|
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: |
|||||||||
Unidade Ofertante: |
|||||||||
Código: |
Período/Série: |
Turma: |
|||||||
Carga Horária: |
Natureza: |
||||||||
Teórica: |
Prática: |
Total: |
Obrigatória: |
Optativa: |
|||||
Professor(A): |
Ano/Semestre: |
||||||||
Observações: |
EMENTA
Inteligência computacional; complexidade; AG básico; análise teórica dos AG; operadores genéticos; tratamento de restrições; AG multiobjetivo; evolução diferencial; projetos.
JUSTIFICATIVA
Trata-se de uma disciplina fundamental no tratamento de problemas complexos.
OBJETIVO
Objetivo Geral: |
- Compreender os fundamentos da computação evolutiva;
|
Objetivos Específicos: |
- Aplicar as técnicas de algoritmos genéticos e evolução diferencial na solução de problemas complexos.
|
PROGRAMA
1) Inteligência computacional, taxonomia;
2) Complexidade: problemas NP-completos;
3) O algoritmo genético básico, analogia com a natureza, definições básicas;
4) Representação do cromossomo, função de aptidão, operadores de cruzamento e mutação. Técnicas de seleção;
5) Análise teórica dos algoritmos genéticos;
6) Algoritmos genéticos com parâmetros contínuos;
7) Outros operadores genéticos;
8) Tratamento de restrições;
9) Algoritmos genéticos multiobjetivos;
10) Evolução diferencial;
11) Implementações;
12) Pesquisa bibliográfica.
METODOLOGIA
Para o presente componente curricular serão adotadas aulas presenciais ministradas em sala de aula com a utilização de quadro branco e projetor de vídeos. O atendimento ao aluno poderá ser realizado de forma presencial ou remota, através de e-mail, aplicativos de mensagens ou reuniões individuais através da plataforma Microsoft Teams, em horários específicos a serem definidos pelo professor.
AVALIAÇÃO
A metodologia de avaliação será baseada em duas estratégias:
▪ Trabalhos semanais Valor: 50,0 pontos
▪ Projeto final a ser apresentado em um seminário no último dia de aula. Valor: 50,0 pontos
BIBLIOGRAFIA
Básica
1] Goldberg, D. E. Genetic Algorithms in Search, Optimizaton and Machine Learning, Addison-Wesley, 1989.
[2] Linden, Ricardo, Algoritmos Genéticos, Brasport Livros e Multimídia Ltda, 2006.
Complementar
[1] Holland, John H. Adaptation in Natural and Artificial Systems. MIT Press, 1975.
[2] Mitchell, Melanie. An Introduction to Genetic Algoritms. MIT Press, 1998.
[3] Lopes, H.S., Takahashi, R.H.C. Computação Evolucionária em Problemas de Engenharia. Omnipax Ed., 2011.
[4] Storn, R. Price, K. Differential Evolution – a Simple and efficiente Heuristic for Global Optimization over Continuous Spaces, Journal of Global Optimization,11(4): 341-359, 1997.
Documento assinado eletronicamente por Keiji Yamanaka, Professor(a) do Magistério Superior, em 22/11/2023, às 11:52, 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 4986204 e o código CRC 9C5235E1. |
Referência: Processo nº 23117.081457/2023-08 | SEI nº 4986204 |