Presentazione di EVEN Framework per l'Audit di TER-ENESIST ENEA 8 Aprile 2009

1. MATTEO DE FELICE

2. Piattaforma per lo studio e
l’utilizzo di algoritmi di
ottimizzazione e ricerca.
EVolutionary
Utilizzo di reti neurali artificiali
(ANN) per la predizione e la
modellazione.
ENvironment Analisi statistiche delle popolazioni
e delle soluzioni.
Framework Esportazione dei dati per post-
processing in altri ambienti.

3. EVOLUTIONARY E SOFT COMPUTING
Tecniche stocastiche
Spesso progettazione trial-and-error
Uso di simulatori software

4. PACCHETTI SOFTWARE ESISTENTI
Optimization Algorithm Toolkit (OAT)
della Swinburne University of
Technology, Complex Intelligent Systems
Laboratory (CIS)
MATLAB, Neural Networks Toolbox e
Genetic Algorithm Toolbox
Librerie/API come
Nnlib, GAlib, ParadisEO (INRIA)

5. OBIETTIVI DI EVEN
API per lo
sviluppatore
User-
friendliness
Efficienza

6. TARGET DI EVEN
Sviluppatori di
algoritmi, metodi
Sviluppatori
Scienziati Utenti
Ingegneri e
Studiosi di evo e
tecnici per scopi
soft computing
di ottimizzazione

7. EFFICIENZA
Codice C++ di diversi ordini di grandezza
più veloce del codice Java e di MATLAB

8. USER-FRIENDLINESS

9. API PER GLI SVILUPPATORI
API (Application Programming Interface)
per gli sviluppatori

10. FUNZIONALITÀ DI EVEN
Ottimizzazione di funzioni statiche e
dinamiche (variabili nel tempo)
Design di reti neurali artificiali
Algoritmi “classici”
(backpropagation, algoritmi genetici) e
innovativi (Artificial Societies e Cellular
Genetic Algorithms)
Problemi di benchmark built-in
Simulazioni batch con file di log

11. DATI DELLE SIMULAZIONI
Soluzioni del problema salvate su file (e
pronte per essere esportate, es.
MATLAB)
Dati dell’algoritmo (diversità delle
soluzioni, dati statistici)
Accessibili tramite GUI

12. GUI PER L’ANALISI DEI DATI
Selezione dati
Selezione
simulazioni
Area plot Tipi di plot:
1. Normale
2. Derivata
3. Normalizzato

13. UTILIZZI ATTUALI DI EVEN
Modelli climatici tramite reti neurali ed
algoritmi genetici
Uso delle reti neurali RBF per fault e
anomaly detection
Ottimizzazione parametrica per la
progettazione di un distretto energetico
Studio di base per tecniche di
ensembling neurale

14. SVILUPPI FUTURI
Versione parallela e
distribuita

15. ENSEMBLING NEURALE
Studio e implementazione dell’ensembling
neurale per problemi dinamici in
collaborazione con il prof. Xin Yao del
CERCIA (The Centre of Excellence for
Research in Computational Intelligence and
Applications)

16. PUBBLICAZIONI
Ceravolo, De Felice, Pizzuti – Combining
Back-propagation and Genetic Algorithms
to Train Neural Networks for Ambient
Temperature Modeling in Italy, EVO* 2009
(to be published)
Azzini, De Felice, Meloni, Tettamanzi –
Soft computing techniques for Internet
backbone traffic anomaly detection,
EVO* 2009 (to be published)