|
UNIVERSIDADE FEDERAL DE UBERLÂNDIA Av. João Naves de Ávila, 2121, Bloco 3N - Bairro Santa Mônica, Uberlândia-MG, CEP 38400-902 |
|
Plano de Ensino
IDENTIFICAÇÃO
Componente Curricular: |
OTIMIZAÇÃO E SIMULAÇÃO |
||||||||
Unidade Ofertante: |
Faculdade de Engenharia Elétrica (FEELT) |
||||||||
Código: |
FEELT31723 |
Período/Série: |
7º SEM |
Turma: |
única |
||||
Carga Horária: |
Natureza: |
||||||||
Teórica: |
30h |
Prática: |
15h |
Total: |
45h |
Obrigatória: |
Optativa: |
||
Professor(A): |
Igor Santos Peretta |
Ano/Semestre: |
2020/2 |
||||||
Observações: |
EMENTA
Princípios de pesquisa operacional. Principais métodos de otimização com vantagens e limitações. Otimização combinatória e programação linear. Métodos estocásticos para otimização de sistemas. Análise e construção de simulações de Monte Carlo.
JUSTIFICATIVA
O estudo de técnicas para implementar simulações e métodos de otimização é uma importante competência para engenheiros da computação. Esse curso se alinha com as fundamentações e teorias necessárias para isso.
OBJETIVO
Objetivo Geral: |
Ao final do curso, o aluno deverá ser capaz de reconhecer, analisar, manipular e aplicar alguns dos algoritmos mais importantes de simulação e de otimização. |
Objetivos Específicos: |
Apresentar aos alunos: • Vantagens e desvantagens de métodos populares para otimização de sistemas • Métodos populares para otimização estocástica • Princípios teóricos e considerações subjacentes à otimização e à simulação de Monte Carlo, assim como as implicações de suas implementações práticas • Base do modelamento matemático e as ligações com a simulação de Monte Carlo Possibilitar com que os alunos: • Reconheçam situações nas quais técnicas de otimização estocástica beneficiam ou são necessárias • Utilizem métodos do estado da arte para usar simulações de Monte Carlo a fim de melhorar o desempenho de sistemas reais Ao final do curso o aluno poderá aplicar os conhecimentos e técnicas adquiridos em áreas onde a otimização estocástica e as estratégias baseadas em simulação estão emergindo como indispensáveis.
|
PROGRAMA
Introdução e revisão
◦ Análise multivariável
◦ Álgebra matricial
◦ Probabilidade e estatística
Pesquisa operacional
• Modelagem de problemas e modelos de programação linear
• Programação linear
◦ O algoritmo simplex
◦ Algoritmos de ponto interior
◦ Dualidade
• Programação dinâmica
◦ Princípio de otimização de Bellman
◦ Problema do horizonte finito
◦ Problema do caminho de menor custo (ou parada ótima)
• Algoritmos gulosos
◦ Algoritmo de Kruskal para o problema de árvore de extensão mínima
• Separação e relaxamento
◦ Separação e avaliação (ramos e fronteira)
◦ Relaxamento de problemas combinatoriais
Fundamentos em Busca e Otimização
• Definições e questões básicas
• Métodos determinísticos vs estocásticos
• Teorema no free lunch para otimização
• Sumário dos principais métodos de otimização e suas limitações
Técnicas de busca direta
• Introdução à busca direta aleatótia
• Métodos de Monte Carlo
• Algoritmos simplex não lineares (Nelder-Mead)
Métodos da classe de mínimos quadrados
• Métodos recursivos para sistemas lineares
• Mínimos quadrados recursivo (RLS)
• Mínimo quadrático médio (LMS)
• Relação com Filtros de Kalman
Aproximação estocástica para sistemas lineares e não-lineares
• Algoritmos de lugar de raízes e aproximação estocástica baseada em gradiente (Robins-Monro)
• Métodos de aproximação estocástica indepentente de gradiente
◦ Diferenças finitas (FDSA)
◦ Perturbação simultânea (SPSA)
Métodos de busca inspirados por processos físicos e biológicos
• Recozimento simulado (simulated annealing) e métodos relacionados
• Computação Evolucionária e Algoritmos Genéticos
Otimização estocástica discreta
• Métodos estatísticos (e.g. ranking e seleção, comparações múltiplas)
• Métodos gerais de busca aleatória
• Método de aproximação estocástica por perturbação simultânea discreta (DSPSA)
Construção de modelos
• Questões particulares a modelos de simulação por Monte Carlo
• Compromisso entre enviesamento e variância
• Seleção de modelo mais próprio por validação cruzada
• Matriz de informação de Fisher como medida sumária
Otimização baseada em simulação
• Uso de simulações Monte Carlo para melhorar o desempenho de sistemas do mundo real
• Métodos baseados em gradiente (análise de perturbação infinitesimal e razão de verossimilhança) e não baseados em gradiente (FDSA, SPSA etc)
• Números aleatórios comuns
Método de Monte Carlo baseado em cadeias de Markov
• Métodos de Monte Carlo para cálculos difíceis
• Amostragens de Metropolis-Hastings e Gibbs
• Aplicações para integrações numéricas e estimações de estatísticas
Seleção de entradas e design experimental
• Design clássico vs design ótimo
• Critério prático para design ótimo (D-otimizado)
• Seleção de entradas em modelos lineares e não-lineares
METODOLOGIA
a) Atividades síncronas: 25 horas
Horários das atividades síncronas: A definir na primeira aula remota
Plataforma de T.I./softwares que poderão ser utilizados: MConf, Google Meet, MS Teams - a definir
b) Atividades assíncronas: 15 horas
Plataforma de T.I. /softwares que serão utilizados: Vídeo-aulas disponibilizados para download e em plataformas como MS Teams ou Moodle para visualização online e documentos para leitura. Uso da linguagem Python de programação.
Endereço web de localização dos arquivos: A definir na primeira aula remota
c) Demais atividades letivas: 5 horas;
O atendimento ao aluno será realizado de forma remota, seja durante as aulas na modalidade síncrona, ou através do grupo criado para esse fim no aplicativo Whatsapp ou no Telegram.
AVALIAÇÃO
- Quizzes (8 questionários online podendo ser múltipla escolha ou questões abertas): 50 pontos
- Dois Projetos: 25 pontos cada, 50 pontos total
BIBLIOGRAFIA
Básica
Complementar
APROVAÇÃO
Aprovado em reunião do Colegiado realizada em: ____/____/______
Coordenação do Curso de Graduação: _________________________
Documento assinado eletronicamente por Igor Santos Peretta, Professor(a) do Magistério Superior, em 26/06/2021, às 13:44, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015. |
A autenticidade deste documento pode ser conferida no site https://www.sei.ufu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador 2865108 e o código CRC 117C738F. |
Referência: Processo nº 23117.039263/2021-30 | SEI nº 2865108 |