Propostas de possíveis temas de investigação

1. SistemasSociaisComplexos Compreender a realidade Francisco Restivo, fjr@fe.up.pt 2010-12-07

2. Sumário Introdução Sistemas bio-inspirados Redessociais Sistemascomplexos Sistemassociaiscomplexos Conclusões 2

3. Introdução Lic. EE FEUP 1970 D.Phil. Sussex 1981 Prof. Assoc. FEUP 1988 Agregação FEUP 1998 Aposentado 2010 Prof. Assoc. FACIS UCP 2010 3

4. I + D + i CEEUP 1971 BioSistemas 1982 CCP Centro de CIM do Porto 1992 IDIT 2000 LIACC 2008 4

5. Tópicos de investigação ProcessamentoDigital de Sinal SistemasMultiprocessador DecisãoDescentralizada Sistemas Multi-agente Sistemas Bio-inspirados Análise de RedesSociais SistemasSociaisComplexos 5

6. Sistemas Bio-inspirados Algoritmosgenéticos Autómatoscelulares Redesneuronais Ant colony optimization Swarm Intelligence Memetic algorithms … 6

7. Algoritmosgenéticos 7 http://www.edc.ncl.ac.uk/highlight/rhjanuary2007g01.php/

8. Autómatoscelulares Representamvectores de células 1D, 2D, 3D, … Cadacélulaevolueemfunção valor das célulasvizinhas 8 256 regraspossíveis

9. Autómatoscelulares 9 Regra 30 http://www.wolframalpha.com/input/?i=rule+30

10. Outroautómatocelular 10 http://math.hws.edu/xJava/CA/ca_1024x768.png /

11. Autómatoscelulares 2D Jogo davida de Conway Umacélula viva Se tiver 0 ou 1 vizinhosmorre de solidão Se tiver 2 ou 3 vizinhossobrevive Se tiver 4 oumaisvizinhosmorre de excesso de população Umacélulanasce Se tiverexactamente 3 vizinhos 11

12. Autómatoscelulares 2D 12 porJonathanMcCabe Hodge-Podgemachine em TechnoCult

13. Autómatocelular 3D 13 3D Belousov-Zhabotinsky-scrollcellularautomata

14. NetLogo Ambiente de programação multi-agente Usadopordezenas de milhares De utilizaçãogratuita Desenvolvidopelo CCL da Northwestern University 14

15. Aplicações 15

16. Projectos CA Propagação de fogosflorestais Propagação de doençascontagiosas 16

17. Redesneuronaisartificiais Inspiradas na estrutura neuronal de organismos inteligentes Adquirem conhecimento através da experiência Até centenas ou milhares de unidades de processamento, enquanto o cérebro de um mamífero pode ter muitos milhares de milhões de neurónios 17

18. Mesmosprincípios Arquitecturasaltamenteparalelas Aprendizagem Algoritmosmuito simples Comportamentosmuitocomplexos Generalização 18

19. Pombostreinados a distinguirquadros de Monet e Picasso Aprenderam a acertar 95% Continuaram a acertar 85% com Quadrosdiferentes dos do treino Quadros a preto e branco Quadrosemorientaçõesdiferentes Outros pares de pintores Pombos de Watanabe 19

20. Característicaschave Nãomemorizaram Extraírampadrões Generalizaram e fizeramprevisões! São as situaçõesemque as redesneuronais (naturaisouartificiais) ganham 20

21. NN software MatLab NeuroDimension EasyNN(free trial) 21

22. Projecto NN Aprender a darordens de compra e vendanabolsa 22

23. Ant Colony Optimization Comportamento social complexo Sabemencontrarcaminhosmaiscurtos Algoritmosinspiradosemformigassão dos maiseficientesemmuitassituações 23

24. Projecto ACO Descobrir a distânciamaiscurta entre doisnós de um grafo Problema NP-complexo Métodomuitoeficiente 24

25. Swarm intelligence O comportamentocolectivo de agentespoucosofisticadosorigina a emergência de padrõesfuncionaiscoerentes 25

26. Particle swarm optimization Cadapartícularepresentaumasolução no espaço de soluções As partículasmovem-se de acordo com regras simples, baseadasnasuaexperiência e nadapartículavizinha 26

27. Memetic algorithms Meme: elemento cultural que se transmitepor via nãogenética Técnicasevolucionáriasbaseadasempopulações Aprendizagem individual Busca local das melhoressoluções 27

28. Redessociais Representamrelaçõesouinteracções Damaisdiversanatureza Entre pessoas Entre empresas Entre países Homogéneasoubipartidas 28

29. Redessociais 29

30. Maisredessociais 30

31. Análise de redessociais Redesaleatórias Maiordensidade -> mais clusters Redespequenosmundos Seisgraus de separação Redessemescala Nósaltamenteligados: hubs 31

32. Modelos de redessociais Redesinteiras e redes Ego Redes de afiliação e redes de actores 32

33. Propriedades das redes Estruturais Equilíbrio e transitividade Sub-gruposcoesivos Afiliações Sub-grupossobrepostos Papéis e posições … 33

34. Propriedadesestruturais Grau (indegree | outdegree) de um nó Densidadedarede Centralidade de um nó (in | out) De grau De proximidade De intermediação Centralidadedarede 34

35. Sub-grupos n-cliques, n-clãs, n-clubes n-plexes, n-cores Redes de afiliação 35

36. Layout 36

37. Software de análise Pajek Ucinet / Netdraw Visone NodeXL 37

38. Rede dos paíseseuropeus 38

39. Centralidade de grau 39

40. Centralidade de proximidade 40

41. Centralidade de intermediação 41

42. Projectos SNA Gruposeconómicos Dívidassoberanas 42

43. Sistemascomplexos Sistemas compostos por um grande número de sistemas Propriedades colectivas do sistema composto não relacionadas com as propriedades dos seus constituintes A física, a biologia, a química, a economia, a história e a medicinaestudamsistemascomplexos 43

44. Sistemassociaiscomplexos Interacçõessociais Redes 44

45. BarabasiLab 45

46. AmaralLab 46

47. FAS research 47

48. Grandesdesafios Compreender o global e o individual Detectar situações anormais O bater-asas de uma borboleta numa primavera da gelada Lapónia pode ocasionar chuva nos Matosinhos? 48

49. Conclusões A Informática será uma ferramenta essencial para a compreensão da realidade São precisos novos paradigmas Sistemas dinâmicos 49

50. Obrigado! Podemveraqui o queando a fazer… 50