Sistemas Complexos

Conhecimentos de Base Recomendados

Introdução à Inteligência Artificial, Computação Evolucionária.

Métodos de Ensino

Aulas T: conceitos, teorias e métodos, associados à resolução heurística de problemas. Na PL, o aluno exercita em computador problemas de complexidade média e efectuando simulações eventualmente por recurso a ferramentas, trabalho feito em grupo com a monitorização do professor. Leitura de um trabalho de investigação já publicado, e posterior síntese escrita , trabalho prático envolvendo simulações computacionais, com escrita de um relatório, com a forma de uma comunicação a uma conferência. Os trabalhos referidos são únicos, individuais, e estão sujeitos a apresentação oral e discussão.

Resultados de Aprendizagem

Esta cadeira tem por objetivo primeiro o estudo de sistemas complexos , sejam eles físicos (e.g., o clima), biológicos (e.g., redes de regulação genética), cognitivos (e.g., a mente) ou sociais (e.g., os mercados financeiros). Focaremos os conceitos,

os modelos e as ferramentas necessários à compreensão destes sistemas. Partindo de uma discussão conceptual envolvendo conceitos como sistema, complexidade, auto-organização, emergência, informação, computação e evolução, passaremos de seguida à descrição de classes de modelos direccionados para a compreensão dos sistemas complexos, continuando com a apresentação de diferentes ferramentas e terminando com casos de estudo. No final, o aluno deve ser capaz de escolher o modelo mais apropriado para a compreensão de um sistema complexo, escolher a ferramenta mais apropriada para fazer a análise desse sistema e retirar conhecimento dessa análise.

Estágio(s)

Não

Programa

1. Conceitos (sistema, sistema complexo, sistema adaptativo complexo,sistema dinâmico, complexidade e de diversidade, informação, computação, evolução e modelos)

2. Modelos matemáticos (autómatos celulares, fractais, caos, criticalidade auto-organizada)

3. Modelos em rede (small-world networks, scale-free networks, random boolean networks)

4. Modelos baseados em regras (inteligência colectiva)

5. Ferramentas

6. Casos de Estudo.

Métodos de Avaliação

Avaliação
Trabalho de síntese: 10.0%
Projecto: 30.0%
Exame: 60.0%

Bibliografia

1. Nino Boccara, Modeling complex systems, Springer, 2004.

2. Allen B. Downey, Think Complexity, O’Reilly, 2012.

3. Gary Flake, The computational beauty of nature: computer expçorations of fractals, chaos, complex systems and adaptation, MIT Press, 1998.

4. John H. Miller and Scott E. Page, Complex Adaptive asystems: an introduction to computational models of social life, Princeton University Press, 2007.

5. Melanie Mitchell, Complexity: a guided touer, Oxford University Press, 2009.

6. Scott E. Page, Diversity and Complexity, Princeton University Press, 2011.

7. Heinz-Otto Peithgen, Harmut Juergens, and Dietmar Saupe, Chaos and Fractals: new frontiers of science (2nd Edition), Springer, 2004.

8. Daniel Shiffman, The Nature of Code, 2012.

9. Ricard Solé and Brian Goodwin, Signs of Life: how complexity pervades biology, Basic Books, 2000.