Inteligência Artificial
Slide 12
Problemas de
Otimização
Em Matemática, otimização refere-se a maximizar ou minimizar os valores de uma função (sejam eles Inteiros ou Reais).
Em Aplicações (e.g., Engenharia, Administração, Biologia etc), otimização refere-se a maximizar ou minimizar os resultados dos modelos computacionais adjacentes.
Otimização pode se visto como a busca por parâmetro que maximizam / minimizam modelos
Otimização implica a existência de um especialista, dados sobre o problema ou ambos.
Tipos
Otimização de objetivo único (SOO)
Ambiente estático
Ambiente dinâmico
Otimização de múltiplos objetivos (MOO)
Métodos baseados em agregação
Métodos baseados em critérios
Métodos baseados em dominância
Computação de enxames
Definição
“Inteligência de enxames é uma abordagem de adaptativa baseada em população na qual decisões locais de partículas simples são compartilhadas para o enxame produzindo um comportamento social que pode, de forma combinada, ser usado na resolução de problemas complexos."
Definição 2
A inteligência de enxame (IE, ou swarm intelligence) é aquela encontrada no comportamento coletivo de sistemas descentralizados e auto-organizados.
A IE apresenta capacidades de aprendizado não-supervisionado, e resiliência aos extremos locais, características da computação cognitiva.
as colônias (enxames, etc) são os os locais onde a inteligência coletiva emerge, principalmente através da colaboração;
click to edit
Família de Algoritmos
ACO Ant Colony Optimization Marco Dorigo, 1992
PSO Particle Swarm Optimization Eberhart et Kennedy, 1995
BFA Bacteria Foraging Algorithm Passino ,
ABC Artificial Bee Colony Algorithm Karaboga ,
GSO Glow swarm optimization Krishnanand et Ghose ,
FSS Fish School SeachSeach[Bastos-Filho & Lima-Neto, 2008]
Agentes x Partículas
Ambos incluem aprendizado (ou seja, adaptação)
Ambos são capazes de enfrentar domínios complexos
Ambos são capazes de representar várias granularidades
Ambos são adequados para ambientes distribuídos e trabalho colaborativo
As principais diferenças se resumem a: grau de inteligência, granularidade, e tipo de problemas
Agentes
Frequentemente, sistemas multi-agentes possuem Autonomia, Intencionalidade (BDI) e Utilidade
Eles não são de tão fácil paralelização de HW devido aos altos custos de comunicação
Eles podem incorporar diretamente noções de sensores e atuadores
Eles são propensos a aplicações de alta granularidade
Problemas: de natureza simbólica (por exemplo, DSS, EIS...)
Partículas
Frequentemente sistemas baseados em partículas (ou Pop.) têm baixa autonomia e raramente intencionalmente ou utilidade
São ideais para alto grau de paralelização
Eles não podem incorporar diretamente noções de sensores e atuadores
Eles são propensos a aplicações de baixa granularidade
Problemas: de natureza sub simbólica (como otimizações contínuas de alta dimensão)