Inteligência Artificial Inspirada na Natureza

Conhecimentos de Base Recomendados

Programação em Python, Master AI Algorithms, Estatística. Bons conhecimentos de inglês: leitura e escrita.

Métodos de Ensino

Nas aulas teóricas serão expostos e discutidos de modo crítico os conceitos, teorias e métodos, associados à resolução heurística de problemas. Os alunos serão chamados de imediato a exercitar, na PL, o que foi aprendido através da resolução em computador de problemas de complexidade média. Esse trabalho será feito em grupo com a monitorização do professor. Leitura de trabalho de investigação; estudo experimental de soluções alternativas para uma dada questão teórica; escrita de relatório. Os trabalhos referidos são únicos, individuais, e estão sujeitos a apresentação oral e discussão.

Resultados de Aprendizagem

Apresentar, discutir e desenvolver métodos computacionais para soluções de inteligência artificial de inspiração natural (i.e., biológica, social, física) para problemas de elevada complexidade que, ou não têm solução analítica, ou são computacionalmente intratáveis.

Aquisição de competências para avaliar de modo rigoroso as soluções alternativas para os problemas.

Aquisição de competências em análise e síntese, comunicação oral e escrita (português e inglês), conhecimentos informáticos e de análise estatística, resolução de problemas, conhecimento de uma língua estrangeira, raciocínio crítico, trabalho em grupo, aprendizagem autónoma, criatividade, aplicação prática dos conhecimentos, investigação.

Estágio(s)

Não

Programa

1. Introdução

2. Meta-Heurísticas Clássicas

   - Pesquisa aleatória

   - Trepa-coplinas

   - Recristalização Simulada

3. Algoritmos Evolucionários

   - O Algoritmo Evolucionário

   - Representação

   - Inicialização

   - Seleção dos Pais

   - Operadores de variação

   - Seleção de sobreviventes

   - Mecanismos de Controlo da População

4. Programação Genética

   - Baseada em Árvores

   - Baseada em grafos

   - Linear

   - Fortemente Tipada

   - Baseada em gramática

5. Estratégias Evolutivas

   - Clássicas

   - CMA-ES

   - Natural ES

6. Evolução Diferencial

7. Inteligência coletiva

   - Otimização de colônia de formigas

   - Otimização de enxame de particulas

8. Coevolução

   - Cooperação

   - Concorrência

9. Otimização multiobjetivo

10. Aprendizagem Máquina Evolutiva

11. Desenho de Experiências  e Avaliação

Docente(s) responsável(eis)

Nuno António Marques Lourenço

Métodos de Avaliação

Avaliação
Exame: 50.0%
Projecto: 50.0%

Bibliografia

1) Introduction to Evolutionary Computation (2nd edition), A. Eiben and J. Smith, Springer, 2015.

2) Natural Computing Algorithms, Anthony Brabazon, Michael O’Neill and Seán McGarraghy, Springer, 2015.

3) Bio-Inspired Artificial Intelligence: theories, methods, and Technologies, Dario Floreano and Claudio Mattiussi, MIT Press, 2008.

4) Fundamentals of Natural Computing: basic concepts, algorithms, and applications, Leandro Castro, Chapman and Hall, 2006.

5) Essentials of Metaheuristics (2nd Edition), Sean Luke, Lulu Press, 2013.

6) Handbook of Evolutionary Machine Learning, Wolfgang Banzhaf, Penousal Machado, Mengjie Zhang, 2023.

7) Lectures on Intelligent Systems, Leonardo Vanneschi , Sara Silva, 2023.