Luiz Eduardo Balabram

 CERN  UPSO  Resultados  Conclusão

 Fundado no ano de 1954 é o maior centro de pesquisas científicas na área de física de partículas  Conta com a colaboração de 113 países, envolvendo 608 universidades e institutos  Possui o maior acelerador de partículas já construído, LHC

 É um dos dois detectores de propósito geral localizados ao redor do LHC  Grava as medidas das partículas criadas na colisão  É composto por vários subsistemas com características específicas

 O ATLAS possui um sistema de coordenadas cartesiano que segue a regra da mão direita

Geometria de células do TileCal

 PSO voltado para exploitation ou exploration  Parsopoulos and Vrahatis (2004) Buscaram um algoritmo capaz de vasculhar localmente e globalmente, sem aumentar a carga computacional  Utiliza o coeficiente de constrição (constriction coefficient) Global: Local:

 Principal novidade de UPSO, ocorre na atualização da velocidade  Atualização de posição permanece a mesma  u funciona como uma compensação ponderada do melhor mínimo global e local  u é valido no intervalo [0,1]  u=0, favorece a exploration (busca local)  u=1, favorece a exploitation (busca global)

 Outra novidade, melhoria no fator de exploração  Adicionado um novo parâmetro estocástico na equação 3, gerando 2 novas possibilidades para atualizar a velocidade  Global:  Local  r 3 segue uma distribuição gaussiana

 Tipos t representa a iteração T max representa o número máximo de iterações Linear Modular Exponencial Sigmoid

 Inicialização aleatória das posições e velocidades  Avaliação de desempenho(mse) Busca em cada enxame, atualizando mínimo local e mínimo global  Iteração até o término ou alcance de desempenho Atualização de velocidades  Atualização do Componente Global de PSO (formula 1) para cada enxame  Atualização do Componente Local de PSO (formula 2) para cada enxame Atualização da velocidade utilizando o parâmetro u (fórmula 3) Verificação do limite de velocidade inferior e superior Atualização de posição com base na nova velocidade (fórmula 4) Avaliação de desempenho(mse)  Busca em cada enxame, atualizando mínimo local e mínimo global

 Run_ (eventos de outubro de 2011) – aquisição de múons 4015 múons 422 não-múons  Minbias (etapa offline) – rejeição de múons 2252 múons (selecionados pelo critério tight) 430 não-múon (selecionados pelo critério loose)

 70% treino  20% validação  10% teste  Replicação dos dados  Mudanças das variáveis eta para sin() e cos()  Variação aleatoriamente uniforme entre conjunto de terinamento/validação/teste  Rede Neural MLP 7 entradas Neurônios na camada escondida  Quantidade: 15 para e 29 para minbias  Tipo: tangente hiperbólico Camada de saída 1 tangente hiperbólica  UPSO 40 enxames Chi ; C1=C2=2.05; U = 0.5  Ambos Inicialização de pesos aleatória 4000 épocas; fail = 500

Best SP(%) mean SP(%) stdSP (%) Best FA(%) Mea_ fa(%) Std_F A(%) Best TA(%) Mean TA(%) Std TA(%) Upso64,4660,022,8132,3940,383,5964,2859,502,53 Upso_ linear 63,3659,872,1832,6040,723,3562,8659,392,18 Upso_ mod 66,1060,533,7932,5740,914,4166,1759,693,75 Upso_ exp 63,3359,772,9934,1940,123,1463,0059,412,84 Upso_ sig 65,5561,463,0533,4039,893,7165,3460,743,12 NN80,7472,325,3815,3624,795,9680,5672,235,34 NN_w UPSO 72,1065,923,7629,1839,175,5871,6162,845,03 SPFATA NN_Fernando82,0021,282,3

Mean time Std time Upso161,7237,2 Upso_ linear 267, ,1 Upso_ mod 305,2272,2 Upso_ exp 126, ,8 Upso_ sig 217,0282,0 NN106,381,92 NN_w UPSO 157,569,27

Best SP(%) mean SP(%) stdSP (%) Best FA(%) Mea_ fa(%) Std_F A(%) Best TA(%) Mean TA(%) Std TA(%) Upso99,930 Upso_ linear 99,970 Upso_ mod 99,950 Upso_ exp 99,960 Upso_ sig 99,86099,87 NN99,960 NN_w UPSO 99,85099,86 SPFATA NN_Fernando80,0015,475,6

Mean time Std time Upso117,437,51 Upso_ linear 126,253,70 Upso_ mod 112,042,21 Upso_ exp 170,9193,4 Upso_ sig 123,363,56 NN114,341,54 NN_w UPSO 165,876,64

Best SP(%) mean SP(%) stdSP (%) Best FA(%) Mea_ fa(%) Std_F A(%) Best TA(%) Mean TA(%) Std TA(%) Upso66,4462,983,6544,6638,194,7166,3061,963,42 Upso_ linear 68,7264,742,2741,1835,405,1268,5463,992,79 Upso_ mod 67,4463,162,9942, ,8666,7162,122,83 Upso_ exp 65,5863,513,2144,8434,895,5966,1861, Upso_ sig 68,4564,082,7640,7634,345,8268,3363,412,70 NN76,3172,262,7231,4125,803,6776,2672,272,68 NN_w UPSO 68,4162,085,3345,9238,315,0567,63 60,395,63 SPFATA NN_Fernando80,0015,475,6

Mean time Std Time Upso86,1265,70 Upso_ linear 105,587,01 Upso_ mod 100,3100,6 Upso_ exp 53,4024,63 Upso_ sig 77,4774,61 NN63,0818,64 NN_w UPSO 103,670,92

 O algoritmo UPSO apresentou um desempenho pior em relação a rede neural  Não houveram melhorias significativas em relação aos algoritmos