Autovalor e Auto Vetor Autovalores:definição - são as raízes da equação característica.
FLASH DEDICADO EM FOTOJORNALISMO
Ademir Rafael Marques Guedes
Modelagem e Estimativa
Como analisar um algoritmo
TESTE DE HIPÓTESES TESTE t STUDENT
AULA 2 – CÁLCULO COM GEOMETRIA ANALÍTICA II
Mecanismo de sugestão e processo de caracterização de redes sociais
Métodos Construtivos x Aprimoramento
Comparando Médias 1. Se um conjunto de medidas(amostra) faz parte de uma população. 1.1 Desvio padrão da população conhecido(teste –z) 1.2 Desvio padrão.
Calculando o número de observações (tamanho da amostra)
Teste.
Modelagem Matemática Nathália Jucá Monteiro
Teste de Hipótese Usada para se validar ou não uma hipótese, H 0, através de medidas realizadas com uma amostra. Exemplo: Uma empresa diz que um componente.
Inteligência Artificial
Mailson Felipe da Silva Marques Johnson Cordeiro Sarmento
Media, variância, desvio padrão
Medidas Resumo: Medidas de Posição Medida de Dispersão
Estimação: Estimativa Pontual Estimativa Intervalar
5a. Aula – Distribuições de Probabilidade Contínuas
Média e valor médio No estudo da estatística descritiva, para além das tabelas de frequências e gráficos, estudam-se outros métodos para resumir a informação.
Ajustamento de Observações
NOÇÕES DE INFERÊNCIA ESTATÍSTICA
Inferência 1:Estimação de Parâmetros Relembrando o Teorema Central do Limite Da aula anterior: a) Os estimadores da média e da s 2 são não viciados e de.
Marcos Antonio Estremote – Aula 3.  Determina a característica de variação de um conjunto de dados.  Amplitude  Desvio  Desvio médio ou desvio absoluto.
Teste.
Teste.
Teste.
Teste\. testes.
Transcrição da apresentação:

Inteligência Computacional Problema da mochila múltipla 0-1 Grupo: Eduardo Machado Guilherme Sepulcri Natacha Clemente

Descrição do problema O problema consiste em alocar n objetos em m mochilas tentando encontrar o maior benefício. Mochila 0-1: o objeto está ou não alocado

Modelagem A solução é representada por um vetor, sendo que cada posição do vetor informa em qual mochila (1..M) cada objeto (0..N) está alocado. Ex: ( 1 , 3, 0, 1, 2) Um objeto alocado na mochila 0 significa que este objeto, na verdade, está livre.

Função objetivo Para cada mochila é calculada uma função objetivo ( Fom[i] = benefício[i] – inviabilidade[i] * penalidade A penalidade é calculada somando-se o peso de todos os objetos A função objetivo final é calculada somando-se as funções objetivo de cada mochila.

Movimento O movimento é realizado, randomicamente, escolhendo um objeto ( random(n+1) ) e uma nova mochila para este objeto ( random(troca_mochila+1) ). O valor de troca_mochila só é aceito se for diferente do valor atual da posição do objeto escolhido. O movimento é realizado se for de melhora ou, com uma certa probabilidade (SA).

Testes Fo Tempo(s) Desvio padrão = 3.61% 100 154 2 107 153 3 103 4 109 151 5 155 6 98 7 105 8 9 102 10 108 149 Desvio padrão = 3.61% Desvio padrão = (fo_medio - fo_star) / fo_star * 100