Carregando...

DISCIPLINA Listagem de Ementa/Programa

TÓPICOS AVANÇADOS EM SISTEMAS MECATRÔNICOS 3DISCIPLINA 364614

VER OFERTA

ÓrgãoENM Departamento de Engenharia Mecânica
Código364614
DenominaçãoTópicos Avançados em Sistemas Mecatrônicos 3
NívelMestrado
Início da Vigência em1987/1
Pré-requisitosDisciplina sem pré-requisitos
EmentaInício da Vigência em 2014/1

Aspectos gerais da teoria de otimização, definição de um problema de otimização, otimização unimodal e multimodal, aspectos teóricos da computação bioinspirada, modelamento por enxame de partículas, modelamento por colonia de abelhas, modelamento por colonia de vagalumes, modelamento por embaralhamento de salto de sapos, modelamento por colonia de formigas, métodos de adição de diversidade artificial, análise de sistemas bioinspirados, técnicas de comparação de desempenho de sistemas bioinspirados, aplicações e casos de estudo em engenharia.

ProgramaInício da Vigência em 2014/1

I. Introdução: apresentação do curso e evolução histórica.
• O que é inteligência artificial?
• Teste de Turing
• Contexto histórico da inteligência artificial
• Tendencias atuais
II. Aspectos gerais sobre otimização
• Definição de um problema de otimização matemática
• Otimização linear (ou programação linear)
1. Método de solução gráfica
• Otimização não-linear (ou programação não-linear)
1. Otimização local
2. Otimização global
• Classificação dos algoritmos de otimização segundo o método de operação
1. Métodos determinísticos (cálculo do gradiente e método de Newton)
2. Métodos probabilísticos
• Taxonomia dos algoritmos de otimização global
• Problemas em otimização segundo a função custo
• Funções custo benchmark
III. Aspectos Teóricos da Computação Bioinspirada
• Elementos de um problema de otimização
• Conceito de evolução
• Algoritmos evolutivos
• Conceito de inteligência na computação
• Formas de inteligência na natureza
• Mecanismos de colaboração na natureza
• Conexão entre a biologia e engenharia
• Conceito de inteligência coletiva
IV. Modelos de Inteligência Coletiva Aplicados em Otimização Mono Objetivo
• Otimização por enxame de partículas (PSO)
• Otimização por colônia de abelhas (ABC)
• Otimização por colônia de vagalumes (FA)
• Otimização por embaralhamento de salto de sapos (SFLA)
• Otimização por colônia de formigas (ACO)
• Otimização por colônia de bactérias (BFO)
• Otimização por busca Cuckoo (CSA)
• Otimização por recozimento simulado – Simulated Annealing (SA)
• Otimização por busca gravitacional (GSA)
• Otimização por busca harmônica (HA)
• Otimização por evolução diferencial (DE)
V. Métodos de adição de diversidade artificial
• Conceitos de agregação e congregação
• Método atrativo repulsivo
• Método de embaralhamento
• Método de congregação passiva
• Método de aprendizagem em oposição
VI. Análise de sistemas bioinspirados
• Técnicas de comparação de desempenho
• Análise estatístico
• Testes de hipótese
VII. Aplicações e casos de estudo em engenharia da otimização mono objetivo
VIII. Modelos de Inteligência Coletiva para Otimização com Múltiplos Objetivos
• Otimalidade de Pareto, conjunto de Pareto e fronteira de Pareto
• Conceito de dominância e técnicas de arquivamento
• Algoritmos NSGA-II e MODE
• Métricas de desempenho
• Testes computacionais com funções benchmark
IX. Aplicações e casos de estudo em engenharia da otimização multiobjetivo

BibliografiaInício da Vigência em 2014/1

As referências a seguir cobrem boa parte do conteúdo sugerido. Para assuntos mais pontuais o material relacionado será
oportunamente disponibilizado.
[1] Yang, X.S., Cui, Z., Xiao, R., Gandomi, A.H., Karamanoglu, M., “Swarm Intelligence and Bio-inspired
Computation, Theory and Applications”, Elsevier Insights Series, 2013.
[2] Kennedy, J., Eberhart, R., Shi, Y., “Swarm Intelligence” Morgan Kaufmann, San Francisco, USA, 2001.
[3] Yang, X.S., “Nature Inspired Metaheuristic Algorithms”, 2nd Edition, Luniver Pres, United Kingdom, 2010
[4] Gazi, V., Passino, K., “Swarm Stability and Optimization”, Springer, 2011.
[5] Boyd, S., Vandenberghe, L., “Convex Optimization”, Cambridge University Press, NY, USA, 2004
[6] Coello C. A; Van Veldhuizen, D. A; Lamont, G. B., “Evolutionary Algorithms for Solving Multi-Objective
Problems”, Kluber, 2 Ed, 2007.
[7] Coello C. A; Lamont, G. B., “Applications of Multi-Objective Evolutionary Algorithms”, World Scientific, Singapure, 2004, ISBN: 981-256-106-4.