Planejamento TOE-4 – OCEV.
Dia Atividade
. Distribuição dos temas e datas para apresentação.
11/05
. Simmulated Annealing e Problema TSP
. Continuidade teoria.
13/05
. Laboratório: Acompanhamento do trabalho.
. Continuidade teoria.
18/05
. Laboratório: Acompanhamento do trabalho.
. Continuidade teoria.
20/05
. Laboratório: Acompanhamento do trabalho.
. Continuidade teoria.
25/05
. Laboratório: Acompanhamento do trabalho.
. Continuidade teoria.
27/05
. Laboratório: Acompanhamento do trabalho.
. Tema #1: Transgenética Computacional.
01/06
. Laboratório: Acompanhamento do trabalho.
. Tema #2: Evolução Diferencial
05/06
. Laboratório: Acompanhamento do trabalho.
. Tema #3: Programação Genética (Genetic
08/06 Programming).
. Laboratório: Acompanhamento do trabalho.
. Tema #4: Expressão Gênica (Gene Expression
10/06 Programming).
. Laboratório: Acompanhamento do trabalho.
. Tema #5: Algoritmos Co-evolutivos.
15/06
. Laboratório: Acompanhamento do trabalho.
. Tema #6: Algoritmos Evolutivos Multi-objetivos.
17/06
. Laboratório: Acompanhamento do trabalho.
. Laboratório:
22/06
- Entrega do trabalho (código + relatório)
24/06 . Laboratório e dúvidas para aprova
29/06 . Prova #2.
#1: Rodrigo/Gustavo
#2: Rafael/Rafael
#3: Marcos/Gabriela
#4: Alexis/Eduardo
#5: Lucas Borges/Jhonatan
#6: Lucas / Lucas
06/07 Exame.
Observações:
– Duração das apresentações: 50min;
– O não comparecimento nas apresentações acarretará em decréscimo da nota da pessoa ausente;
– O trabalho de implementação é para ser entregue ATÉ as datas do cronograma. A não-entrega até esta data
atribui valor zero a nota parcial do trabalho.
Temas: Nas apresentações dos temas, serão avaliados:
1. Tempo: Aproveitamento do tempo de apresentação
2. Teoria: Aprofundamento e entendimento teórico
3. Prática: Exemplos práticos e aplicações atuais
4. Ferramentas: Discussão e apresentação de ferramentas existentes
Referências básicas sugeridas:
. Cantú-Paz, E., A survey of parallel genetic algorithms. IlliGAL Technical Report 97003, 1997.
. E. Zitzler, Evolutionary Algorithms for Multiobjective Optimization : Methods and Applications, PhD Thesis,
Swiss Federal Institute of Technology (ETH), Zurich, Switzerland, November 1999.
. www.icsi.berkeley.edu/~storn/code.html (Evolução Diferencial)
. J.R.Koza, Genetic Programming. MIT Press, Cambridge MA, 1992. (www.genetic-programming.org)
. Ferreira, C., 2001. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems. Complex
Systems, Vol. 13, issue 2: 87-129. (www.gene-expression-programming.com)
. Eberhart, R.C., Shi, Y. Particle swarm optimization: developments, applications and resources. Proceedings of
the Congress on Evolutionary Computation (CEC2001), Seul, Korea, v.1, p. 81-86, 2001.
(http://glmrc.ie.ncit.edu.tw/simon/SIHompage.htm)
. Dorigo, M., Di Caro, G., Gambardella, L.M. Ant algorithms for discrete optimization. Arfificial Life, v. 5, n. 3, p.
137-172, 1999. (iridia.ulb.ac.be/~mdorigo/ACO/)
Experimentos SA-AG-TSP: Montar documento em formato artigo referindo-se ao seguinte trabalho:
 TSP: Recozimento Simulado e Algoritmo Genético
◦ Comparações entre os métodos e considerações.
◦ Dada a estocasticidade, executar 10 vezes para as instâncias passadas em sala e obter média e
desvio-padrão dos resultados. Comparar com o ótimo global.
◦ Montar gráfico de convergência dos dois métodos considerando a média do melhor resultado das
10 execuções a cada iteração de cada algoritmo para cada instância.
◦ Considerar um máximo de 500.000 avaliações de função.
◦ http://www.iwr.uni-heidelberg.de/groups/comopt/software/TSPLIB95/
Tabela: Exemplo de tabela para registrar os resultados.
gr17
eil51
kroA100
SA
mean ± std
mean ± std
mean ± std
AG
mean ± std
mean ± std
mean ± std