Algoritmos Genéticos: Fundamentos e Aplicações

Pinho, Alexandre Ferreira de; Montevechi, José Arnaldo Barra; Marins, Fernando Augusto Silva; Miranda, Rafael de Carvalho

doi:10.7436/2013.mhpo.02

Cited by 4 publications

(10 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Uma de suas características principais, em contraste a outros métodos de otimização, é preservar uma população de soluções potenciais até encontrar uma solução aceitável. Em [8] são apresentadas as componentes básicas que constituem o AG e que são descritas a seguir. Além disso, na Figura 3 é apresentado o fluxograma genérico do AG.…”

Section: Algoritmo Genéticounclassified

“…Neste exemplo são considerados dois modelos lineares de primeira ordem mais atraso, os quais são apresentados em (8…”

Section: Exemplo 2 -Sintonia Pi Aplicada a Modelos Lineares De Primeiunclassified

“…Para solução por meio desses métodos existem diversas ferramentas, entre as quais podemos citar o Algoritmo Genético (AG). O AG vem sendo muito utilizado, o que é justificável pela sua relativa simplicidade de implementação, flexibilidade e eficácia em realizar busca global em ambientes adversos [8]. Em [9] é apresentada a aplicação do AG na sintonia de quatro controladores PI, para um processo não linear, sob as especificações de desempenho como o IAE e o tempo de resposta e, especificações de robustez como erro do modelo e ruído de entrada.…”

Section: Introductionunclassified

See 2 more Smart Citations

Sintonia Ótima Pid Com Algoritmo Genético Para Minimizar Variações Da Ação De Controle

Torga¹,

Euzébio²,

Guimarães³

et al. 2017

ABM Proceedings

View full text Add to dashboard Cite

ResumoÉ comum encontrar sintonia de controladores PID que não levam em consideração o sinal de controle aplicado a variável manipulada. Portanto, variações rápidas e amplitudes elevadas podem ser geradas, que, na prática, pode ser inviáveis, devido à limitação física de atuadores e equipamentos industriais. Nesse artigo é desenvolvido um método de sintonia em que os parâmetros do PID são calculados por meio do Algoritmo Genético. A função de custo proposta penaliza tanto a amplitude do erro de controle quanto à variação da variável manipulada. A estabilidade é garantida com as restrições de robustez sobre o pico das funções sensibilidades. Exemplos simulados demonstram as vantagens da sintonia proposta. AbstractIt is common to find PID controllers tuning that do not consider the control signal applied to the manipulated variable. Therefore, rapid variations and high amplitudes can be generated, which, in practice, may be unfeasible due to physical limitation of the actuators and industrial equipment. In this article it is developed a tuning method which the PID parameters are calculated by means the Genetic Algorithm. The proposed cost function penalizes both the control error amplitude and the manipulated variable variation. The stability is guaranteed with robustness constraints over the peak sensitivities functions. Simulated examples demonstrate the advantages of the proposed tuning.

show abstract

Section: Algoritmo Genéticounclassified

“…Neste exemplo são considerados dois modelos lineares de primeira ordem mais atraso, os quais são apresentados em (8…”

Section: Exemplo 2 -Sintonia Pi Aplicada a Modelos Lineares De Primeiunclassified

Section: Introductionunclassified

See 1 more Smart Citation

Sintonia Ótima Pid Com Algoritmo Genético Para Minimizar Variações Da Ação De Controle

Torga¹,

Euzébio²,

Guimarães³

et al. 2017

ABM Proceedings

View full text Add to dashboard Cite

show abstract

“…Then, each feature subset is evaluated considering the individual predictive ability of each feature along with the degree of redundancy between them. The GA+JRip method uses a Genetic Algorithm [24] to perform a search in the space of possible combinations of the input features, and JRip (Repeated Incremental Pruning to Produce Error Reduction classifier [25]) to evaluate results. The Genetic Algorithm running parameters were: population size=20, mutation probability=0.033, crossover probability=0.6 and maximum number of generations=20.…”

Section: Feature Selectionmentioning

confidence: 99%

Wi-Fi Device Identification in Crowd Counting Using Machine Learning Methods

Conti¹,

Silveira²,

Lopes³

2017

Learn. Nonlin. Mod.

View full text Add to dashboard Cite

The increase in the availability of computational resources gave rise to new technologies to estimate the amount of people in a given area. In this context, algorithm-based solutions for crowd counting can be grouped into image-based and non-image based approaches, the latter considering any other feature that is not visual. Currently, due to the popularization of smartphones and mobile devices, several researchers have been using Wi-Fi request packets for crowd counting estimation. Assuming that, on average, each person in a given place carries a Wi-Fi device, the number of unique MAC addresses can be associated with the number of people. However, since the probe may capture all Wi-Fi traffic-which may include broadcast messages from other access points or packets from notebooks and desktop devices-some strategy must be applied in order to identify only personal mobile devices, thus improving the method accuracy. In this work, we trained classifiers to segment mobile from static devices through its Wi-Fi behavior pattern. Therefore, using data collected from different devices and in different environments, we evaluated the proposed methodology by using several machine learning algorithms. Best results were achieved with logistic regression and neural network (MLP). The results of this study suggest the feasibility of the proposed method for crowd counting in high-density Wi-Fi zones.

show abstract

“…A codificação binária é tradicionalmente muito utilizada, uma vez que foi utilizada nos trabalhos pioneiros de Holland (1975). Contudo, se um problema tem parâmetros contínuos e deseja-se trabalhar com boa precisão numérica, será necessário armazenar indivíduos relativamente longos na memória do computador (PINHO et al, 2013) prejudicando, assim, a velocidade de execução do algoritmo. Neste sentido, a representação real apresenta vantagens sobre a binária no que diz respeito à velocidade de processamento, consistência dos resultados a cada geração e maior precisão (especialmente em grandes domínios quando a representação binária exige codificação especialmente longa) (MICHALEWICZ, 1996).…”

Section: Representação Genéticaunclassified

Projeto iterativo, simulação, análise e otimização de máquina a relutância variável monofásica

Mamede¹

View full text Add to dashboard Cite

Aos meus pais, Luiz Mamede e Márcia Mamede, pelo carinho, paciência e compreensão, pelos primeiros e mais importantes ensinamentos e por serem grandes mestres e exemplos.Às minhas irmãs, Mariana Mamede e Ana Luíza Mamede, família e amigos, pela companhia e apoio.Ao Prof. PhD José Roberto Camacho, mestre durante a graduação e pós-graduação, pelo grande incentivo, motivação, orientação, compreensão, confiança, generosidade e amizade transmitidos durante todo o trabalho.Aos colegas do Núcleo de Pesquisa e Extensão em Energias Alternativas da Universidade Federal de Uberlândia, pelo acolhimento, convívio, companheirismo, ensinamentos e amizades compartilhados durante o período do mestrado.

show abstract

Algoritmos Genéticos: Fundamentos e Aplicações

Cited by 4 publications

References 0 publications

Sintonia Ótima Pid Com Algoritmo Genético Para Minimizar Variações Da Ação De Controle

Sintonia Ótima Pid Com Algoritmo Genético Para Minimizar Variações Da Ação De Controle

Wi-Fi Device Identification in Crowd Counting Using Machine Learning Methods

Projeto iterativo, simulação, análise e otimização de máquina a relutância variável monofásica

Contact Info

Product

Resources

About