SlideShare uma empresa Scribd logo
Inteligência Computacional – 2013/2 
Prof. José Manoel de Seixas 
Aluno: Pedro de Vasconcellos
Inteligência de 
Enxames 
- Cardume -
Inteligência de Enxames 
Inteligência de 
Enxames / 
Inteligência 
Coletiva 
(Swarm 
Intelligence) 
“Aprender 
com a 
natureza”
Inteligência de Enxames 
“Inteligência de enxames é uma 
propriedade de sistemas de agentes 
não-inteligentes de capacidade 
individual limitada exibir 
comportamento coletivo inteligente” [1]
Inteligência de Enxames 
Enxames de 
abelhas
Inteligência de Enxames 
Colônia de 
bactérias
Inteligência de Enxames 
Bando de 
pássaros
Inteligência de Enxames 
Cardume de 
peixes
Inteligência de Enxames 
5 Princípios básicos (Millonas, 1994): [3] 
• Proximidade – agentes devem ser capazes de interagir; 
• Qualidade – agentes devem ser capazes de avaliar seus 
comportamentos; 
• Diversidade – permite ao sistema reagir a situações 
inesperadas; 
• Estabilidade – nem todas as variações ambientais devem 
afetar o comportamento de um agente; 
• Adaptabilidade – capacidade de adequação a variações 
ambientais
Inteligência de Enxames 
Cada agente preocupa-se com seu 
próprio papel 
Sistema auto organizável 
Interações locais levam a um 
padrão global
PSO (Particle Swarm Optimization) 
Otimização de Enxame de 
Partículas
PSO (Particle Swarm Optimization) 
Desenvolvido em 1995, por James Kennedy (esq., 
psicólogo social) e Russel Eberhart (dir., 
engenheiro elétrico)
PSO (Particle Swarm Optimization) 
“Pelo menos em teoria, membros individuais de um cardume podem 
se beneficiar das descobertas e experiências anteriores de outros 
membros do cardume na busca por alimentos. 
Essa vantagem pode se tornar decisiva, compensando as 
desvantagens da competição por alimentos” 
Edward Osbourne Wilson (entomologista e biólogo americano) [5]
PSO (Particle Swarm Optimization) 
Base 
Estudos de modelagem de comportamento de 
enxames (em peixes e aves) e seus fatores 
sócio-cognitivos.
PSO (Particle Swarm Optimization) 
Cognitivo 
Cada indivíduo possui a sua própria 
experiência e é capaz de avaliá-la 
qualitativamente (aprendizagem individual)
PSO (Particle Swarm Optimization) 
Social 
Cada indivíduo tem conhecimento da 
experiência de seu vizinho (transmissão 
cultural)
PSO (Particle Swarm Optimization) 
Decisão a 
ser tomada 
Experiências 
passadas 
Influências 
sociais
PSO (Particle Swarm Optimization) 
Avalia-se 
Compara 
com os 
vizinhos 
Imita os 
vizinhos 
superiores 
Princípios de Adaptação Cultural
PSO (Particle Swarm Optimization) 
Objetivo 
Encontrar uma solução no universo de 
possíveis soluções para um problema de 
otimização [6] 
Cardume de peixes buscando alimento ou 
bando de pássaros buscando abrigo
PSO (Particle Swarm Optimization) 
Exemplo (1) [5]
PSO (Particle Swarm Optimization) 
Exemplo (2) [5]
PSO (Particle Swarm Optimization) 
Função Schwefel [5]
PSO (Particle Swarm Optimization) 
Função Schwefel [5]
PSO (Particle Swarm Optimization) 
Função Schwefel [5]
PSO (Particle Swarm Optimization) 
Função Schwefel [5]
PSO (Particle Swarm Optimization) 
Conceitos 
Aptidão (fitness) = número que representa a 
optimalidade da solução 
Função de Aptidão: G(xi)
PSO (Particle Swarm Optimization) 
Conceitos 
Sendo 1≤d ≤n, número de dimensões do sistema: 
• xi = (xi1, xi2,..., xid) = posição da partícula i 
• vid = (vi1, vi2,..., vid) = velocidade da partícula i 
• pbest (pi) = melhor posição encontrada até o 
momento pela partícula i 
• lbest (pl) = melhor posição encontrada até o 
momento pela vizinhança de i 
• Obs.: gbest (pg)  modelo de vizinhança global
PSO (Particle Swarm Optimization) 
Conceitos 
Análogo à fórmula física: xi’ = xi + vit + (1/2) at² 
Fórmula da posição no PSO: 
xi(t+1) = xi(t) + vi(t+1) 
Fórmula da velocidade no PSO: 
vi(t+1) = ω×vi(t) + ϕ1×(pi−xi(t)) + ϕ2×(pl−xi(t))
PSO (Particle Swarm Optimization) 
Conceitos 
vi(t+1) = ω×vi(t) + ϕ1 (pi−xi(t)) + 
ϕ2×(pl−xi(t)) 
Aceleração 
cognitiva 
Aceleração 
social 
ω (<1) = peso de inércia 
(grande: exploração global; 
pequeno: exploração local) 
Φ1 = c1 * rand(); Φ2 = c2 * Rand() 
rand() e Rand(): funções randômicas uniformemente 
distribuídas entre [0,1] 
c1 e c2: constantes de aceleração de aprendizado, tal que 
c1 + c2 = 4.1 e geralmente c1 = c2 = 2.05
PSO (Particle Swarm Optimization) 
Pseudo-código 
[7]
PSO (Particle Swarm Optimization) 
Outros parâmetros 
Vmín e vmáx = partículas cujas velocidades em 
módulo sejam maiores que o definido, têm seus 
valores limitados; 
Dimensão do espaço de busca: número de 
parâmetros livres; 
Alcance do espaço de busca: ex., xmín=-500, 
xmáx=500;
PSO (Particle Swarm Optimization) 
Outros parâmetros 
Número de partículas: geralmente entre 20 e 40, 
sendo 10 suficiente muitas vezes [8]; 
Condição de encerramento do algoritmo: 
número de iterações, solução ótima, margem de 
erro mínimo;
PSO (Particle Swarm Optimization) 
PSO Local x Global 
• Global: todas as partículas estão conectadas 
entre si  maior convergência, pouca 
exploração do espaço 
• Local: partículas agrupadas em vizinhanças 
 menor convergência, grande exploração 
do espaço
PSO (Particle Swarm Optimization) 
PSO Local x Global 
• Global: todas as partículas estão conectadas 
entre si  maior convergência, pouca 
exploração do espaço 
• Local: partículas agrupadas em vizinhanças 
 menor convergência, grande exploração 
do espaço
PSO (Particle Swarm Optimization) 
PSO Local x Global (topologias) 
[5] 
Exemplo de PSO local e definição das 
Vizinhanças [9]
PSO (Particle Swarm Optimization) 
Conclusões 
• Baseado em comportamento social 
• Algoritmos simples 
• Operadores matemáticos simples 
• Não garantem convergência para a melhor 
solução 
• Bons resultados em várias aplicações (redes 
neurais, otimização contínua multimodal, 
etc)
Artificial Fish Swarm Algorithm 
Proposto em 2002, por Li et al., 
inspirado no movimento coletivo 
de peixes e seus vários 
comportamentos sociais.
Artificial Fish Swarm Algorithm 
Outros possíveis nomes: 
FSA – Fish Swarm Algorithm 
FSO – Fish Swarm Optimization 
AFSO – Artificial Fish Swarm Optimization 
AFSOA – Artificial Fish Swarm Optimization 
Algorithm
Artificial Fish Swarm Algorithm 
Interação com 
o ambiente
Artificial Fish Swarm Algorithm 
X: posição do AF 
(Artificial Fish) 
X = [x1, x2, ...., xn]
Artificial Fish Swarm Algorithm 
Visual: campo de visão 
(percepção) do peixe
Artificial Fish Swarm Algorithm 
xv: nova posição 
preterida, dentro da 
visão 
xv = [xv1,xv2, ..., xvn]
Artificial Fish Swarm Algorithm 
Step: passo máximo 
que o peixe dará a cada 
iteração (movimento)
Artificial Fish Swarm Algorithm 
Xnext: nova posição do 
AF rumo a xv 
O movimento só 
ocorrerá caso xv tenha 
melhor solução 
(maior concentração 
de comida)
Artificial Fish Swarm Algorithm 
Comportamentos 
(funções)
Artificial Fish Swarm Algorithm 
Searching / Prey (devorar) 
Behavior 
Busca por grandes 
reservatórios de comida 
(encontrar solução 
ótima)
Artificial Fish Swarm Algorithm 
Searching / Prey Behavior 
1) Escolha de uma potencial nova posição xj: 
d = número de dimensões do espaço 
Visual = distância visual 
Rand() = número randômico entre -1 e 1
Artificial Fish Swarm Algorithm 
Searching / Prey Behavior 
2) Sendo Y = f(x) a função objetivo a ser otimizada, 
caso f(xj) seja melhor que f(xi)  movimento rumo 
a xj 
Disi,j = distância euclidiana entre xi e xj
Artificial Fish Swarm Algorithm 
Searching / Prey Behavior 
3) Caso f(xj) represente uma solução pior que f(xi), 
o AF continua buscando de acordo com a eq. 1. 
Após um número de tentativas (try-number) sem 
sucesso, o peixe move-se livremente (às vezes 
classificado como moving behavior)
Artificial Fish Swarm Algorithm 
Swarming Behavior 
O indivíduo busca 
movimentar-se em 
grupo  posição central 
do cardume
Artificial Fish Swarm Algorithm 
Swarming Behavior 
1) Posição Central, Xc 
f 
n 
 
1 
, , 
 
 
i 
X 
i d 
f 
X 
center d 
n 
1 
nf = número de peixes no campo de visão f
Artificial Fish Swarm Algorithm 
Swarming Behavior 
2) Crowd Factor δ (fator de lotação), 0 < δ < 1 
0 : sem peixes 
 
n 
n 
f 
N 
f 
0   
 
: campo não - lotado 
: campo lotado 
N 
 
 
n 
f 
N 
N = número de peixes do cardume 
nf/N = densidade populacional
Artificial Fish Swarm Algorithm 
Swarming Behavior 
3) Caso Yc > Yi (melhor solução) e Xc esteja com 
uma vizinhança não-lotada (nC/N < δ, nC ≠ 0)
Artificial Fish Swarm Algorithm 
Swarming Behavior 
Análoga à fórmula de movimentação com sucesso 
no comportamento de busca (searching/pray 
behavior) !
Artificial Fish Swarm Algorithm 
Swarming Behavior
Artificial Fish Swarm Algorithm 
Swarming Behavior 
4) Nos casos contrários: 
Pior solução em Xc do que Xi 
Não há vizinhos visuais: nC = 0 
A região está lotada: nC/N ≥ 0 
O AF terá um movimento livre de procura (pray 
behavior)
Artificial Fish Swarm Algorithm 
Following (seguir) 
Behavior 
Quando um peixe acha 
comida, os vizinhos 
seguirão este
Artificial Fish Swarm Algorithm 
Following Behavior 
1) Peixes seguirão aquele que representar a 
melhor solução da vizinhança (xn): 
Condições: 
Yn > Yi (Yn é melhor que Yi) 
nn/N < δ, nn ≠ 0
Artificial Fish Swarm Algorithm 
Following Behavior 
2) Nos casos contrários: 
Pior solução em Xn do que Xi 
Não há vizinhos visuais: nn = 0 
A região está lotada: nn/N ≥ 0 
O AF terá um movimento livre de procura (pray 
behavior) 
Que nem ocorre no following behavior
Artificial Fish Swarm Algorithm 
Workflow e Pseudo-código
Artificial Fish Swarm Algorithm 
Pontos Fortes 
• Boa robustez 
• Habilidade de busca global 
• Tolerância à definição de parâmetros 
• Insensitivo aos valores iniciais (quando 
parâmetros não mudam)
Artificial Fish Swarm Algorithm 
Pontos Fracos 
• Exploration x Exploitation 
• Tamanho de Step e Visual 
• Estrutura complexa com o ajuste dos parâmetros e 
falhas nestes 
• Step > Dis(i,j) 
• Movimentação em dimensões do espaço com 
diferentes tamanhos 
• Desperdício de carga computacional 
• Following ou Swarming é descartado 
• Custo de cálculo de following
Artificial Fish Swarm Algorithm 
Modificações & Resultados 
[1] HAP (híbrido de PSO e AFSA), para treinamento 
de redes neurais feedforward 
Função: 
t = sin(π × p)
Artificial Fish Swarm Algorithm 
Modificações & Resultados
Artificial Fish Swarm Algorithm 
Modificações & Resultados 
[2] Problema do Caixeiro Viajante, comparando os 
algoritmos: 
AS – Ant System 
DPSO – Discrete PSO 
AFSA – AFSA1 (δ fixo) e AFSA2 (δ adaptativo) 
δ adaptativo usado: δ diminui 20% a cada 25 
iterações sem mudança no melhor fitness 
encontrado pelo cardume
Artificial Fish Swarm Algorithm 
Modificações & Resultados
Artificial Fish Swarm Algorithm 
Modificações & Resultados 
Após 100 
iterações
Artificial Fish Swarm Algorithm 
Modificações & Resultados 
[3] Problema de Alocação de Ancoradouro (Berth 
allocation problem)
Artificial Fish Swarm Algorithm 
Modificações & Resultados 
Solução ótima: 
x1=(1,5,7,6;3,4,2) ou x2=(1,5,4;3,2,7,6) 
Y(x1)=Y(x2)=73
Artificial Fish Swarm Algorithm
Artificial Fish Swarm Algorithm
Artificial Fish Swarm Algorithm 
Na figura, visual = 2 
Para 10 peixes, de 
modo geral apenas 
convergiu para 
3<visual<7
Artificial Fish Swarm Algorithm
Artificial Fish Swarm Algorithm 
GA = Genetic Algorithm 
GASA = híbrido GA + 
Simulated Annealing 
Número de iterações ACO 
(Ant Colony Optimization) 
= 8
Artificial Fish Swarm Algorithm 
Há muitas outras modificações, híbridos, etc.: 
• mAFS – Modified AFS [4] 
• mAFS-P – Modified AFS Priority-based [4] 
• MAFSA – Modified AFSA {5] 
• Fuzzy Adaptive Artificial Fish Swarm Algorithm [6] 
E até uma abordagem criada na UPE (Universidade de 
Pernambuco): 
• FSS - Fish School Search [7]
Bibliografia e referências 
[1] http://www.fabriciobreve.com/material/compavancada/CA-Aula8- 
InteligenciaDeEnxames.pdf 
[2] ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia013_1s07/topico4_07.pdf 
[3] http://www.scielo.br/pdf/ca/v20n3/02.pdf 
[4] Eberhart, R. C. & Kennedy, J. (2001). Swarm Intelligence 
[5] http://www.dep.uminho.pt/EscolaEAs/palestras/Inteligencia%20de%20enxames%20- 
%20P2%20PSO%20-%20UFMG%20-%2023_10_2009%20P&B.pdf 
[6] http://wiki.icmc.usp.br/images/e/eb/Aula_4_CB_Enxames_PSO.pdf 
[7] http://www.fabriciobreve.com/material/compavancada/CA-Aula9- 
InteligenciaDeEnxamesP2.pdf 
[8] http://www.swarmintelligence.org/tutorials.php 
[9] http://web.ist.utl.pt/gdgp/VA/pso.htm
Bibliografia e referências 
[10] Ben Niu , Li Li, A Hybrid Particle Swarm Optimization for Feed-Forward Neural Network 
Training, Proceedings of the 4th international conference on Intelligent Computing: 
Advanced Intelligent Computing Theories and Applications - with Aspects of Artificial 
Intelligence, September 15-18, 2008, Shanghai, China [2] 
[11] 
http://www.infoteca.inf.br/contecsi/smarty/templates/arquivos_template/upload_arquivos/ 
acervo/docs/PDFs/068.pdf 
[12] http://www.mecs-press.org/ijisa/ijisa-v2-n1/IJISA-V2-N1-6.pdf 
[13] http://repositorium.sdum.uminho.pt/bitstream/1822/14478/1/AFSmodified_ICCSA.pd 
f 
[14] http://www.ijcte.org/papers/003.pdf 
[15] http://ceit.aut.ac.ir/~meybodi/paper/yazdani-Springer-Fuzzy-Fish%20Swarm-2010.pdf 
[16] http://www.fbln.pro.br/fss/

Mais conteúdo relacionado

Mais procurados

Terminologia Básica de Instrumentação
Terminologia Básica de InstrumentaçãoTerminologia Básica de Instrumentação
Terminologia Básica de Instrumentação
Luiz Bertevello
 
Eclipse OMR: a modern toolkit for building language runtimes
Eclipse OMR: a modern toolkit for building language runtimesEclipse OMR: a modern toolkit for building language runtimes
Eclipse OMR: a modern toolkit for building language runtimes
Mark Stoodley
 
Gcc porting
Gcc portingGcc porting
Gcc porting
Shiva Chen
 
Big Bird - Transformers for Longer Sequences
Big Bird - Transformers for Longer SequencesBig Bird - Transformers for Longer Sequences
Big Bird - Transformers for Longer Sequences
taeseon ryu
 
5 - Advanced SVE.pdf
5 - Advanced SVE.pdf5 - Advanced SVE.pdf
5 - Advanced SVE.pdf
JunZhao68
 
Sylius sans e-commerce pourquoi et comment ?
Sylius sans e-commerce pourquoi et comment ?Sylius sans e-commerce pourquoi et comment ?
Sylius sans e-commerce pourquoi et comment ?
Maxime Huran 🌈
 
Lista de exercícios em Bash (resolvida)
Lista de exercícios em Bash (resolvida) Lista de exercícios em Bash (resolvida)
Lista de exercícios em Bash (resolvida)
Marcelo Barros de Almeida
 
Vivado hls勉強会1(基礎編)
Vivado hls勉強会1(基礎編)Vivado hls勉強会1(基礎編)
Vivado hls勉強会1(基礎編)
marsee101
 
Visualg
VisualgVisualg
Visualg
Pedro Silva
 
Netmiko library
Netmiko libraryNetmiko library
Netmiko library
Manjunath annure
 
Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...
Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...
Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...
Universidade de São Paulo
 
Chapter 15 Representation learning - 1
Chapter 15 Representation learning - 1Chapter 15 Representation learning - 1
Chapter 15 Representation learning - 1
KyeongUkJang
 
Full Waveform Inversion: Introdução e Aplicações [2/5]
Full Waveform Inversion: Introdução e Aplicações [2/5]Full Waveform Inversion: Introdução e Aplicações [2/5]
Full Waveform Inversion: Introdução e Aplicações [2/5]
Grupo de Geofísica Computacional, UNICAMP
 
Лекция №11 "Основы нейронных сетей"
Лекция №11 "Основы нейронных сетей" Лекция №11 "Основы нейронных сетей"
Лекция №11 "Основы нейронных сетей"
Technosphere1
 
Python - Programação funcional
Python - Programação funcionalPython - Programação funcional
Python - Programação funcional
fabiocerqueira
 
Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)
Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)
Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)
marsee101
 
Java: Composicao e Array List
Java: Composicao e Array ListJava: Composicao e Array List
Java: Composicao e Array List
Arthur Emanuel
 
C++ Funções
 C++ Funções C++ Funções
C++ Funções
Odair Soares
 
Pesquisa Operacional - Aula 06 - Dualidade
Pesquisa Operacional - Aula 06 - DualidadePesquisa Operacional - Aula 06 - Dualidade
Pesquisa Operacional - Aula 06 - Dualidade
Leinylson Fontinele
 
Introdução a estruturas de dados em python
Introdução a estruturas de dados em pythonIntrodução a estruturas de dados em python
Introdução a estruturas de dados em python
Alvaro Oliveira
 

Mais procurados (20)

Terminologia Básica de Instrumentação
Terminologia Básica de InstrumentaçãoTerminologia Básica de Instrumentação
Terminologia Básica de Instrumentação
 
Eclipse OMR: a modern toolkit for building language runtimes
Eclipse OMR: a modern toolkit for building language runtimesEclipse OMR: a modern toolkit for building language runtimes
Eclipse OMR: a modern toolkit for building language runtimes
 
Gcc porting
Gcc portingGcc porting
Gcc porting
 
Big Bird - Transformers for Longer Sequences
Big Bird - Transformers for Longer SequencesBig Bird - Transformers for Longer Sequences
Big Bird - Transformers for Longer Sequences
 
5 - Advanced SVE.pdf
5 - Advanced SVE.pdf5 - Advanced SVE.pdf
5 - Advanced SVE.pdf
 
Sylius sans e-commerce pourquoi et comment ?
Sylius sans e-commerce pourquoi et comment ?Sylius sans e-commerce pourquoi et comment ?
Sylius sans e-commerce pourquoi et comment ?
 
Lista de exercícios em Bash (resolvida)
Lista de exercícios em Bash (resolvida) Lista de exercícios em Bash (resolvida)
Lista de exercícios em Bash (resolvida)
 
Vivado hls勉強会1(基礎編)
Vivado hls勉強会1(基礎編)Vivado hls勉強会1(基礎編)
Vivado hls勉強会1(基礎編)
 
Visualg
VisualgVisualg
Visualg
 
Netmiko library
Netmiko libraryNetmiko library
Netmiko library
 
Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...
Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...
Complexidade de Algoritmos, Notação assintótica, Algoritmos polinomiais e in...
 
Chapter 15 Representation learning - 1
Chapter 15 Representation learning - 1Chapter 15 Representation learning - 1
Chapter 15 Representation learning - 1
 
Full Waveform Inversion: Introdução e Aplicações [2/5]
Full Waveform Inversion: Introdução e Aplicações [2/5]Full Waveform Inversion: Introdução e Aplicações [2/5]
Full Waveform Inversion: Introdução e Aplicações [2/5]
 
Лекция №11 "Основы нейронных сетей"
Лекция №11 "Основы нейронных сетей" Лекция №11 "Основы нейронных сетей"
Лекция №11 "Основы нейронных сетей"
 
Python - Programação funcional
Python - Programação funcionalPython - Programação funcional
Python - Programação funcional
 
Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)
Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)
Vivado hls勉強会2(レジスタの挿入とpipelineディレクティブ)
 
Java: Composicao e Array List
Java: Composicao e Array ListJava: Composicao e Array List
Java: Composicao e Array List
 
C++ Funções
 C++ Funções C++ Funções
C++ Funções
 
Pesquisa Operacional - Aula 06 - Dualidade
Pesquisa Operacional - Aula 06 - DualidadePesquisa Operacional - Aula 06 - Dualidade
Pesquisa Operacional - Aula 06 - Dualidade
 
Introdução a estruturas de dados em python
Introdução a estruturas de dados em pythonIntrodução a estruturas de dados em python
Introdução a estruturas de dados em python
 

Destaque

Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...
Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...
Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...
irjes
 
Recommender Systems with Ruby (adding machine learning, statistics, etc)
Recommender Systems with Ruby (adding machine learning, statistics, etc)Recommender Systems with Ruby (adding machine learning, statistics, etc)
Recommender Systems with Ruby (adding machine learning, statistics, etc)
Marcel Caraciolo
 
Latex symbols and commands
Latex symbols  and commandsLatex symbols  and commands
Latex symbols and commands
Ahmed Fouad Ali
 
Ant colony algorithm
Ant colony algorithm Ant colony algorithm
Ant colony algorithm
Ahmed Fouad Ali
 
Particle swarm optimization
Particle swarm optimization Particle swarm optimization
Particle swarm optimization
Ahmed Fouad Ali
 
Artificial fish swarm optimization
Artificial fish swarm optimizationArtificial fish swarm optimization
Artificial fish swarm optimization
Ahmed Fouad Ali
 

Destaque (6)

Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...
Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...
Quantum-inspired artificial fish swarm algorithm based on the Bloch sphere se...
 
Recommender Systems with Ruby (adding machine learning, statistics, etc)
Recommender Systems with Ruby (adding machine learning, statistics, etc)Recommender Systems with Ruby (adding machine learning, statistics, etc)
Recommender Systems with Ruby (adding machine learning, statistics, etc)
 
Latex symbols and commands
Latex symbols  and commandsLatex symbols  and commands
Latex symbols and commands
 
Ant colony algorithm
Ant colony algorithm Ant colony algorithm
Ant colony algorithm
 
Particle swarm optimization
Particle swarm optimization Particle swarm optimization
Particle swarm optimization
 
Artificial fish swarm optimization
Artificial fish swarm optimizationArtificial fish swarm optimization
Artificial fish swarm optimization
 

Mais de Pedro de Vasconcellos

FEBRL
FEBRLFEBRL
DQguru
DQguruDQguru
cARdapp - cardápio em realidade aumentada
cARdapp - cardápio em realidade aumentadacARdapp - cardápio em realidade aumentada
cARdapp - cardápio em realidade aumentada
Pedro de Vasconcellos
 
Design de Interação - Capítulo 8 - Design, Prototipação e Construção -
Design de Interação - Capítulo 8 - Design, Prototipação e Construção - Design de Interação - Capítulo 8 - Design, Prototipação e Construção -
Design de Interação - Capítulo 8 - Design, Prototipação e Construção -
Pedro de Vasconcellos
 
Managing Innovation - 3rd edition – Capítulos 10 e 11
Managing Innovation - 3rd edition – Capítulos 10 e 11Managing Innovation - 3rd edition – Capítulos 10 e 11
Managing Innovation - 3rd edition – Capítulos 10 e 11
Pedro de Vasconcellos
 
Gestão da Inovação - Produção acadêmica no Brasil
Gestão da Inovação - Produção acadêmica no BrasilGestão da Inovação - Produção acadêmica no Brasil
Gestão da Inovação - Produção acadêmica no Brasil
Pedro de Vasconcellos
 
Bluetooth Low Energy
Bluetooth Low EnergyBluetooth Low Energy
Bluetooth Low Energy
Pedro de Vasconcellos
 
Análise Comparativa: MP3 e AAC
Análise Comparativa: MP3 e AACAnálise Comparativa: MP3 e AAC
Análise Comparativa: MP3 e AAC
Pedro de Vasconcellos
 
BitTorrent
BitTorrentBitTorrent
Memória Compartilhada Distribuída (DSM)
Memória Compartilhada Distribuída (DSM)Memória Compartilhada Distribuída (DSM)
Memória Compartilhada Distribuída (DSM)
Pedro de Vasconcellos
 
Redes Sociais
Redes SociaisRedes Sociais
Redes Sociais
Pedro de Vasconcellos
 
Créditos de Carbono e MDL
Créditos de Carbono e MDLCréditos de Carbono e MDL
Créditos de Carbono e MDL
Pedro de Vasconcellos
 
Efeitos Visuais
Efeitos VisuaisEfeitos Visuais
Efeitos Visuais
Pedro de Vasconcellos
 
MapReduce
MapReduceMapReduce
O computador e a contracultura
O computador e a contraculturaO computador e a contracultura
O computador e a contracultura
Pedro de Vasconcellos
 

Mais de Pedro de Vasconcellos (15)

FEBRL
FEBRLFEBRL
FEBRL
 
DQguru
DQguruDQguru
DQguru
 
cARdapp - cardápio em realidade aumentada
cARdapp - cardápio em realidade aumentadacARdapp - cardápio em realidade aumentada
cARdapp - cardápio em realidade aumentada
 
Design de Interação - Capítulo 8 - Design, Prototipação e Construção -
Design de Interação - Capítulo 8 - Design, Prototipação e Construção - Design de Interação - Capítulo 8 - Design, Prototipação e Construção -
Design de Interação - Capítulo 8 - Design, Prototipação e Construção -
 
Managing Innovation - 3rd edition – Capítulos 10 e 11
Managing Innovation - 3rd edition – Capítulos 10 e 11Managing Innovation - 3rd edition – Capítulos 10 e 11
Managing Innovation - 3rd edition – Capítulos 10 e 11
 
Gestão da Inovação - Produção acadêmica no Brasil
Gestão da Inovação - Produção acadêmica no BrasilGestão da Inovação - Produção acadêmica no Brasil
Gestão da Inovação - Produção acadêmica no Brasil
 
Bluetooth Low Energy
Bluetooth Low EnergyBluetooth Low Energy
Bluetooth Low Energy
 
Análise Comparativa: MP3 e AAC
Análise Comparativa: MP3 e AACAnálise Comparativa: MP3 e AAC
Análise Comparativa: MP3 e AAC
 
BitTorrent
BitTorrentBitTorrent
BitTorrent
 
Memória Compartilhada Distribuída (DSM)
Memória Compartilhada Distribuída (DSM)Memória Compartilhada Distribuída (DSM)
Memória Compartilhada Distribuída (DSM)
 
Redes Sociais
Redes SociaisRedes Sociais
Redes Sociais
 
Créditos de Carbono e MDL
Créditos de Carbono e MDLCréditos de Carbono e MDL
Créditos de Carbono e MDL
 
Efeitos Visuais
Efeitos VisuaisEfeitos Visuais
Efeitos Visuais
 
MapReduce
MapReduceMapReduce
MapReduce
 
O computador e a contracultura
O computador e a contraculturaO computador e a contracultura
O computador e a contracultura
 

Último

Dimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdfDimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdf
RodrigoQuintilianode1
 
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
Consultoria Acadêmica
 
Apostila SAP.PM para PCM, para indústria e depósitos
Apostila SAP.PM para PCM, para indústria e  depósitosApostila SAP.PM para PCM, para indústria e  depósitos
Apostila SAP.PM para PCM, para indústria e depósitos
Sandro Marques Solidario
 
SFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docx
SFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docxSFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docx
SFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docx
bentosst
 
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdfAULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
MaxwellBentodeOlivei1
 
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
Consultoria Acadêmica
 

Último (6)

Dimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdfDimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdf
 
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
 
Apostila SAP.PM para PCM, para indústria e depósitos
Apostila SAP.PM para PCM, para indústria e  depósitosApostila SAP.PM para PCM, para indústria e  depósitos
Apostila SAP.PM para PCM, para indústria e depósitos
 
SFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docx
SFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docxSFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docx
SFE SSO PROC 03 Bloqueio e sinalização de energias perigosas 1(Comentado).docx
 
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdfAULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
 
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
 

Inteligência de enxames - Cardume (PSO + AFSA)

  • 1. Inteligência Computacional – 2013/2 Prof. José Manoel de Seixas Aluno: Pedro de Vasconcellos
  • 3. Inteligência de Enxames Inteligência de Enxames / Inteligência Coletiva (Swarm Intelligence) “Aprender com a natureza”
  • 4. Inteligência de Enxames “Inteligência de enxames é uma propriedade de sistemas de agentes não-inteligentes de capacidade individual limitada exibir comportamento coletivo inteligente” [1]
  • 5. Inteligência de Enxames Enxames de abelhas
  • 6. Inteligência de Enxames Colônia de bactérias
  • 7. Inteligência de Enxames Bando de pássaros
  • 8. Inteligência de Enxames Cardume de peixes
  • 9. Inteligência de Enxames 5 Princípios básicos (Millonas, 1994): [3] • Proximidade – agentes devem ser capazes de interagir; • Qualidade – agentes devem ser capazes de avaliar seus comportamentos; • Diversidade – permite ao sistema reagir a situações inesperadas; • Estabilidade – nem todas as variações ambientais devem afetar o comportamento de um agente; • Adaptabilidade – capacidade de adequação a variações ambientais
  • 10. Inteligência de Enxames Cada agente preocupa-se com seu próprio papel Sistema auto organizável Interações locais levam a um padrão global
  • 11. PSO (Particle Swarm Optimization) Otimização de Enxame de Partículas
  • 12. PSO (Particle Swarm Optimization) Desenvolvido em 1995, por James Kennedy (esq., psicólogo social) e Russel Eberhart (dir., engenheiro elétrico)
  • 13. PSO (Particle Swarm Optimization) “Pelo menos em teoria, membros individuais de um cardume podem se beneficiar das descobertas e experiências anteriores de outros membros do cardume na busca por alimentos. Essa vantagem pode se tornar decisiva, compensando as desvantagens da competição por alimentos” Edward Osbourne Wilson (entomologista e biólogo americano) [5]
  • 14. PSO (Particle Swarm Optimization) Base Estudos de modelagem de comportamento de enxames (em peixes e aves) e seus fatores sócio-cognitivos.
  • 15. PSO (Particle Swarm Optimization) Cognitivo Cada indivíduo possui a sua própria experiência e é capaz de avaliá-la qualitativamente (aprendizagem individual)
  • 16. PSO (Particle Swarm Optimization) Social Cada indivíduo tem conhecimento da experiência de seu vizinho (transmissão cultural)
  • 17. PSO (Particle Swarm Optimization) Decisão a ser tomada Experiências passadas Influências sociais
  • 18. PSO (Particle Swarm Optimization) Avalia-se Compara com os vizinhos Imita os vizinhos superiores Princípios de Adaptação Cultural
  • 19. PSO (Particle Swarm Optimization) Objetivo Encontrar uma solução no universo de possíveis soluções para um problema de otimização [6] Cardume de peixes buscando alimento ou bando de pássaros buscando abrigo
  • 20. PSO (Particle Swarm Optimization) Exemplo (1) [5]
  • 21. PSO (Particle Swarm Optimization) Exemplo (2) [5]
  • 22. PSO (Particle Swarm Optimization) Função Schwefel [5]
  • 23. PSO (Particle Swarm Optimization) Função Schwefel [5]
  • 24. PSO (Particle Swarm Optimization) Função Schwefel [5]
  • 25. PSO (Particle Swarm Optimization) Função Schwefel [5]
  • 26. PSO (Particle Swarm Optimization) Conceitos Aptidão (fitness) = número que representa a optimalidade da solução Função de Aptidão: G(xi)
  • 27. PSO (Particle Swarm Optimization) Conceitos Sendo 1≤d ≤n, número de dimensões do sistema: • xi = (xi1, xi2,..., xid) = posição da partícula i • vid = (vi1, vi2,..., vid) = velocidade da partícula i • pbest (pi) = melhor posição encontrada até o momento pela partícula i • lbest (pl) = melhor posição encontrada até o momento pela vizinhança de i • Obs.: gbest (pg)  modelo de vizinhança global
  • 28. PSO (Particle Swarm Optimization) Conceitos Análogo à fórmula física: xi’ = xi + vit + (1/2) at² Fórmula da posição no PSO: xi(t+1) = xi(t) + vi(t+1) Fórmula da velocidade no PSO: vi(t+1) = ω×vi(t) + ϕ1×(pi−xi(t)) + ϕ2×(pl−xi(t))
  • 29. PSO (Particle Swarm Optimization) Conceitos vi(t+1) = ω×vi(t) + ϕ1 (pi−xi(t)) + ϕ2×(pl−xi(t)) Aceleração cognitiva Aceleração social ω (<1) = peso de inércia (grande: exploração global; pequeno: exploração local) Φ1 = c1 * rand(); Φ2 = c2 * Rand() rand() e Rand(): funções randômicas uniformemente distribuídas entre [0,1] c1 e c2: constantes de aceleração de aprendizado, tal que c1 + c2 = 4.1 e geralmente c1 = c2 = 2.05
  • 30. PSO (Particle Swarm Optimization) Pseudo-código [7]
  • 31. PSO (Particle Swarm Optimization) Outros parâmetros Vmín e vmáx = partículas cujas velocidades em módulo sejam maiores que o definido, têm seus valores limitados; Dimensão do espaço de busca: número de parâmetros livres; Alcance do espaço de busca: ex., xmín=-500, xmáx=500;
  • 32. PSO (Particle Swarm Optimization) Outros parâmetros Número de partículas: geralmente entre 20 e 40, sendo 10 suficiente muitas vezes [8]; Condição de encerramento do algoritmo: número de iterações, solução ótima, margem de erro mínimo;
  • 33. PSO (Particle Swarm Optimization) PSO Local x Global • Global: todas as partículas estão conectadas entre si  maior convergência, pouca exploração do espaço • Local: partículas agrupadas em vizinhanças  menor convergência, grande exploração do espaço
  • 34. PSO (Particle Swarm Optimization) PSO Local x Global • Global: todas as partículas estão conectadas entre si  maior convergência, pouca exploração do espaço • Local: partículas agrupadas em vizinhanças  menor convergência, grande exploração do espaço
  • 35. PSO (Particle Swarm Optimization) PSO Local x Global (topologias) [5] Exemplo de PSO local e definição das Vizinhanças [9]
  • 36. PSO (Particle Swarm Optimization) Conclusões • Baseado em comportamento social • Algoritmos simples • Operadores matemáticos simples • Não garantem convergência para a melhor solução • Bons resultados em várias aplicações (redes neurais, otimização contínua multimodal, etc)
  • 37. Artificial Fish Swarm Algorithm Proposto em 2002, por Li et al., inspirado no movimento coletivo de peixes e seus vários comportamentos sociais.
  • 38. Artificial Fish Swarm Algorithm Outros possíveis nomes: FSA – Fish Swarm Algorithm FSO – Fish Swarm Optimization AFSO – Artificial Fish Swarm Optimization AFSOA – Artificial Fish Swarm Optimization Algorithm
  • 39. Artificial Fish Swarm Algorithm Interação com o ambiente
  • 40. Artificial Fish Swarm Algorithm X: posição do AF (Artificial Fish) X = [x1, x2, ...., xn]
  • 41. Artificial Fish Swarm Algorithm Visual: campo de visão (percepção) do peixe
  • 42. Artificial Fish Swarm Algorithm xv: nova posição preterida, dentro da visão xv = [xv1,xv2, ..., xvn]
  • 43. Artificial Fish Swarm Algorithm Step: passo máximo que o peixe dará a cada iteração (movimento)
  • 44. Artificial Fish Swarm Algorithm Xnext: nova posição do AF rumo a xv O movimento só ocorrerá caso xv tenha melhor solução (maior concentração de comida)
  • 45. Artificial Fish Swarm Algorithm Comportamentos (funções)
  • 46. Artificial Fish Swarm Algorithm Searching / Prey (devorar) Behavior Busca por grandes reservatórios de comida (encontrar solução ótima)
  • 47. Artificial Fish Swarm Algorithm Searching / Prey Behavior 1) Escolha de uma potencial nova posição xj: d = número de dimensões do espaço Visual = distância visual Rand() = número randômico entre -1 e 1
  • 48. Artificial Fish Swarm Algorithm Searching / Prey Behavior 2) Sendo Y = f(x) a função objetivo a ser otimizada, caso f(xj) seja melhor que f(xi)  movimento rumo a xj Disi,j = distância euclidiana entre xi e xj
  • 49. Artificial Fish Swarm Algorithm Searching / Prey Behavior 3) Caso f(xj) represente uma solução pior que f(xi), o AF continua buscando de acordo com a eq. 1. Após um número de tentativas (try-number) sem sucesso, o peixe move-se livremente (às vezes classificado como moving behavior)
  • 50. Artificial Fish Swarm Algorithm Swarming Behavior O indivíduo busca movimentar-se em grupo  posição central do cardume
  • 51. Artificial Fish Swarm Algorithm Swarming Behavior 1) Posição Central, Xc f n  1 , ,   i X i d f X center d n 1 nf = número de peixes no campo de visão f
  • 52. Artificial Fish Swarm Algorithm Swarming Behavior 2) Crowd Factor δ (fator de lotação), 0 < δ < 1 0 : sem peixes  n n f N f 0    : campo não - lotado : campo lotado N   n f N N = número de peixes do cardume nf/N = densidade populacional
  • 53. Artificial Fish Swarm Algorithm Swarming Behavior 3) Caso Yc > Yi (melhor solução) e Xc esteja com uma vizinhança não-lotada (nC/N < δ, nC ≠ 0)
  • 54. Artificial Fish Swarm Algorithm Swarming Behavior Análoga à fórmula de movimentação com sucesso no comportamento de busca (searching/pray behavior) !
  • 55. Artificial Fish Swarm Algorithm Swarming Behavior
  • 56. Artificial Fish Swarm Algorithm Swarming Behavior 4) Nos casos contrários: Pior solução em Xc do que Xi Não há vizinhos visuais: nC = 0 A região está lotada: nC/N ≥ 0 O AF terá um movimento livre de procura (pray behavior)
  • 57. Artificial Fish Swarm Algorithm Following (seguir) Behavior Quando um peixe acha comida, os vizinhos seguirão este
  • 58. Artificial Fish Swarm Algorithm Following Behavior 1) Peixes seguirão aquele que representar a melhor solução da vizinhança (xn): Condições: Yn > Yi (Yn é melhor que Yi) nn/N < δ, nn ≠ 0
  • 59. Artificial Fish Swarm Algorithm Following Behavior 2) Nos casos contrários: Pior solução em Xn do que Xi Não há vizinhos visuais: nn = 0 A região está lotada: nn/N ≥ 0 O AF terá um movimento livre de procura (pray behavior) Que nem ocorre no following behavior
  • 60. Artificial Fish Swarm Algorithm Workflow e Pseudo-código
  • 61. Artificial Fish Swarm Algorithm Pontos Fortes • Boa robustez • Habilidade de busca global • Tolerância à definição de parâmetros • Insensitivo aos valores iniciais (quando parâmetros não mudam)
  • 62. Artificial Fish Swarm Algorithm Pontos Fracos • Exploration x Exploitation • Tamanho de Step e Visual • Estrutura complexa com o ajuste dos parâmetros e falhas nestes • Step > Dis(i,j) • Movimentação em dimensões do espaço com diferentes tamanhos • Desperdício de carga computacional • Following ou Swarming é descartado • Custo de cálculo de following
  • 63. Artificial Fish Swarm Algorithm Modificações & Resultados [1] HAP (híbrido de PSO e AFSA), para treinamento de redes neurais feedforward Função: t = sin(π × p)
  • 64. Artificial Fish Swarm Algorithm Modificações & Resultados
  • 65. Artificial Fish Swarm Algorithm Modificações & Resultados [2] Problema do Caixeiro Viajante, comparando os algoritmos: AS – Ant System DPSO – Discrete PSO AFSA – AFSA1 (δ fixo) e AFSA2 (δ adaptativo) δ adaptativo usado: δ diminui 20% a cada 25 iterações sem mudança no melhor fitness encontrado pelo cardume
  • 66. Artificial Fish Swarm Algorithm Modificações & Resultados
  • 67. Artificial Fish Swarm Algorithm Modificações & Resultados Após 100 iterações
  • 68. Artificial Fish Swarm Algorithm Modificações & Resultados [3] Problema de Alocação de Ancoradouro (Berth allocation problem)
  • 69. Artificial Fish Swarm Algorithm Modificações & Resultados Solução ótima: x1=(1,5,7,6;3,4,2) ou x2=(1,5,4;3,2,7,6) Y(x1)=Y(x2)=73
  • 72. Artificial Fish Swarm Algorithm Na figura, visual = 2 Para 10 peixes, de modo geral apenas convergiu para 3<visual<7
  • 74. Artificial Fish Swarm Algorithm GA = Genetic Algorithm GASA = híbrido GA + Simulated Annealing Número de iterações ACO (Ant Colony Optimization) = 8
  • 75. Artificial Fish Swarm Algorithm Há muitas outras modificações, híbridos, etc.: • mAFS – Modified AFS [4] • mAFS-P – Modified AFS Priority-based [4] • MAFSA – Modified AFSA {5] • Fuzzy Adaptive Artificial Fish Swarm Algorithm [6] E até uma abordagem criada na UPE (Universidade de Pernambuco): • FSS - Fish School Search [7]
  • 76. Bibliografia e referências [1] http://www.fabriciobreve.com/material/compavancada/CA-Aula8- InteligenciaDeEnxames.pdf [2] ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia013_1s07/topico4_07.pdf [3] http://www.scielo.br/pdf/ca/v20n3/02.pdf [4] Eberhart, R. C. & Kennedy, J. (2001). Swarm Intelligence [5] http://www.dep.uminho.pt/EscolaEAs/palestras/Inteligencia%20de%20enxames%20- %20P2%20PSO%20-%20UFMG%20-%2023_10_2009%20P&B.pdf [6] http://wiki.icmc.usp.br/images/e/eb/Aula_4_CB_Enxames_PSO.pdf [7] http://www.fabriciobreve.com/material/compavancada/CA-Aula9- InteligenciaDeEnxamesP2.pdf [8] http://www.swarmintelligence.org/tutorials.php [9] http://web.ist.utl.pt/gdgp/VA/pso.htm
  • 77. Bibliografia e referências [10] Ben Niu , Li Li, A Hybrid Particle Swarm Optimization for Feed-Forward Neural Network Training, Proceedings of the 4th international conference on Intelligent Computing: Advanced Intelligent Computing Theories and Applications - with Aspects of Artificial Intelligence, September 15-18, 2008, Shanghai, China [2] [11] http://www.infoteca.inf.br/contecsi/smarty/templates/arquivos_template/upload_arquivos/ acervo/docs/PDFs/068.pdf [12] http://www.mecs-press.org/ijisa/ijisa-v2-n1/IJISA-V2-N1-6.pdf [13] http://repositorium.sdum.uminho.pt/bitstream/1822/14478/1/AFSmodified_ICCSA.pd f [14] http://www.ijcte.org/papers/003.pdf [15] http://ceit.aut.ac.ir/~meybodi/paper/yazdani-Springer-Fuzzy-Fish%20Swarm-2010.pdf [16] http://www.fbln.pro.br/fss/