Mini curso Inteligência Computacional Aplicada³picos Inteligência Computacional Redes neurais...

Prof. Dr. Hertz Wilton de Castro Lins

Mini curso

Inteligência Computacional Aplicada

08/10/2013

Tópicos

� Inteligência Computacional

� Redes neurais

� Computação evolucionária

� Lógica fuzzy

SETEL 2013 - Minicurso Inteligência Computacional Aplicada - Professor Hertz Wilton 2

� Inteligência de Enxames

� Aplicações

ICA

� A Inteligência Computacional (IC) tem como objetivo desenvolver, avaliar e aplicar

técnicas na criação de sistemas inteligentes.

� Estes sistemas imitam aspectos dos seres vivos, tais como:

– Aprendizado;

– Percepção;


– Raciocínio;

– Evolução

– Adaptação.

Técnicas e aplicações

� Técnicas

– Redes Neurais, Algoritmos Genéticos, Lógica Clássica, Lógica Fuzzy, Sistemas

Especialistas e inteligência de enxames.

� Aplicações

– Sistemas de apoio à decisão, classificação, planejamento, modelagem, reconhecimento


de padrões, otimização, previsão, controle e automação industrial, mineração de dados,

síntese de sistemas e descoberta de conhecimento.

� Diversos Setores

– Energia, industrial, econômico, financeiro, militar, saúde, comercial, síntese de circuitos,

jogos, meio ambiente e otimização.

Técnicas e aspecto natural

� Bioinspirados

Técnica de IC Aspecto Natural

Redes Neurais Artificiais Neurônios biológicos

Computação Evolucionária Evolução biológica


Enxames Inteligência de enxames

Lógica Fuzzy Processamento linguístico

Sistemas Especialistas Processo de Inferência

. Técnicas de IC e seus aspectos inspirados na natureza.

Breve histórico

� Antes dos anos 50

– Aristoteles

– Peter abelard

– Leibniz e Newton

– George Boole

� Anos 60 aos 90

– Florescimento

• Aprendizado de máquina

• Sistemas multiagente,

• Vida artificial,


– George Boole

– Charles Babage

� Anos 50

– Alan Turing:

– Primeiros programas de xadrez.

– Termo inteligência computacional

– Linguagem de programação LISP

• Vida artificial,

• Visão por computador

IA - Atualmente

– Games

– Aplicações industriais

– Nanorobôs

– Exploração espacial

– Inteligência coletiva


– Inteligência coletiva

– Compreensão da linguagem natural

– Automóveis.

– Aplicações militares

– Robótica

Linguagens, ambientes...

� Pesquisa em IA

– LISP (List programming)

• Processamento de dados simbólicos através de listas.

– PROLOG (Programming in Logic)

• Base de fatos e regras


� C++

� Java

� Matlab

� IDE’s

Redes Neurais Artificiais

� Modelos computacionais inspirados na estrutura e comportamento do

cérebro.

� São utilizadas de forma efetiva no aprendizado de padrões a partir de

dados não-lineares, incompletos, com ruídos e até compostos de

exemplos contraditórios.


exemplos contraditórios.


� Características principais:

– Adaptação por experiência.

– Capacidade de aprendizado.

– Habilidade de generalização.

– Organização de dados.


– Organização de dados.

– Tolerância a falhas.

– Armazenamento distribuído.


� Potenciais áreas de aplicação

– Aproximador universal de funções

– Controle de processos

– Reconhecimento e classificação de padrões

– Clusterização


– Clusterização

– Sistemas de previsão

– Otimização de sistemas

Computação evolucionária

� É uma área de pesquisa que aplica paradigmas inspirados no princípio

Darwiniano da evolução das espécies.

� Exemplos:

– Algoritmos Genéticos (Genetic Algorithms - GA)

– Programação Genética (Genetic Programming - GP)


– Hardware Evolucionário (Evolvable Hardware - EH)

– Programação Evolucionária (Evolutionary Programming - EP)

– Algoritmos Evolucionários (Evolutionary Algorithms -EA)

– Estratégias de Evolução (Evolution Strategies - ES)

– Sistemas Classificadores (Classifier Systems - CFS)


� Algoritmos genéticos

– Características

• São algoritmos de busca adaptativa, com base na teoria da seleção natural

de Darwin.

• Os indivíduos melhor adaptados ao meio ambiente têm maior probabilidade


• Os indivíduos melhor adaptados ao meio ambiente têm maior probabilidade

de transmitir suas características aos seus descendentes.


� Composição

– Codificação, população, avaliação.

� Aplicações:

– Resolver problemas complexos em que os algoritmos comuns são incapazes de

resolver.


• Grandes espaços de busca

• Difícil modelagem do problema

• Métodos com grande esforço computacional

• Grande número de soluções candidatas ótimas.



– Operadores Genéticos

• Seleção

• Reprodução

• Mutação


• Mutação

Lógica fuzzy

� A lógica fuzzy é um conceito matemático surgido em 1965

a partir do conceito de Conjuntos Fuzzy,

� Prof. Lotfi Zadeh em 1965

� Incerteza.

– Quanto mais complexo for o projeto de software


– Quanto mais complexo for o projeto de software

(interfaces, requisitos ...), um tanto lento será o

planejamento e maior terá que ser o comprometimento

dos recursos.

Qualificadores

Lógica fuzzy

� Lógica clássica x Lógica fuzzy

– Valores intermediários entre os dois extremos

• {0,1} -> [0,1]

� Subjetividade


Lógica fuzzy

� Variáveis linguísticas

� Usadas para modelagem para modelagem dos sistemas fuzzy

� Pode ser usado num sistema baseado em regras para tomada de decisão


– if numero de requisitos > 50 numero de requisitos < 80 then numero de

requisitos = alto

– If numero de requisitos x é alto then is complexo

Lógica fuzzy

� O que é fuzzy?

� Pertinência fuzzy é uma incerteza determinística.

� A lógica fuzzy concentra-se em quantificar o ocorrido observado e não

com a probabilidade de sua eventual ocorrência.

� fuzzy ≠ probabilidade


� fuzzy ≠ probabilidade

� Pertinência fuzzy é uma incerteza determinística, enquanto que

probabilidade é não determinística.

� A incerteza probabilística se dissipa co o maior número de ocorrências,

enquanto que a incerteza fuzzy permanece inalterada.

Lógica fuzzy

� Benefícios

– Permite soluções mais eficientes para problemas tratados com técnicas não-

fuzzy.

– Reduz o tempo de desenvolvimento.

– Modela sistemas não-lineares complexos.


– Modela sistemas não-lineares complexos.

– Sistemas avançados precisam de menos chips e sensores.

Inteligência de enxames

� Estuda comportamentos emergentes que surgem da coletividade de indivíduos

que interagem entre si e com o ambiente.

� Características

– Proximidade – os agentes devem ser capazes de interagir;


– Proximidade – os agentes devem ser capazes de interagir;

– Qualidade – os agentes devem ser capazes de avaliar seus comportamentos;

– Diversidade – permite ao sistema reagir a situações inesperadas;

– Estabilidade – nem todas as variações ambientais devem afetar o comportamento de um

agente;

– Adaptabilidade – a capacidade de responder às mudanças do ambiente.


� Exemplos

– A otimização por colônia de formigas.

– Otimização por enxame de partículas.

– Algoritmo enxame de abelhas.

– Shuffled frog-leaping,


– Cultura de bactérias


� Otimização por enxame de partículas

– É uma técnica de otimização global baseada

em população, criada por Kennedy e

Eberhart nos anos 90


– Foi inspirada no comportamento social dos

pássaros e peixes.

– É baseada no conceito de que o

compartilhamento de informações entre os

indivíduos, denominados partículas, gera

uma vantagem evolutiva.

Inteligência de Enxames

Otimização por enxame de partículas

– Aplicações

• Telecomunicações

• Mineração de dados

• Roteamento de veículos (Capacitated

Vehicle Routing)

• Computação gráfica.• Sistemas de energia

• Processamento de sinais

• Otimização de funções

• Treinamento da rede neural artificial

• Sistema de controle fuzzy

• Escalonamento de tarefas (Multi-objective

Job shop scheduling)

• Computação gráfica.

• Posicionamento de bases em

computação móvel.

• Mesmas aplicações dos Algoritmos

genéticos.


� Algumas Vantagens

– Eficiente em pesquisa global.

– Insensível a mudança de escala das variáveis.

– Adaptável a computadores paralelos.

– Não requer cálculo de derivadas.


– Poucos parâmetros para serem definidos pelo usuário.

� Desvantagens

– Convergência lenta em fase de pesquisa refinada

– Fraca capacidade de busca local.



– Fluxo

• As partículas sobrevoam um espaço de busca n-dimensional baseadas no

comportamento de auto-organização observado na natureza, quando um grupo de


aves ou cardume de peixes procura alimento.



– Etapas




– Processo de busca

• A aprendizagem individual.

• A transmissão cultural


• A transmissão cultural

DeslocamentoDeslocamento



– Topologia da vizinhança

• Estabelece o fluxo de informações entre as partículas acontecem através da topologia

da vizinhança


• Variações na estrutura da topologia geram diferentes comportamentos nas partículas

• Como consequência destes comportamentos, pode acontecer uma melhor

exploração do espaço de busca.



– Topologia da vizinhança




– Deslocamento das partículas

durante o tempo.


t=1

final

Aplicações

� Telecomunicações

– A análise de geometrias de antenas e superfícies seletivas de frequência.

• A complexidade

– Grande espaço de busca

– Grande número de soluções candidatas.OtimizaçãoOtimização


– Grande número de soluções candidatas.

– Objetivos conflitantes

• Elevado custo computacional dos métodos utilizados.

– Método dos momentos

– Elementos finitos

OtimizaçãoOtimização

Aplicações

� Artigo

– Enhanced wideband performance of

coupled frequency selective surfaces

using metaheuristics.


– Lins, H. W. C., Barreto, E. L. F. and d'Assunção,

A. G. (2013), Enhanced wideband performance

of coupled frequency selective surfaces using

metaheuristics. Microw. Opt. Technol. Lett.,

55: 711–715. doi: 10.1002/mop.27451

– Link

Aplicações

� Superfícies seletivas de frequência são dispositivos que

filtram frequências de acordo com a forma e as dimensões

dos elementos (patches ou aberturas) e a sua

periodicidade.

� Quando o sinal incide na FSS cria-se uma densidade de


corrente de elementos nos patches de metal e então há

uma seleção de frequências onde apenas as bandas de

interesse chegam à antena receptora.

� As aplicações principais são: radomes, sistemas de

antenas, absorvedores e etc.

Aplicações

� As FSS podem ser do tipo condutor apresentando um comportamento de um filtro

rejeita-banda ou tipo abertura apresentando um comportamento típico de um filtro

passa-banda.


Aplicações

� Multicamadas

� Cada aplicação possui um conjunto de requisitos de operação que exige na fase de

concepção de uma FSS a definição de elementos como:

– Propriedades do material dielétrico, espessura do substrato, espaçamento, entre as

células, geometria e configuração das células.


– Requisitos de operação como o aumento da largura de banda exigem a utilização

de geometrias complexas (fractais) ou estruturas multicamadas

Aplicações


Aplicações

� Etapa 1

– Resultados da otimização com um algoritmo genético realizada na adequação

das estruturas para as frequências de 9,5 GHz e 10,5 GHz

� Etapa 2

– Resultados da otimização da largura de banda através da dimensão do gap de


– Resultados da otimização da largura de banda através da dimensão do gap de

ar entre as estruturas com a utilização de um algoritmo PSO.

Aplicações

� Aspectos da otimização

– Construção dos algoritmos

– Espaço de busca

– Representação das soluções (partícula)


Aplicações


– Evolução da avaliação da melhor partícula (PSO) e o melhor individuo (GA)

durante a execução dos algoritmos.

Aplicações


Aplicações


Dispersão das avaliações das partículas.

Aplicações


Resultado:Operação da estrutura: 9,5 GHz

Aplicações


GA - Ansoft PSO - Ansoft MedidoFrequência de ressonância 9,50 (GHz) 9,43 (GHz) 9,87 (GHz)Largura de banda (-10dB) 2,9 (GHz) 3,11 (GHz) 3,22 (GHz)

Aplicações


2,9 (GHz) 3,11 (GHz) 3,22 (GHz)Largura de banda (-20dB) 1,75 (GHz) 1,77 (GHz) 0,34 (GHz)Perda por inserção -38,69 (dB) -37,67 (dB) -24,50 (dB)

Habilidades/Conhecimentos

� Engenharia de software

� Banco de dados

� Programação

� Estrutura de dados

� Trabalho em Equipe


� Trabalho em Equipe

� Aprender sozinho

� Capacidade de observação

Links

� Ray-kurzweil

� Singularity Hub – AI

� Neil Jacobstein – AI

� Interview with Lotfi Zadeh


� http://vimeo.com/17407010

Referências

� KENNEDY, J. & EBERHART, R.C. Particle swarm optimization. The 1995 IEEE International Conference

on Neural Networks. Perth, Australia. vol. 4, pp. 1942-1948, 1995

� BALANIS, C.A., Antenna theory - Analysis and design, Wiley, New York, 1997.

� WU, T.K., Frequency selective surface and grid array, J. Wiley,1995.

� LIM, K.-S., M. NAGALINGAM, AND C.-P. TAN. “Design and construction of microstrip UWB antenna with

time domain analysis," Progress In Electromagnetics Research M, Vol. 3, 153-164, 2008.


� DUBROVKA, R., VAZQUEZ, J., PARINI, C. E MOORE, D. “Multi-frequency and Multi-Layer Frequency

Selective Surface Analysis Using Modal Decomposition Equivalent Circuit Method”, IET Microw. Antennas

Propag., Vol. 30, pp. 492-500, March 2009.

Mini curso Inteligência Computacional Aplicada³picos Inteligência Computacional Redes neurais...

Documents

Transcript of Mini curso Inteligência Computacional Aplicada³picos Inteligência Computacional Redes neurais...