Introdução à Computação Evolutiva - BCC

Propaganda
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO
Rua Dom Manoel de Medeiros, s/n, Dois Irmãos - Recife/PE
CEP: 52171-900 | www.ufrpe.br
PROGRAMA DE DISCIPLINA
IDENTIFICAÇÃO
DISCIPLINA: : Introdução à Computação Evolutiva
CÓDIGO: 06294
DEPARTAMENTO/UNIDADE ACADÊMICA: DEINFO / Sede
ÁREA: Fundamentos da Computação
CARGA HORÁRIA TOTAL: 60 h
NÚMERO DE CRÉDITOS: 4
CARGA HORÁRIA SEMANAL: 4 h
TEÓRICAS: 3 h
PRÁTICAS: 1 h
PRÉ-REQUISITOS: Algoritmos e Estruturas de Dados , Inteligência Artificial
CO-REQUISITOS: NENHUM
SEMESTRE/ANO DE APLICAÇÃO: XXXX
EMENTA
Inspiração Biológica: Darwinismo e Mendelismo. Componentes de um Algoritmo Evolutivo: Representação, Função de
Avaliação, População, Principais Mecanismos Evolutivos. Algoritmos Evolutivos Clássicos: Algoritmos Genéticos,
Estratégias de Evolução, Programação Evolucionária, Programação Genética. Inteligência Coletiva. Otimização por
Colônia de Formigas. Otimização por Enxame de Partículas. Cooperação e Competição. Modelos Híbridos: Combinação
de Técnicas Evolutivas. Aplicações dos Algoritmos Evolutivos.
CONTEÚDOS
1. Introdução.
1.1.
Modelo de Teoria da Evolução Darwinista;
1.2.
Modelo Genético de Mendel;
1.3.
Histórico e Estado-da-Arte dos Algoritmos Evolutivos.
2.
2.1.
2.2.
2.3.
2.4.
Algoritmos Evolutivos.
Representação do Problema;
Função de Avaliação;
População;
Principais Mecanismos Evolutivos: Seleção, Recombinação e Mutação.
3. Algoritmos Genéticos.
3.1.
Introdução;
3.2.
Representação do Problema;
3.3.
Mutação;
3.4.
Recombinação;
3.5.
Seleção.
4.
4.1.
4.2.
4.3.
4.4.
4.5.
Estratégias de Evolução.
Introdução;
Representação do Problema;
Mutação;
Recombinação;
Seleção.
5.
5.1.
5.2.
5.3.
5.4.
5.5.
Programação Evolucionária.
Introdução;
Representação do Problema;
Mutação;
Recombinação;
Seleção.
6.
6.1.
6.2.
6.3.
6.4.
6.5.
Programação Genética.
Introdução;
Representação do Problema;
Mutação;
Recombinação;
Seleção.
7.
7.1.
7.2.
Inteligência Coletiva.
Introdução;
Principais Modelos.
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO
Rua Dom Manoel de Medeiros, s/n, Dois Irmãos - Recife/PE
CEP: 52171-900 | www.ufrpe.br
8.
8.1.
8.2.
8.3.
8.4.
Otimização por Colônia de Formigas.
Introdução;
Representação do Problema;
Mecanismos Evolutivos de Busca;
O Algoritmo.
9.
9.1.
9.2.
9.3.
9.4.
9.5.
Otimização por Enxame de Partículas.
Introdução.
Representação do Problema;
Mecanismos Evolutivos de Busca;
O Algoritmo;
Abordagem LBest e GBest.
10.
10.1.
10.1.1.
10.1.2.
10.1.3.
10.2.
10.3.
Tópicos Complementares.
Abordagens Cooperativas;
Introdução;
Ilhas de Evolução;
Modelos Cooperativos Coevolucionários;
Paralelismo em Algoritmos Evolutivos;
Modelos Evolutivos Híbridos.
11.
Projeto de Desenvolvimento de Sistema de Otimização com Computação Evolutiva.
PRÁTICA COMO COMPONENTE CURRICULAR (quando houver)
BIBLIOGRAFIA
BÁSICA:
1.
2.
3.
4.
5.
EIBEN, A. E.; SMITH, J. E. Introduction to Evolutionary Computing. Berlin: Springer, 2003.
KENNEDY, J.; EBERHART, R. C. Swarm Intelligence. San Francisco: Kaufmann, 2001.
SIMON, D. Evolutionary Optimization Algorithms. New Jersey: Wiley, 2013.
DORIGO, M. Ant Colony Optimization. Boston: MIT Press, 2004.
DE JONG, K. A. Evolutionary Computation. Boston: MIT Press, 2006.
COMPLEMENTAR:
1.
CORMEN, T. H.; LEISERSON, C. E.; RIVEST, R. L.; STEIN, C. Algoritmos: Teoria e Prática. Rio de Janeiro:
Campus, 2012.
2. RUSSELL, S.; NORVIG, P. Inteligência Artificial, 3ª Ed. Rio de Janeiro: Campus, 2013.
3. FLOREANO, D.; MATTIUSSI, C. Bio-Inspired Artificial Intelligence: Theories, Methods and Technologies.
Boston: MIT Press, 2008.
4. ASHLOCK, D. Evolutionary Computation for Modeling & Optimization. Berlin: Springer, 2005.
5. MITCHELL, T. Machine Learning. Boston: McGraw-Hill, 1999.
Emitido em: ____/____/____
Responsável: _____________________________________________________
Download