SISTEMAS EVOLUTIVOS

Obrigatória: Não

Carga Horária: 60

Créditos: 4

OBJETIVOS:
Permitir a análise de fenômenos e paradigmas evolutivos que modelam o mundo real e sua utilização na Ciência da Computação para solucionar problemas de Otimização, Predição e Análise de sistemas dinâmicos. Os alunos deverão desenvolver aplicações práticas dos conceitos vistos na disciplina.

EMENTA:
Conceitos fundamentais de Evolução, Otimização e Análise de sistemas dinâmicos. Paradigmas de Desenvolvimento de Algoritmos Heurísticos e Meta-Heurísticos com solução aproximativa. Otimização através de Algoritmos Estocásticos e Aprendizagem de Máquina.

PROGRAMA:
1. Algoritmos Genéticos
1.1 Fundamentos e Funcionamento
1.2 Aplicações
2. Autômatos Celulares
2.1 Fundamentos e Funcionamento
2.2 Aplicações
3. Computação com DNA
3.1 Fundamentos Biológicos
3.2 Máquina de Turing Moleculares
3.3 Aplicações
- Problema do Circuito Hamiltoniano
- Problema da Satisfatibilidade
- Problema do Caixeiro Viajante
4. Redes Neurais Artificiais
4.1 Tipos e Estruturas
4.2 Funcionamento
4.3 Aplicações
5. Tópicos Especiais
5.1 Simulated Annealing
5.2 Busca Tabu
5.3 Ant Colony Optimization
6. Desenvolvimento de Aplicações na Linha de Pesquisa

Bibliografia:
ANTHONY, M. Computational Learning Theory. Australia:Cambridge, 1997.

FOGEL, L. Evolutionary Programming V. London: Bradford Book, 1996.

GALVAO, C. O. Sistemas Inteligentes. Porto Alegre:ABRH, 1999.

GOLDBERG, D. Genetic Algorithms in Search, Optimization and Machine Learning. Sydney: Addison-Wesley, 1989.

HAYKIN, S. Redes Neurais: Princípios e Prática. Porto Alegre:Bookman, 2001.

JUDD, S. Neural Network Design and The Complexity of Learning. London: Bradford, 1991.

MITCHELL, T. Machine Learning. Boston:McGraw-Hill, 1997.

PAUN, G.; SALOMAA A.; ROZENBERG, G. DNA Computing: New Computing Paradigms. Germany: Springer, 1998.

WOLFRAM, S. Cellular Automata and Complexity. California: Addison-Wesley, 1994.